西门子数字工业软件公司正在扩大与亚马逊网络服务(AWS)的战略合作协议(SCA)。目标主要是帮助双方共同的集成电路 (IC)和电子设计客户利用AWS先进的云服务来缩短设计周期、优化工程资源并使用西门子当前和即将推出的EDA产品提高验证覆盖率。SCA的这次扩展建立在两家公司为客户提供其需要的敏捷性、灵活性和适应性的优良记录之上。
高性能云计算为集成电路和系统开发人员提供了解决设计复杂性、计算能力需求以及分布式跨组织协作的方法。
西门子和 AWS 正在合作开发云飞行计划(Cloud Flight Plans),这是一种著名的方法(BKM)和技术,可以在客户的AWS环境中运行西门子的EDA。云飞行计划的目标客户是希望自我管理其 AWS环境的客户。
西门子数字工业软件公司EDA云解决方案副总裁 Craig Johnson 表示:“集成电路开发是一个计算密集型过程,因此能够随时获得额外的容量和替代系统配置对我们的客户来说极具价值。”“部署的复杂性历来是一大挑战。我们与 AWS 合作拓展的重点是将我们对电子设计的精通和AWS的基础设施、咨询和云部署协助结合起来,加快我们共同客户的产出。”
AWS工程副总裁 Bill Vass表示:“AWS为最先进的EDA解决方案提供弹性、高性能计算 (HPC),从而提高了集成电路和电子设计工作负载的性能。”“我们与西门子的战略合作使双方共同的客户能够在云中创建创新的新产品,现在还包含了西门子 EDA 的重大半导体创新。”
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。