InhumanScience — посты канала в Telegram

9 сентября 2026

InhumanScience

Ссылка
нажмите — покажем

Nvidia — CUDA Rust: пишем GPU-ядра на Rust Nvidia представила CUDA Rust — два инструмента для написания GPU-ядер прямо на Rust, без C++. Первый — cuda-oxide — компилирует Rust-код в PTX через кастомный бэкенд rustc. Требует nightly-тулчейн и LLVM, пока в альфе. Второй — cutile-rs — работает на стабильном Rust 1.89+ с CUDA 13.3, уже опубликован на crates.io и используется в движках HuggingFace Grout и mistral.rs. Оба инструмента гарантируют память-безопасность на этапе компиляции — никаких гонок и алиасинга. Почему это важно: всё больше AI-инфраструктуры (inference, serving, агентные рантаймы) пишется на Rust. Раньше GPU-ядра оставались исключением — теперь нет. NVIDIA планирует поддержку interop между CUDA Rust, C++ и Python, так что выбор языка не закроет доступ к другим экосистемам. https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/

22 · 09:01

10 сентября 2026

InhumanScience

Фотография

AuK: один голосовой движок вместо десяти (by Tencent Hunyuan) Зачем держать отдельные модели для TTS, редактирования эмоций, шумоподавления и клонирования голоса, если можно одну? AuK — это единая open-source модель, которая по текстовой инструкции делает всё сразу: синтез речи, правку акустики (темп, громкость, питч), смену эмоций и акцента, редактирование слов прямо в аудио, разделение и улучшение звука. Архитектура: MLLM-энкодер для семантики + аудио VAE + гибридный flow-трансформер с dual-stream MMDiT блоками. Обучение в два этапа: unified pre-training на 1.95 млн часов аудио, затем post-training с RLHF для редактирования и Flow-GRPO для генерации. Бонус: дистиллированная версия AuK-Flash делает инференс за 4 шага без CFG — в 4.5× быстрее учителя. Код и веса открыты. https://arxiv.org/abs/2609.08936

20 · 07:03

Фотография

Что нужно роботу, чтобы не просто видеть мир, но и действовать в нём? Команда OpenWAM предлагает систематический подход к обучению World-Action Models (WAM) — моделей, которые наследуют знания о динамике мира из видеогенерации, а затем учатся управлять действиями через робототехнический опыт. Три ключевых вопроса, на которые отвечает статья: 1. Какие знания о мире должна наследовать WAM? 2. Как создать синергию между моделированием мира и генерацией действий? 3. Как масштабировать это на разные домены? Главные находки: синергия мира и действий возникает не из размера модели, а из правильного потока информации и совместного расписания денойзинга. Pretrain на эгоцентрическом видео людей + роботных траекториях даёт лучшую OOD-генерализацию. Результат — OpenWAM-α, обученная на 518M кадров (~6400 часов), оценённая на 8 симуляционных бенчмарках и реальных роботах. Всё открыто: веса, инфраструктура, данные. https://arxiv.org/abs/2609.07398

1 · 18 · 07:03

Фотография

Игровой движок из одного промпта — теперь реально? Представьте: вы описываете мир словами, а система сама строит интерактивную сцену с правилами, физикой и состоянием объектов. Именно это предлагает Programmable World Model. Ключевая идея — разделить два процесса: эволюцию состояния мира и генерацию видео. Coding agent переводит инструкции пользователя в исполняемый код, который управляет сущностями через 3D oriented bounding boxes (OBB). Затем state compiler проецирует эти боксы в пиксельные контролы, а видеомодель рендерит детали — анимацию, физику, внешний вид. Зачем OBB, а не полные 3D-сцены? Компромисс: текст слишком абстрактен, полная геометрия слишком дорога в аннотации и порождает train/inference mismatch. OBB — золотая середина: задаёт позицию и ориентацию объекта в мировых координатах, не требуя меша или скелета. Плюс авторы представили CombatStateBench — бенчмарк, проверяющий, совпадает ли то, что видно в видео, с состоянием движка (живые/мёртвые персонажи). https://arxiv.org/abs/2609.10540

2 · 17 · 07:03

Ссылка
нажмите — покажем

Nvidia Tech запустила EPD-disaggregation для мультимодального AI Nvidia представила технику оптимизации инференса для мультимодальных моделей — encode-prefill-decode (EPD) disaggregation в фреймворке Dynamo. Суть: визуальное кодирование изображений теперь выполняется отдельно от LLM-обработки, а не в одной очереди. Что это даёт на практике: до 5x быстрее время до первого токена и до 7x быстрее общее время ответа при работе с изображениями. Текстовые запросы в смешанном трафике тоже ускоряются на 42% — они больше не стоят в очереди за тяжёлыми мультимодальными запросами. Особенно эффективно для запросов с несколькими изображениями или видео, коротких и средних ответов, а также квантизированных MoE-моделей. При квантизации весов до NVFP4 прирост производительности вырастает с 1.78x до 2.64x. Важно: для длинных генераций и больших плотных моделей выигрыш минимален — там декодирование всё равно доминирует по времени. https://developer.nvidia.com/blog/when-to-use-encode-prefill-decode-disaggregation-to-accelerate-multimodal-model-serving/

17 · 09:02

Ссылка
нажмите — покажем

Nvidia выпустила CUDA Toolkit 13.4 Крупное обновление для разработчиков GPU-приложений. Главное — CUDA теперь работает на Windows on Arm: раньше Arm-платформы поддерживались только через Linux, теперь барьер снят. Что ещё важного: Превью поддержки архитектуры Rubin (следующее поколение после Blackwell) — разработчики могут уже сейчас портировать приложения. Multi-Process Service V3 — переработанное управление общими GPU: скриптуемый CLI, TOML-конфиги, интеграция с cgroup. Удобно для контейнерных сред и оркестрации. CUDA Python расширился: текстуры и поверхности, NUMA-aware память, type stubs для IDE и AI-агентов. CCCL 3.4 ускорил DeviceScan на Blackwell до 92% использования пропускной способности памяти. Установщики SDK больше не включают драйвер Nvidia — теперь нужно ставить отдельно. Toolkit доступен для скачивания на сайте Nvidia. https://developer.nvidia.com/blog/cuda-toolkit-13-4-adds-windows-on-arm-support-and-greater-control-over-shared-gpus/

19 · 09:02

Ссылка
нажмите — покажем

IBM Research: прорыв в квантовых вычислениях номинирован на премию Гордона Белла Cleveland Clinic, RIKEN и IBM вошли в финал престижной премии ACM Gordon Bell Prize 2026 — одной из главных наград в области суперкомпьютинга. Команда смоделировала белковую систему из 12 635 атомов — крупнейшую квантовую симуляцию биологически значимых молекул на сегодняшний день. Для этого объединили квантовые процессоры IBM Heron с японскими суперкомпьютерами Fugaku, RUQUO и Miyabi-G. Новый результат: полностью автоматизированный сквозной воркфлоу, который убирает ручную координацию между квантовыми и классическими ресурсами. Это ускоряет расчёты и повышает точность вычислений энергии связывания белок-лиганд. Проще говоря: квантовые компьютеры становятся реальным инструментом для медицинских исследований — быстрее, точнее, с меньшими усилиями. https://research.ibm.com/blog/gordon-bell-finalists-2026?utm_medium=rss&utm_source=rss

21 · 09:02

11 сентября 2026

InhumanScience

Фотография

RL для агентов-исследователей упёрся в потолок — и вот как его пробили Представьте: вы обучаете RL-агента, который пишет ML-код и запускает эксперименты. Генерация текста батчится и масштабируется легко. А вот каждое выполнение кода требует отдельного Docker-контейнера с GPU — и стоит полную цену. Итог: execution становится жёстким bottleneck'ом при масштабировании. Авторы из UIUC предлагают WMRL: заменить реальное окружение world model — языковой моделью, которая предсказывает результат выполнения кода без его реального запуска. Это даёт ускорение 3–4× при обучении. Но бесплатного обеда нет: world model ошибается. Авторы формализуют ошибку как bias + noise и показывают, что они портят сходимость на O(B²) и O(σ²). Решение — два механизма коррекции: Online Debiasing (монотонное переотображение предсказанных наград по якорным реальным запускам) и Inverse-Variance Denoising (взвешенное слияние сигналов). С ними агент не просто не теряет в качестве — иногда превосходит baseline с реальным окружением.

3 · 22 · 07:01

Фотография

LLM научился думать "концептами", а не токенами — и стал в 2 раза эффективнее Стандартные LLM предсказывают следующий токен. Но что если обучать модель предсказывать не токены, а более высокоуровневые "концепты" — сжатые латентные представления сразу нескольких токенов? Именно это делает NCP-ArchPreview. Архитектура состоит из трёх модулей: Token Encoder сжимает токены в концепты через mean pooling, Concept Module предсказывает следующий концепт в дискретном латентном пространстве (через vector quantization), а Token Decoder использует эти предсказания для генерации токенов. Обучение идёт совместно: и Next Token Prediction, и Next Concept Prediction. Результат на 5.73T токенах: модель сходится в 1.95x быстрее OLMo-3-7B на тех же данных, обгоняет его на +2.45 пункта на бенчмарках и +5.99 на GSM8K. Бонус: концептное пространство ускоряет speculative decoding и даёт лёгкую доменную адаптацию через 17M-параметровый интерфейс. Веса, код и рецепты обучения — в открытом доступе. https://arxiv.org/abs/2609.10715

4 · 20 · 07:02

Фотография

Один защитный слой для всех моделей — это провал. Нужен свой для каждой. Исследователи из Johns Hopkins заметили очевидную, но важную вещь: фиксированный harness для защиты LLM-агентов работает плохо сразу по двум причинам. Для сильно выровненных моделей (Claude) он избыточен и убивает полезность до нуля. Для слабых моделей (GLM-5) он недостаточен и пропускает атаки. Решение — EvoSafeHarness: система, которая автоматически эволюционирует отдельный harness под каждую пару модель×домен. Для финансового агента нужно отслеживать wash-trading через историю транзакций. Для файлового — фильтровать опасные команды и пути к секретам. Это принципиально разная логика. Архитектура: Designer предлагает политику + код, Criticizer стресс-тестирует в чистом контексте, Cascade Test Environment оценивает отдельно utility и успешность атак (прямых и косвенных), Analyzer возвращает конкретные трейсы ошибок.

2 · 20 · 07:02

Ссылка
нажмите — покажем

OpenAI — учёные используют ИИ в борьбе с супербактериями Лаборатория Сесара де ла Фуэнте применяет Codex и ChatGPT для поиска новых антимикробных молекул прямо в геномах живых и вымерших организмов. ИИ помогает анализировать огромные массивы генетических данных и находить кандидатов, способных бороться с устойчивыми к антибиотикам инфекциями — одной из главных угроз современной медицины. Раньше такой поиск занимал годы лабораторных экспериментов. Теперь ИИ ускоряет отбор перспективных молекул на порядки. Это не просто научный эксперимент — это реальный шанс создать новое поколение антибиотиков в эпоху, когда старые перестают работать. Показательный пример того, как инструменты OpenAI выходят далеко за рамки написания текстов и кода. https://openai.com/index/using-codex-chatgpt-to-search-for-new-antimicrobials

1 · 19 · 09:02

Ссылка
нажмите — покажем

OpenAI заявила о решении одной из семи задач тысячелетия — уравнений Навье-Стокса. Это одна из величайших нерешённых проблем математики, за которую Институт Клэя обещает миллион долларов. ИИ сгенерировал полное решение, включая математическое доказательство и его формальную верификацию на языке Lean — это специальный инструмент, который позволяет машинно проверить корректность каждого шага доказательства. Уравнения Навье-Стокса описывают движение жидкостей и газов. Их решение имеет колоссальное значение для физики, авиации, климатологии и медицины. Если доказательство пройдёт проверку математического сообщества — это станет историческим моментом: впервые ИИ решил задачу такого уровня. Пока эксперты изучают результат, но формальная верификация в Lean — уже серьёзный аргумент в пользу корректности. https://openai.com/index/navier-stokes-solution

20 · 09:02

Ссылка
нажмите — покажем

Nvidia обновила NIM до версии 2.0.12 для модели Nemotron 3 Ultra Новый оптимизированный стек позволяет обслуживать в 2.5 раза больше пользователей одновременно на системе из 4 GPU Blackwell B200 — при том же уровне отзывчивости (50 токенов в секунду на пользователя). Что изменилось: NIM теперь сочетает автонастроенные ядра для гибридной архитектуры MoE+Mamba, тензорный параллелизм, переиспользование префиксов и состояний, а также спекулятивное декодирование MTP. В итоге пропускная способность выросла с 718 до 1997 токенов в секунду. Почему важно: для агентных сценариев с длинными промптами и многошаговым контекстом это прямая экономия на железе — та же нагрузка на меньшем числе GPU. Разработчики могут воспроизвести собственный трафик через инструмент AIPerf и подобрать оптимальную конфигурацию под свои SLO. NIM доступен на NGC. https://developer.nvidia.com/blog/how-full-stack-nim-optimizations-deliver-2-5x-more-users-on-nemotron-3-ultra/

23 · 09:02

12 сентября 2026

InhumanScience

Фотография

Одна модель чтобы видеть, думать и рисовать — без энкодеров и VAE SenseNova-U1.5 от SenseTime — 8B нативная мультимодальная модель, которая понимает и генерирует изображения через единое пиксельное представление. Никаких отдельных vision encoder и VAE — всё в одном пространстве. Два ключевых улучшения против предшественника: 1. Вместо независимого предсказания патчей — совместная пространственная реконструкция через 2D feature field + свёртки + Pixel Shuffle. Соседние патчи наконец "видят" друг друга перед финальной отрисовкой. Результат: связная текстура и геометрия вплоть до 4K. 2. Вместо совместного RL по всем задачам — "специализируй, потом объединяй": отдельные RL-эксперты под генерацию, редактирование, типографику, инфографику, затем multi-expert on-policy дистилляция в единую политику. Интересный эффект: модель обобщается на сложные структурированные инструкции, которых не видела при обучении — похоже, reasoning-способности переносятся в визуальное творчество. https://arxiv.org/abs/2609.11929

2 · 21 · 07:02

Фотография

T1: Terminal Agent RL (by Tencent Hunyuan) Научить LLM работать в Linux-терминале — это не про синтаксис команд. Это про планирование на 300+ шагов, отладку, компиляцию и доказательство исправления. Tencent обучили 122B MoE-модель T1 через RL на реальных терминальных задачах. Два ключевых трюка: 1. TITO + R3 — фиксят несоответствие между инференсом и обучением в MoE: разные токены активируют разных экспертов, градиент уходит "не туда". Это срезает log-prob gap с 0.021 до 0.013. 2. Dense reward вместо бинарного: вместо "решил/не решил" — считают число пройденных assertion'ов на фиксированной шкале. Бинарная награда вообще не превышала SFT-baseline. Результат: с 49.4% до 64.0% на Terminal-Bench 2.1 — обходит GPT-5 (54.8%) и DeepSeek-V4-Flash (56.9%), почти догоняет Claude Opus 4.7 (66.1%). https://arxiv.org/abs/2609.11042

21 · 07:02

Фотография

PARSER: читаем параллельно, рассуждаем последовательно Проблема длинных документов для LLM — не размер окна, а порядок чтения. Существующие агенты (MemAgent и др.) читают документ чанк за чанком, сжимая память на ходу. Итог: позиционные баги, медленный инференс и потери на multi-hop reasoning. PARSER предлагает другой подход: разделить чтение и рассуждение. Главный агент никогда не видит сырой документ — он только формулирует запросы. Армия лёгких субагентов читают свои чанки параллельно и отвечают на запрос. Главный агент собирает ответы, формулирует следующий запрос — и так несколько раундов. Результат: на 896K токенов ускорение в 11x по сравнению с MemAgent, +12 п.п. точности на HotpotQA. Обучается только главный агент через RL, субагенты заморожены. https://arxiv.org/abs/2609.06702

1 · 21 · 07:02

Ссылка
нажмите — покажем

Nvidia выпустила BioNeMo Inference Runtime — инструмент для ускорения предсказания структур биомолекул на GPU. Что это такое: движок для запуска моделей вроде Boltz-2 на GPU с оптимизированными CUDA-ядрами и поддержкой PyTorch. Принимает белковые последовательности — выдаёт готовые PDB/mmCIF-файлы структур. Почему важно: на тесте из 1000 человеческих белков на 8×H100 BioIR показал в 2,9 раза больше свёрнутых остатков за GPU-час по сравнению с обычной реализацией. Энергопотребление на миллион мишеней — 11 МВт·ч против 35 МВт·ч у аналога. Уже в деле: BioIR использовался при расширении базы AlphaFold — было обработано ~31 млн белковых комплексов из 4777 протеомов. Для кого: исследователи в биоинформатике и фармацевтике, которым нужно обрабатывать тысячи структур за разумное время и бюджет. https://developer.nvidia.com/blog/high-throughput-structure-prediction-with-bionemo-inference-runtime/

1 · 23 · 09:02

Ссылка
нажмите — покажем

Nvidia Tech: ИИ-модель для управления цепочками поставок Nvidia совместно с Palantir создала систему управления цепочками поставок на базе собственной модели Nemotron 3.5 Lightning. Задача — ускорить путь от выхода чипа с завода до первого токена в дата-центре. Проблема была серьёзной: платформа Grace Blackwell NVL72 требует миллионы компонентов от тысяч поставщиков, и каждую неделю вручную пересчитывается, что и куда отправить. Оптимизатор cuOpt решал математическую часть, но живые планировщики стабильно его обходили — они учитывали письма, погоду, геополитику и данные от поставщиков, которые в модель не попадали. Решение: Nvidia дообучила Nemotron 3.5 Lightning (30B) на реальных решениях, обоснованиях и результатах планировщиков. Итог — 86,7% точности против 17,5% у базовой модели. Это на 31 п.п. лучше, чем у более крупного Nemotron 3 Ultra. Каждое принятое или отклонённое решение возвращается в систему и используется для следующего дообучения. Экспертиза накапливается, а не теряется при смене сотрудников. https://developer.nvidia.com/blog/from-wafer-out-to-first-token-codifying-supply-chain-expertise-with-nemotron-and-palantir-foundry/

22 · 09:02

Ссылка
нажмите — покажем

Amazon Science раскрыла, почему AI-агенты для ML-исследований не переобучаются. Классическая теория говорит: если многократно проверять модель на одних и тех же данных и улучшать её под них — она переобучится. Именно так работает вся ML-наука: годами гоняют одни бенчмарки. Но переобучения не происходит. Почему? Исследователи Amazon проверили это на LLM-агентах, которые автономно оптимизируют ML-пайплайны. Оказалось: успешные стратегии агентов крайне компактны. Если сжать стратегию до 16 токенов и передать её свежему агенту без памяти — он воспроизводит результат. Это значит, стратегия поймала реальную структуру данных, а не запомнила ответы. Вывод: короткое описание физически не может вместить memorization. Если оно работает — значит, нашло что-то настоящее. Бонус-инсайт: LLM так эффективны именно потому, что несут огромный контекст знаний и могут восстановить полный пайплайн из пары слов на «экспертном сленге». https://www.amazon.science/blog/why-dont-machine-learning-research-agents-overfit

2 · 24 · 09:02

13 сентября 2026

InhumanScience

Фотография

Робот помнит задачу не как видеозапись, а как план Проблема долгосрочной памяти в роботах: чем дольше робот работает, тем больше видеоконтекст, тем медленнее инференс. Авторы предлагают изящный выход — хранить память не как растущую последовательность кадров, а как компактный мультимодальный план. Система MaP-WAM разделяет задачу на два уровня: планировщик смотрит на всю историю и генерирует языковой план + визуальный прогноз для следующего сегмента. Исполнитель же работает только с текущим кадром и этим планом — его контекст не растёт со временем! Отдельная фишка: WAP-модель (Mixture-of-Transformers) предсказывает не только действия, но и прогресс выполнения плана. Это позволяет роботу самому понять, когда сегмент завершён и пора перепланировать. Результат: 83.3% на RMBench и 78% на реальном роботе, при этом латентность исполнителя остаётся постоянной независимо от длины задачи. https://arxiv.org/abs/2609.11561

1 · 24 · 07:02

Фотография

IMO Gold на открытых весах (by NVIDIA) В 2025 году Gemini и OpenAI взяли золото на IMO. NVIDIA решила повторить это открыто — и поделилась рецептом полностью. Система Nemotron-IMO-2026 работает только на естественном языке, без формальных пруверов и интернета. Три роли у модели: генерация доказательства, верификация и доработка. Всё на базе Nemotron-3-Ultra 550B. Ключевые ингредиенты: - SFT на 414k синтетических примеров (доказательства + верификация + рефайнмент), с контекстом до 426k токенов - RL на ~10k задач олимпийского уровня по схеме DeepSeekMath-V2 - Ансамблевый инференс: несколько моделей параллельно генерируют и верифицируют решения Главное: всё открыто — веса, данные, код, поданные решения и новый бенчмарк из 200 олимпийских задач (Nemotron-IMO-Bench). https://arxiv.org/abs/2609.10712

3 · 30 · 07:02

Фотография

Солвер говорит "всё ок", а формализация неправильная — и никто не заметил (by Amazon Web Services) Нейросимволические системы работают так: LLM переводит задачу в формальную логику, а SMT-солвер (Z3) проверяет решение. Звучит надёжно? Проблема в том, что солвер проверяет только то, что ему дали — а не то, правильно ли LLM перевёл задачу. Авторы формализуют это как VPU (Verdict-Preserving Unfaithfulness): кандидат синтаксически валиден, солвер возвращает тот же вердикт, но логически это уже другая задача. Например, заменить > на < — и всё, смысл изменился, а солвер не заметил. Доказано: любой скоринг, основанный только на вердикте солвера, даёт AUROC = 0.5 на таких парах. Решение — GenV+HN: дообучают 27B LLM через LoRA на Z3-метках (есть ли эквивалентность в обе стороны), чтобы модель сама оценивала верность формализации по исходной задаче и кандидату — без референса. Один forward pass, AUROC 0.961. https://arxiv.org/abs/2609.11085

3 · 28 · 07:03

Ссылка
нажмите — покажем

Apple ML представила DiscoSign — систему перевода текста в жестовый язык с учётом дискурса. Все существующие системы работают на уровне отдельных предложений и игнорируют, как жестовый язык функционирует в связной речи. DiscoSign решает три ключевые проблемы: отслеживает, где в пространстве "закреплены" упомянутые объекты, корректно обрабатывает вопросно-ответные конструкции и сохраняет единые соответствия между английскими словами и знаками ASL на протяжении всего текста. Для оценки качества команда разработала новые метрики — стандартные просто не умеют измерять связность на уровне дискурса. Почему важно: это первый системный подход к переводу на жестовый язык, который учитывает реальную лингвистику глухих. Для DHH-сообщества это шаг к по-настоящему понятным, а не буквальным переводам. Статья выйдет на EMNLP 2026. https://machinelearning.apple.com/research/discosign-gloss-translation

1 · 25 · 09:01

Ссылка
нажмите — покажем

Apple ML опубликовала статью SimpleDesign в журнале TMLR. Исследователи представили модель для совместного проектирования белковых последовательностей и трёхмерных структур. Главная идея: отказаться от громоздкого двухэтапного обучения, где сначала тренируют автоэнкодер, а потом генеративную модель в латентном пространстве. SimpleDesign обучается напрямую в пространстве данных — один этап, одна цель. Модель сочетает кросс-энтропию для последовательностей и регрессию для структур, а Transformer-бэкбон обрабатывает оба модальности через общий self-attention. Обучена на 2+ миллионах пар последовательность-структура и показывает конкурентные результаты на бенчмарках по ко-дизайну и генерации белков. Почему важно: упрощение пайплайна без потери качества — это прямой путь к более доступным инструментам для разработки лекарств и белковой инженерии. https://machinelearning.apple.com/research/simpledesign-protein-codesign

3 · 46 · 09:01

Ссылка
нажмите — покажем

PyTorch x Hugging Face: теперь писать и публиковать ML-ядра стало проще PyTorch и Hugging Face объявили об интеграции Helion с проектом HF Kernels. Helion — это высокоуровневый язык для написания производительных ML-ядер в стиле "PyTorch с тайлами". Вместо ручной настройки размеров блоков и стратегий доступа к памяти Helion сам перебирает варианты и находит оптимальный. Что важно для разработчиков: теперь можно упаковать Helion-ядро, заранее подобрать конфиги под конкретные размеры задач и опубликовать на Hugging Face Hub буквально в несколько команд. Пользователи загружают готовое ядро одной строкой — get_kernel("org/name") — без сборки зависимостей вручную. Почему это важно: раньше экосистема кастомных ядер была раздроблена — разные форматы, долгая сборка, проблемы совместимости. Теперь есть единый стандарт. Helion-ядра переносимы между CUDA, ROCm и XPU, а холодный старт сокращается за счёт предзаписанных конфигов. https://pytorch.org/blog/helion-x-%f0%9f%a4%97-hf-kernels-building-and-shipping-out-of-the-box-performant-kernels/

1 · 43 · 09:01