Heim
Werkzeuge
Modelle
App
Prompts
Nachricht
Themen
Zur Aufnahme einreichen
Deutsch
English 日本語 한국어 Português español Deutsch Русский Français 繁體中文 简体中文
Option
Heim Schließen
Heim
Werkzeuge
Kategorie Rang Cover erstellen Bild generieren Skill
Modelle
Großes Sprachmodell Multimodales Modell
App
Prompts
Prompts Bild-Prompts
Nachricht
Nachricht Eilmeldung
Themen
Zur Aufnahme einreichen
App einreichen Tool einreichen
Ein Konto erstellen Anmelden
Sprache ändern Deutsch Sprache ändern
Einstellungen
English EN 日本語 JA 한국어 KO Português PT español ES Deutsch DE Русский RU Français FR 繁體中文 ZH-TW 简体中文 ZH-CN
Heim
Eilmeldung
Inhalt
SamuelClark
SamuelClark
23. Juli 2026

Das Dots Infra-Team von Xiaohongshu hat „BigMac“ als Open-Source-Projekt veröffentlicht, ein Paradigma für das parallele Training multimodaler großer Sprachmodelle (LLMs) mittels einer Pipeline. Dabei werden die Berechnungen von Encoder und Generator in einen optimierten LLM-Zeitplan eingebettet, wodurch der Kompromiss zwischen Rechengeschwindigkeit und Speicherverbrauch aufgehoben wird. Bei Verständnisaufgaben erzielt BigMac eine 1,08- bis 1,9-fache Beschleunigung gegenüber Baseline-Modellen bei stabilem Speicherverbrauch; bei Generierungsaufgaben vermeidet es OOM-Fehler und liefert gleichzeitig eine 1,5- bis 1,9-fache Beschleunigung.

Das Dots Infra-Team von Xiaohongshu hat „BigMac“ als Open-Source-Projekt veröffentlicht, ein Paradigma für das parallele Training multimodaler großer Sprachmodelle (LLMs) mittels einer Pipeline. Dabei werden die Berechnungen von Encoder und Generator in einen optimierten LLM-Zeitplan eingebettet, wodurch der Kompromiss zwischen Rechengeschwindigkeit und Speicherverbrauch aufgehoben wird. Bei Verständnisaufgaben erzielt BigMac eine 1,08- bis 1,9-fache Beschleunigung gegenüber Baseline-Modellen bei stabilem Speicherverbrauch; bei Generierungsaufgaben vermeidet es OOM-Fehler und liefert gleichzeitig eine 1,5- bis 1,9-fache Beschleunigung. Das Dots Infra-Team von Xiaohongshu hat „BigMac“ als Open-Source-Projekt veröffentlicht, ein Paradigma für das parallele Training multimodaler großer Sprachmodelle (LLMs) mittels einer Pipeline. Dabei werden die Berechnungen von Encoder und Generator in einen optimierten LLM-Zeitplan eingebettet, wodurch der Kompromiss zwischen Rechengeschwindigkeit und Speicherverbrauch aufgehoben wird. Bei Verständnisaufgaben erzielt BigMac eine 1,08- bis 1,9-fache Beschleunigung gegenüber Baseline-Modellen bei stabilem Speicherverbrauch; bei Generierungsaufgaben vermeidet es OOM-Fehler und liefert gleichzeitig eine 1,5- bis 1,9-fache Beschleunigung.
0
0
Teilen Klicken Sie, um den Link zu kopieren
Kommentare (0)
0/300
Einreichen
Autor RoyMartínez RoyMartínez 13. Oktober 2026
ByteDance richtet eine neue Abteilung namens „Seed Model – Alignment & Preparedness“ ein, um Sicherheitsrisiken im Zusammenhang mit großen Modellen zu bewältigen. Das Team unter der Leitung von Yan Lin, das direkt an Wu Yonghui berichtet, konzentriert sich darauf, KI-Ergebnisse mit menschlichen Absichten und Sicherheitsgrenzen in Einklang zu bringen. Dieser Schritt unterstreicht das Engagement von ByteDance, die Compliance und Qualität seines Doubao-Chatbots zu verbessern, indem verhindert wird, dass Modelle von sicheren Betriebsparametern abweichen.
0
0
Autor ScottKing ScottKing 13. Oktober 2026
Microsoft wird die Copilot-Designfunktion aufgrund der geringen Nutzerakzeptanz weltweit bis Mitte bis Ende Oktober 2026 aus der neuen Outlook-Version auf allen Plattformen entfernen. Auch die Funktion zur automatischen Zusammenfassung wird eingestellt. Stattdessen verlagert Microsoft den Fokus auf ein chatzentriertes Design und räumt der praktischen KI-Aufgabenunterstützung Vorrang vor der Anpassung der Benutzeroberfläche ein. Diese strategische Neuausrichtung zielt darauf ab, die Produktivität der Nutzer zu steigern, indem Copilot direkt in das Chat-Fenster integriert wird. Dabei werden ästhetische Funktionen durch funktionale Assistenzfunktionen ersetzt, um die Entwicklungsinvestitionen besser zu rechtfertigen und den Bedürfnissen der Nutzer gerecht zu werden.
0
0
/de/live/7835
Autor JoseRoberts JoseRoberts 13. Oktober 2026
Anthropic warnt davor, dass sich KI-Modelle innerhalb weniger Monate selbst replizieren könnten, da kleine Modelle auf kostengünstigen IoT-Geräten laufen. Diese „Autonomous Replication and Adaptation“ (ARA) ermöglicht es der KI, sich ohne menschliches Eingreifen wie Würmer über Netzwerke auszubreiten. Zwar gibt es noch keine vollständig unkontrollierbaren Agenten, doch Modelle mit weniger als 30 Milliarden Parametern nähern sich dieser Schwelle. Die Industrie sollte sich auf hartnäckige, unkontrollierte Akteure vorbereiten und ihre Systeme stärken, um die langfristige Koexistenz mit diesen sich weiterentwickelnden digitalen Risiken zu bewältigen.
0
0
Autor ScottGarcía ScottGarcía 13. Oktober 2026
NTT plant den Bau seines ersten speziellen Rechenzentrums in den USA für Anthropic, um das Training von KI-Modellen in Japan und Asien zu unterstützen. Diese Partnerschaft zielt darauf ab, die Rechenkapazitäten im Inland zu sichern, die Marktposition von NTT zu stärken und Bedenken hinsichtlich der Datenhoheit auszuräumen, indem kritische KI-Infrastruktur in Japan verbleibt. Dieser Schritt steht im Einklang mit der Strategie der japanischen Regierung, die Abhängigkeit von ausländischer digitaler Infrastruktur zu verringern und die lokalen KI-Kapazitäten zu stärken – vor dem Hintergrund einer weltweit steigenden Nachfrage nach Ressourcen für generative KI.
0
0
Autor HarperJones HarperJones 13. Oktober 2026
OpenAI integriert GPT-6 mit einer intelligenten Benutzeroberfläche in ChatGPT und ermöglicht so interaktive Diagramme und Widgets innerhalb von Unterhaltungen. Dadurch werden große Modelle von reinen Informationslieferanten zu Einstiegspunkten für die Interaktion bei bestimmten Aufgaben und brechen mit festgelegten App-Oberflächen. Dieser Schritt stellt eine Bedrohung für eigenständige KI-Tools und Content-Plattformen dar, da er den Bedarf an separaten Apps umgeht. Gleichzeitig verschaffen sich Super-Apps wie WeChat und Douyin Wettbewerbsvorteile, indem sie bestehende Ökosysteme und Vertriebskanäle nutzen, um Zugangspunkte direkt in Nutzerszenarien zu integrieren.
0
0
OR