AI dziś: UltraQuant AMD i Liquid AI LFM2.5-VL

Dzisiejsze zestawienie obejmuje nowości z zakresu optymalizacji modeli językowych oraz usług chmurowych. Przedstawiamy wyniki wdrożeń narzędzi OpenAI w zarządzaniu flotą, aktualizację oferty GeForce NOW oraz techniczne usprawnienia w architekturach modeli wizyjno-językowych. Analizujemy technikę UltraQuant przyspieszającą procesy na procesorach AMD Instinct oraz nowy framework do zarządzania relacjami w modelach wielozadaniowych stosowany w systemach rekomendacyjnych.

Najważniejsze dziś (TL;DR)

• Proaction: Wykorzystanie modeli Codex, GPT-Live-1 i GPT-6 Astra zwiększyło sprzedaż o 60% w zarządzaniu flotą.
• GeForce NOW: Platforma udostępniła grę Control Resonant oraz zapowiedziała wsparcie dla laptopów z Gemini Intelligence.
• Liquid AI: Model LFM2.5-VL-DSpark wykorzystuje spekulatywne dekodowanie, zwiększając szybkość generowania tokenów nawet ponad trzykrotnie.
• UltraQuant: Metoda optymalizacji na procesorach AMD Instinct zwiększa liczbę tokenów na sekundę o 29% przy kompresji KV-cache do 4-bitów.
• Framework uczenia relacji: Nowa metoda aproksymacji rozkładu etykiet w systemach wielozadaniowych poprawiła dokładność rekomendacji w serwisie YouTube.

Proaction wdraża narzędzia OpenAI w zarządzaniu flotą

Firma Proaction poinformowała 25 września, że wykorzystuje Codex, GPT-Live-1 oraz GPT-6 Astra do budowy, obsługi i sprzedaży nowoczesnych systemów zarządzania flotą. Dzięki integracji tych rozwiązań przedsiębiorstwo zwiększyło sprzedaż o 60% oraz zaoszczędziło ponad 75 godzin pracy.

Dla budujących z AI: firmy oferujące specjalistyczne systemy operacyjne dla biznesu mogą sprawdzić, jak modele językowe wspierają automatyzację procesów sprzedażowych. Ogłoszenie nie precyzuje kosztów licencji tych rozwiązań ani tego, czy wymagają one dostosowania infrastruktury technicznej po stronie klienta – te dane należy zweryfikować przed wdrożeniem.

GeForce NOW wspiera grę Control Resonant

Platforma GeForce NOW poinformowała 24 września o udostępnieniu gry Control Resonant w chmurze. Produkcja studia Remedy Entertainment pozwala graczom wcielić się w postać Dylana Fadena, który wykorzystuje nadprzyrodzone zdolności do walki z zagrożeniami w alternatywnej wersji Manhattanu.

Użytkownicy subskrypcji Ultimate mogą uruchamiać tytuł z wydajnością klasy GeForce RTX 5080, wykorzystując technologie NVIDIA DLSS 4, ray tracing, NVIDIA Reflex oraz streaming w jakości kinowej do 5K z obsługą HDR. Rozwiązanie eliminuje konieczność przeprowadzania lokalnej instalacji gry, której rozmiar wynosi 100 GB. Do 27 września dostępny jest pakiet subskrypcyjny, w ramach którego zakup członkostwa na 12 miesięcy obejmuje grę Control Resonant bez dodatkowych kosztów.

Firma zapowiedziała również wprowadzenie wsparcia dla usługi na Googlebooks, nowej kategorii laptopów zaprojektowanych dla Gemini Intelligence. Urządzenia te wyposażone są w chip Titan C oraz zintegrowane zabezpieczenia systemowe. Integracja z GeForce NOW umożliwi streaming gier z wydajnością GeForce RTX na tym sprzęcie jeszcze w tym roku.

Ponadto do biblioteki GeForce NOW dołączyły inne tytuły, w tym DragonSword: Awakening, oferujący rozgrywkę w otwartym świecie utrzymanym w stylistyce anime. Gra ta wspiera urządzenia takie jak Steam Deck, przeglądarkę Firefox oraz Amazon Fire TV. Wśród pozostałych nowości znalazły się m.in. Dune: Awakening, Stick It to the Stickman oraz LEGO Batman: Legacy of the Dark Knight. Osoby korzystające z platformy po raz pierwszy mogą przetestować dostęp do chmury za pomocą przepustki jednodniowej, której koszt można odliczyć od opłaty za pierwszy miesiąc subskrypcji.

Dla budujacych z AI: architekt systemów przetwarzania w chmurze może przeanalizować mechanizmy streamingu wysokiej rozdzielczości z wykorzystaniem technologii DLSS 4 w celu optymalizacji obciążenia sieci przy zdalnym renderowaniu grafiki. W komunikacie nie podano specyfikacji technicznych dotyczących opóźnień transmisji w różnych warunkach sieciowych oraz dostępności infrastruktury chmurowej w konkretnych regionach geograficznych, co wymaga weryfikacji przed ewentualną implementacją własnych rozwiązań opartych na GeForce NOW.

Liquid AI przyspiesza modele wizyjno-językowe systemem LFM2.5-VL-DSpark

Firma Liquid AI udostępniła 24 września eksperymentalny model typu drafter, służący do optymalizacji inferencji dla modelu wizyjno-językowego LFM2.5-VL-3B. Rozwiązanie wykorzystuje technikę spekulatywnego dekodowania, która zwiększa szybkość generowania tokenów przy minimalnym wzroście zapotrzebowania na pamięć, bez wpływu na jakość wyników.

Dodatkowy komponent dodaje 280 milionów parametrów, co stanowi wzrost o 8,9% w stosunku do bazowego modelu 3B. W procesie wnioskowania wykorzystuje on architekturę z 4 warstwami uwagi oraz blokami o rozmiarze 8 lub 9, w zależności od użytego sprzętu.

Wyniki testów wskazują na znaczne przyspieszenie dekodowania w porównaniu do standardowego modelu. Na urządzeniach z układami Apple (np. M5 Max) szybkość dekodowania wzrosła od 2,30x do 3,13x w zależności od zadania, przy poprawie opóźnienia end-to-end o 1,56x do 2,62x. W przypadku jednostek H100 odnotowano przyspieszenie dekodowania w zakresie od 2,4x do 2,66x, przy poprawie end-to-end o 1,64x do 2,27x.

Autorzy zaznaczają, że spekulatywne dekodowanie przyspiesza wyłącznie etap dekodowania, a nie proces enkodowania obrazu czy fazę prefill. W sytuacjach, gdy te etapy dominują w całkowitym czasie odpowiedzi, zysk z zastosowania DSpark jest mniejszy. System posiada wsparcie dla llama.cpp, MLX-VLM oraz SGLang. Modele są dostępne na platformie Hugging Face w formatach Safetensors oraz GGUF.

Dla budujących z AI: programista wdrażający systemy wizyjne na urządzeniach brzegowych może zintegrować model z bibliotekami takimi jak SGLang przy użyciu wskazanych przez twórców parametrów uruchomieniowych. Z dokumentacji nie wynika, czy rozwiązanie wspiera wszystkie języki naturalne w równym stopniu ani jakie są ograniczenia licencyjne przy zastosowaniach komercyjnych – należy to zweryfikować przed wdrożeniem w środowisku produkcyjnym.

UltraQuant na procesorach AMD Instinct

Firma AMD opublikowała 25 września szczegóły techniki UltraQuant, która zwiększa przepustowość dekodowania i obniża opóźnienia w obsłudze agentowych modeli językowych na procesorach graficznych AMD Instinct. Rozwiązanie to dedykowane jest modelom działającym w środowiskach z długim kontekstem, takim jak Qwen3.8-2.4T z wagami MXFP4.

Technika UltraQuant kompresuje pamięć podręczną klucza-wartości (KV-cache) do 4-bitów, wykorzystując natywną obsługę formatu FP4 przez jednostki CDNA4 w układach MI355X. W przeciwieństwie do tradycyjnej kompresji, metoda ta nie wymaga rozpakowywania danych przed operacjami mnożenia macierzy, ponieważ skalowanie jest integrowane bezpośrednio w instrukcje MFMA. W testach przeprowadzonych z wykorzystaniem bibliotek vLLM (wersja 0.19.2rc0), AITER (0.1.16.post3) oraz FlyDSL (0.2.0) przy obciążeniu C=32, UltraQuant pozwolił uzyskać o 29% wyższą liczbę tokenów na sekundę i o 24% niższe opóźnienie w porównaniu do najszybszego backendu 8-bitowego.

W konfiguracjach o niskim obciążeniu wydajność jest zbliżona do standardowych metod 8-bitowych, jednak przewaga UltraQuant rośnie wraz ze wzrostem liczby jednoczesnych zapytań. Autorzy wskazują również na opcjonalne wykorzystanie głowicy Multi-Token Prediction (MTP), która przy umiarkowanym obciążeniu (do C=16) dodatkowo redukuje opóźnienia między tokenami o 12–22%, natomiast przy wysokim obciążeniu zaleca się jej wyłączanie. Badania na zbiorach GPQA-Diamond i SWE-bench Lite potwierdziły, że zastosowanie UltraQuant nie wpływa na mierzalną dokładność rozumowania modelu.

Dla budujących z AI: Zespoły inżynierskie obsługujące systemy agentowe z długimi sesjami konwersacyjnymi mogą przetestować tę metodę na infrastrukturze AMD Instinct. W materiale nie podano wymagań dotyczących specyficznych licencji oprogramowania ani informacji o dostępności UltraQuant w innych środowiskach sprzętowych poza architekturą CDNA4 – te aspekty wymagają weryfikacji przed wdrożeniem produkcyjnym.

Nowy framework uczenia relacji w modelach wielozadaniowych

Według publikacji z 25 września, zespół badawczy zaproponował metodę uczenia relacji między wieloma zadaniami w modelach wielozadaniowych. Rozwiązanie to opiera się na aproksymacji łącznego rozkładu etykiet poprzez celowane relacje parowe, co pozwala uniknąć złożoności modelowania pełnej przestrzeni łącznej. Autorzy przetestowali skuteczność metody w systemach rekomendacyjnych YouTube, wykorzystując ją w modułach powiadomień, strony głównej oraz funkcji "oglądaj dalej". Wyniki wskazują na wzrost dokładności oraz satysfakcji użytkowników. Framework umożliwia wykorzystanie uczenia transferowego i poprawia ekstrakcję informacji. W dokumentacji zawarto również szablon przepływu pracy mający ułatwić przyszłe wdrożenia w innych systemach wielozadaniowych.

Dla budujących z AI: Zespół utrzymujący systemy rekomendacyjne oparte na wielu zadaniach może sprawdzić, czy podejście oparte na relacjach parowych wpłynie na metryki skuteczności ich modeli. W publikacji nie określono wymagań sprzętowych niezbędnych do obsługi tego frameworka ani nie podano informacji dotyczących licencji na wykorzystanie zaproponowanego szablonu przepływu pracy.

Najczęściej zadawane pytania (FAQ)

O ile wzrosła wydajność dekodowania w modelu Liquid AI na układach Apple M5 Max?

W przypadku urządzeń z układami Apple, takimi jak M5 Max, szybkość dekodowania po zastosowaniu modelu LFM2.5-VL-DSpark wzrosła od 2,30x do 3,13x w zależności od wykonywanego zadania. Poprawa opóźnienia end-to-end wyniosła natomiast od 1,56x do 2,62x.

Jakie korzyści przynosi zastosowanie techniki UltraQuant na procesorach AMD Instinct?

Technika UltraQuant kompresuje pamięć podręczną KV-cache do 4-bitów, co pozwala uzyskać o 29% wyższą liczbę tokenów na sekundę oraz o 24% niższe opóźnienie w porównaniu do najszybszego backendu 8-bitowego. Metoda ta nie wymaga rozpakowywania danych przed operacjami mnożenia macierzy.

Źródła

• Proaction boosts sales 60% and saves 75+ hours with Codex — 2026-09-25
• Contain the Chaos: ‘CONTROL Resonant’ Launches on GeForce NOW — 2026-09-24
• Accelerating vision-language models with LFM2.5-VL-DSpark — 2026-09-24
• UltraQuant on AMD Instinct: More Efficient Agentic Serving for Qwen3.8-MXFP4 — 2026-09-25
• Learned Cross-Task Relationships in Multi-Task Models — 2026-09-25

--- Tekst przygotowany automatycznie przez laboratorium aipoc-lab (AI) na podstawie publicznie dostępnych źródeł wymienionych powyżej. Streszczenia własne, nie kopie. Wersja przed redakcją człowieka.