登录社区云,与社区用户共同成长
邀请您加入社区
暂无图片
随着机器人和自动驾驶汽车的发展,加速物理 AI的发展变得至关重要,而物理 AI 使自主机器能够感知、理解并在现实世界中执行复杂的操作。这些系统的核心是世界基础模型 (WFMs),即通过物理感知视频模拟物理状态的 AI 模型,使机器能够做出准确决策并与周围环境无缝交互。 NVIDIA Cosmos平台可帮助开发者大规模为物理 AI 系统构建自定义世界模型。它为从数据管护、训练到定制的每个开发阶段提
AI代理为企业扩展和提升客户服务以及支持交互提供了重要机会。这些客服人员可自动处理日常查询并缩短响应时间,从而提高效率和客户满意度,帮助组织保持竞争力。 但是,除了这些优势之外,AI 智能体也存在风险。大语言模型(LLMs)容易生成不当内容或离题内容,并且容易受到“jailbreak”攻击。为了充分发挥生成式 AI 在客户服务中的潜力,实施可靠的 AI 安全措施至关重要。 本教程为 AI 构建者
在快速发展的人工智能领域,用于训练模型的数据质量至关重要。高质量数据可确保模型准确、可靠,并且能够在各种应用中很好地泛化。近期的 NVIDIA 网络会议“借助高质量多模态数据处理增强生成式 AI 模型的准确性”深入探讨了数据管护和处理的复杂性,并重点介绍了 NVIDIA NeMo Curator 的功能。 本文分享了在线研讨会的主要见解,重点介绍了数据管护的重要性、合成数据生成的作用,以及开发者
请点击以下链接观看全部活动视频: https://space.bilibili.com/1320140761/lists/3446369?type=season
请点击以下链接观看全部活动视频: https://space.bilibili.com/1320140761/lists/3415219?type=season
请点击以下链接观看全部活动视频: https://www.bilibili.com/video/BV1UQw2erEPW?spm_id_from=333.788.videopod.sections&vd_source=9ced8a53d7bf0c7cfb5dcf50e61287ec&p=7
介绍 通过封装 NVIDIA Merlin HugeCTR,Sparse Operation Kit(以下简称 SOK)使得 TensorFlow用户可以借助 HugeCTR 的一些相关特性和优化加速 GPU 上的分布式 Embedding训练。 在以往文章中(Merlin HugeCTR Sparse Operation Kit 系列之一 – NVIDIA 技术博客,Merlin HugeCT
目前,市场上许多公司都积极开展基于 FP8 的大模型训练,以提高计算效率和性能。 在此,我们整理并总结了客户及 NVIDIA 技术团队在 FP8 模型训练过程中的 debug 思路和方法,供大家参考。 在讨论之前,建议大家使用我们推荐的 FP8 训练的 Recipe,即使用 Delayed scaling,在History length为1024的窗口中选取最大的amax数值作为计算scalin
案例简介 NVIDIA 与百度飞桨双方技术团队通过在数据、算法、模型等多个方面的合作,共同打造了一款适用于车辆空气动力学数值模拟的 3D 高精度汽车风阻预测模型——DNNFluid-Car。经过训练的 DNNFluid-Car 模型的计算速度比传统数值计算的速度快至少 2-3 个数量级,有效减少了对数以千计的 CPU 计算资源的依赖。 使用 AI 方法提升仿真效率 自汽车行业诞生之初,降低风阻系
前言 随着 ChatGPT 的一夜爆火,大模型如今越来越广泛的应用到各种业务领域中,阿里安全的业务领域对大模型技术的应用也已经 2 年有余。本文对阿里安全在大模型工程领域积累的实践经验做出总结和分享。 在大模型实际应用实践的过程中,阿里安全采用NVIDIA NeMoTM框架和TensorRT-LLM大语言模型推理加速库,显著优化了模型训练与推理性能。其中 NeMo 在多卡环境可实现 2-3 倍的