测试仍然在同一台四路Skylake-SP测试样机上进行,操作系统为Debian GNU/Linux 9.0.0 Stretch x64(或许你们会注意到拼写和上一篇文章略有不同),使用的仍然是Linux Kernel 4.12.0-041200-lowlatency #201707022031 x64(拼写同样得到了更新),但它已经不是最新的Kernel,因为两天前,Kernel.org推出了4.12.1内核,主要修正在numa调度,在未来的AVX 2.0测试完成后我们会进行更新。
Intel 4S Purley/Skylake-SP测试平台说明 by 盘骏/Lucifer,每一个标点符号都经过了反复确认
没错,这个表也进行了许多微调。我很怀疑会有多少人去认真看这个表关注这些细节,实际上由于头条图作图的细节需求已经受到了美工的质疑。“这些地方没人会看。”,“这个没人会关注。”,“这些地方你要这么精确干什么?”,“有空还是多写点文章。”……我很难认同这些话,但我无法要求别人做更多的工作。我只是觉得我们可以接受错误和不完美,但不应该接受对这样无动于衷。
Kernel booting with AVX-512/XSAVE,这里隐藏了XSAVE的一个新功能
众所周知,Linux Kernel引导的时候会简单测试RAID 5/6的软件性能,上图中,AVX512x4的gen()算法达到了最高的生成性能:33093MB/s,也就是33.093GiB/s
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。