AI dziś: NVIDIA 6G i AMD InferaSim
Autorstwo i zatwierdzenie
Publikacja i aktualizacja
Stan wiedzy i źródła
Zestaw obejmuje rozwój otwartych narzędzi NVIDIA dla sieci 5G i 6G, symulator AMD do planowania serwowania LLM oraz wstępne ustalenia Komisji Europejskiej dotyczące TikToka. Są w nim także nowe odmiany angielskiego w ewaluacji ASR i metoda BlockLock, badana pod kątem stabilności wyników wnioskowania przy zmiennym składzie wsadu.
Najważniejsze dziś (TL;DR)
- NVIDIA: Otwarte narzędzia do 5G i 6G przekroczyły milion pobrań.
- AMD: InferaSim wykorzystał 9,1 godziny GPU na 11 pomiarów kotwiczących i objął prognozami 226 konfiguracji.
- TikTok: Komisja Europejska wstępnie uznała, że kanał „Dla Ciebie” narusza DSA.
- Open ASR Leaderboard: Do oceny dodano prywatne dane dla egipskiej i nigeryjskiej odmiany angielskiego.
- BlockLock: W testach BlockLock-Rows zwiększył przepustowość o 115,2–122,2% względem vLLM Batch-Invariant.
NVIDIA udostępnia narzędzia open source do badań nad sieciami 6G
NVIDIA poinformowała w piątek o rosnącym wykorzystaniu swoich otwartych narzędzi do rozwoju sieci 5G i 6G, w tym Aerial i Sionna. Firma udostępniła Aerial jako open source rok temu; jej zestaw narzędzi łączy symulacje i trening AI z eksperymentami na rzeczywistych systemach bezprzewodowych. Według NVIDIA w ciągu ostatniego roku globalne wykorzystanie Aerial i Sionna wzrosło 10-krotnie, narzędzia open source do 5G/6G przekroczyły milion pobrań, a platform korzysta ponad 8 tys. instytucji badawczych i akademickich.
Przykłady zastosowań
Badacze z King’s College London połączyli ramię robota z kamerą z komputerem Jetson AGX Orin i Sionna. W eksperymentach z pakowaniem owoców i układaniem kostek robot przesyłał zwięzłe opisy obiektów zamiast regularnych obrazów. Według NVIDIA skróciło to czas wykonania zadania nawet o 52,6% i poprawiło skuteczność w porównaniu z wysyłaniem obrazów. Testy obejmowały też celowo wprowadzone usterki.
SoftBank zintegrował odbiornik neuronowy z NVIDIA Aerial CUDA-Accelerated RAN (ACAR) i testował go z komercyjnym smartfonem 5G. W kontrolowanych warunkach z zakłóceniami osiągnął on większą przepustowość łącza uplink niż odbiornik konwencjonalny we wszystkich 15 badanych ustawieniach; maksymalny wzrost wyniósł około 60%. Z kolei badacze ETH Zurich stwierdzili, że dostrajanie odbiorników na lokalnych pomiarach zmniejszyło współczynnik błędów bloków o ponad jedną trzecią względem wybranych wersji wstępnie wytrenowanych.
Zespół Uniwersytetu w Leeds opracował system prognozujący zapotrzebowanie sieci 10 minut naprzód, by sterować przechodzeniem stacji bazowych w tryb uśpienia. W testach z przenośną siecią 5G i cyfrowym bliźniakiem odnotowano spadek zużycia energii RAN o 45,6% względem pracy z pełną mocą, przy utrzymaniu łączności urządzeń. Natomiast CTTC połączyło modele kanału radiowego przyspieszane przez GPU z symulatorem 5G-LENA. We wstępnej ocenie czas symulacji spadł z około trzech godzin do 10–20 minut, zależnie od integracji.
Narzędzia Aerial i Sionna są dostępne na GitHubie.
Dla budujących z AI: Zespół badawczy rozwijający sieci RAN może sprawdzić integrację modeli kanału GPU z 5G-LENA i porównać czas symulacji na własnych scenariuszach. Materiał nie podaje wymagań sprzętowych dla pełnego zestawu ani szczegółów licencji, które trzeba ustalić przed użyciem.
AMD opisuje ROCm InferaSim do planowania konfiguracji serwowania LLM
AMD opisało 6 listopada narzędzie ROCm InferaSim, które ma ograniczyć liczbę kosztownych testów konfiguracji serwowania modeli LLM na węzłach GPU. Zamiast mierzyć każdy wariant na sprzęcie, narzędzie wykonuje pomiary dla zestawów używanych kerneli, a następnie oblicza prognozy dla konfiguracji, które z nich korzystają.
Pojedynczy pomiar, nazywany kotwicą (anchor), zapisuje czasy operacji prefill i decode oraz informacje o uruchomionej konfiguracji. Zmiany takie jak rozmiar batcha, długość kontekstu, szerokość tensor parallelism czy liczba replik można według opisu przenosić analitycznie z istniejącego pomiaru. Zmiana typu danych, backendu uwagi lub kolektywów, trybu grafów albo dekodowania spekulatywnego wymaga kotwicy dla nowego zestawu kerneli.
Prognoza zajmuje mniej niż pół sekundy na jednym rdzeniu CPU. W testach AMD na MI355X wykonanie 11 pomiarów kotwiczących zajęło 9,1 godziny GPU i objęło 226 konfiguracji. Zmierzenie tych konfiguracji osobno wymagało 204 godzin GPU. Autorzy szacują, że pomiar wszystkich kandydatów w ich przeszukiwaniu pochłonąłby około 25 tys. godzin GPU; sprzęt ma być potrzebny do kotwic i końcowego potwierdzenia krótkiej listy, a pośrednie obliczenia odbywają się na CPU.
InferaSim może szacować m.in. dopasowanie konfiguracji do pamięci HBM, opóźnienia dla zadanego modelu napływu żądań oraz liczbę replik potrzebnych do spełnienia SLO. Narzędzie tworzy też front Pareto, pokazujący kompromis między przepustowością na GPU a interaktywnością. W trybie symulacji nie wymaga kotwicy, ale wycenia jedynie kernele i służy do porównywania kandydatów w obrębie jednego silnika. Kod jest dostępny na GitHubie, a instrukcja opisuje instalację na hoście z ROCm.
Dla budujących z AI: zespół infrastruktury planujący serwowanie LLM na GPU AMD może przygotować kotwice dla używanych zestawów kerneli, uruchomić projekcję konfiguracji i potwierdzić wybrane warianty na GPU. Artykuł nie podaje ceny samego narzędzia ani warunków licencji — trzeba je sprawdzić przed wdrożeniem.
Komisja Europejska wstępnie uznaje rekomendacje TikToka za naruszenie DSA
6 listopada Komisja Europejska wstępnie uznała, że spersonalizowany kanał „Dla Ciebie” na TikToku narusza unijny akt o usługach cyfrowych (DSA).
Komisja wskazuje na efekt „króliczej nory”: kanał wyświetla użytkownikom ciąg filmów dobranych do ich zainteresowań, a interakcje z określonym rodzajem treści prowadzą do rekomendowania podobnych materiałów. Powtarzająca się ekspozycja na treści dotyczące smutku, izolacji czy obrazu ciała może szkodzić zdrowiu psychicznemu, szczególnie w przypadku osób małoletnich i dorosłych podatnych na takie wpływy.
Wstępne ustalenia dotyczą zarówno oceny ryzyka, jak i działań ograniczających zagrożenia. Postępowanie Komisji jest w toku.
Dla budujących AI: zespół projektujący spersonalizowany kanał treści może sprawdzić, czy ocenia ryzyko powtarzanych rekomendacji i ich wpływu na zdrowie psychiczne. Komunikat Komisji nie opisuje konkretnych wymaganych działań naprawczych ani harmonogramu postępowania.
Open ASR Leaderboard dodaje egipski i nigeryjski angielski
Open ASR Leaderboard ogłosił dodanie prywatnych danych do oceny rozpoznawania mowy w egipskiej i nigeryjskiej odmianie angielskiego, we współpracy z Liva AI.
Aktualizacja ma zwiększyć reprezentację różnych akcentów w ewaluacjach i ograniczać możliwość dostrajania modeli pod publiczne testy. Tablica wyników ma też prezentować bogatszy podział akcentów oparty na koncepcji Trzech Kręgów Kachru. Autorzy zapowiadają, że wraz z dodawaniem kolejnych akcentów rozdzielą Krąg Zewnętrzny i Rozszerzający.
To kolejny etap rozbudowy zestawów testowych. Wcześniej dodano 11 podzbiorów obejmujących pięć akcentów, przygotowanych z Appen i DataOceanAI, a następnie prywatny podzbiór dla indyjskiego angielskiego we współpracy z Voice Arena. Liva AI zbiera dane multimodalne za pośrednictwem produktów konsumenckich używanych przez prawdziwych ludzi; firma opisuje je jako naturalne interakcje o bogatym kontekście, a nie wypowiedzi elic ytowane w zadaniach testowych.
Dla budujących z AI: zespoły oceniające systemy ASR mogą sprawdzić wyniki tablicy osobno dla egipskiego i nigeryjskiego angielskiego. Ogłoszenie nie podaje rozmiaru nowych zbiorów ani tego, czy dane są dostępne poza ewaluacją na leaderboardzie — te kwestie trzeba ustalić przed planowaniem własnych testów.
BlockLock stabilizuje wyniki wnioskowania LLM przy zmiennym składzie wsadu
W pracy opublikowanej 6 listopada autorzy przedstawili BlockLock, metodę, która ma zachowywać identyczny wynik chronionego żądania mimo zmian pozostałych żądań w tym samym wsadzie, przy określonym kontrakcie wdrożeniowym.
BlockLock utrzymuje wspólną, wsadową fazę prefill i ustala geometrię obliczeń widzianą przez chronione żądanie. Wariant BlockLock-Rows stosuje wiersze o stałej szerokości i zachowuje wsadowe dekodowanie wszystkich żądań. BlockLock-Pack pakuje dane z wyrównaniem do końca, dodaje odizolowany segment zastępczy, a następnie wyodrębnia stan KV chronionego żądania do dekodowania tylko dla niego.
Autorzy testowali oba warianty na pięciu modelach gęstych: Qwen3-8B, Qwen3-14B, Llama-3.1-8B-Instruct, Gemma-3-4B-IT i Gemma-3-12B-IT. Eksperymenty objęły pojedyncze karty NVIDIA A6000, A100 i H100, zestawy tinyBenchmarks i BFCL oraz wstępne testy tensor parallelism na dwóch kartach A6000. W opisanych testach oba warianty zachowały sekwencje wynikowe i bity logitów Top20. Przy tej samej liczbie wykonanych zadań BlockLock-Rows skrócił opóźnienie o 53,5–55,0% i zwiększył przepustowość o 115,2–122,2% względem vLLM Batch-Invariant.
Dla budujących z AI: zespół utrzymujący serwer wnioskowania może sprawdzić oba warianty na własnych wsadach i ustalić wymagany kontrakt wdrożeniowy. Źródło nie podaje dostępności kodu ani licencji i nie opisuje testów dla polskich zadań.
Najczęściej zadawane pytania (FAQ)
Jak AMD InferaSim ogranicza liczbę testów konfiguracji serwowania LLM?
AMD opisuje InferaSim jako narzędzie, które mierzy zestawy używanych kerneli, a następnie prognozuje konfiguracje korzystające z tych zestawów. W teście 11 kotwic zajęło 9,1 godziny GPU i objęło 226 konfiguracji, zamiast 204 godzin GPU na ich osobny pomiar.
Dlaczego Komisja Europejska zakwestionowała kanał „Dla Ciebie” na TikToku?
Komisja wskazuje, że interakcje z określonym rodzajem treści mogą prowadzić do kolejnych podobnych rekomendacji. Powtarzana ekspozycja na materiały o smutku, izolacji czy obrazie ciała może szkodzić zdrowiu psychicznemu, szczególnie małoletnim i osobom podatnym.
Jakie wyniki BlockLock-Rows osiągnął względem vLLM Batch-Invariant?
W opisanych testach oba warianty zachowały sekwencje wynikowe i bity logitów Top20. BlockLock-Rows, przy tej samej liczbie wykonanych zadań co vLLM Batch-Invariant, skrócił opóźnienie o 53,5–55,0% i zwiększył przepustowość o 115,2–122,2%.
Źródła
- How NVIDIA Open Source Tools Are Helping Researchers Build Next-Generation 6G Networks — 2026-11-06
- ROCm InferaSim: Cut LLM Serving Trial Costs and Deploy the Best Configuration — 2026-11-06
- Commission preliminarily finds TikTok’s ‘For You’ feed in breach of Digital Services Act for harmful ‘rabbit holes’ effect — 2026-11-06
- Egyptian and Nigerian English join the Open ASR Leaderboard — 2026-11-06
- BlockLock: Reproducible LLM Inference with Fixed Batch Geometry — 2026-11-06
--- Tekst przygotowany automatycznie przez laboratorium aipoc-lab (AI) na podstawie publicznie dostępnych źródeł wymienionych powyżej. Streszczenia własne, nie kopie. Wersja przed redakcją człowieka.
Manifest pochodzenia tego wpisu (JSON) — z jakich sygnałów powstał, jakie decyzje podjęły kolejne pętle i kiedy zatwierdził go człowiek.
Powiązane wpisy
AI dziś: Nemotron i PDD Kit
Chris Alexiuk promuje modele NVIDIA Nemotron, a Microsoft Research opisuje PDD Kit przetestowany na aplikacji w Ruście liczącej około 5000 linii.
AI dziś: OpenAI, Microsoft i AMD Instinct
OpenAI wspiera standard robots.txt, Microsoft generuje dane syntetyczne dla Copilota, a biblioteka MONAI działa już na kartach graficznych AMD Instinct.
AI dziś: Google Genie 4 i Gemini 4 Argon
Poznaj możliwości Google Genie 4, wydajność Gemini 4 Argon, wsparcie Ray w ROCm 10.0.0, modele LFM3 od Liquid AI oraz automatyzację Anima w medycynie.
AI dziś: Kolibri i NVIDIA Kumo Relational
Debiutuje model Kolibri z 78,1 mld parametrów oraz NVIDIA Kumo Relational, narzędzie do predykcji na bazach danych o skali 500 mld wierszy.