今日AI:NVIDIA 6G 与 AMD InferaSim
作者与批准
发布与更新
知识状态截至 2026-11-08。材料收集于 2026-11-07。 合集包含 NVIDIA 用于 5G 和 6G 网络的开源工具的发展、AMD 用于规划 LLM 服务部署的仿真器,以及欧盟委员会对 TikTok 的初步调查结果。其中还包括 ASR 评估中英语的新变体,以及在批处理组成变化时研究推理结果稳定性的 BlockLock 方法。
今日要点 (TL;DR)
- NVIDIA:面向 5G 和 6G 的开源工具下载量已突破百万。
- AMD:InferaSim 使用了 9.1 小时 GPU 时间来完成 11 个锚点测量,并对 226 种配置进行了预测。
- TikTok:欧盟委员会初步裁定“为你推荐”信息流违反了 DSA。
- Open ASR Leaderboard:已将埃及英语和尼日利亚英语的私有数据加入评估。
- BlockLock:在测试中,BlockLock-Rows 相比 vLLM Batch-Invariant 将吞吐量提高了 115.2–122.2%。
NVIDIA 发布用于 6G 网络研究的开源工具
NVIDIA 于周五宣布,其用于开发 5G 和 6G 网络的开源工具(包括 Aerial 和 Sionna)的使用量正在不断增长。该公司于一年前将 Aerial 作为开源软件发布;其工具包将仿真和 AI 训练与实际无线系统上的实验结合起来。据 NVIDIA 称,在过去的一年中,全球对 Aerial 和 Sionna 的使用量增长了 10 倍,5G/6G 开源工具的下载量已超过 100 万次,并有超过 8,000 家研究和学术机构正在使用这些平台。
应用示例
伦敦国王学院(King’s College London)的研究人员将配备摄像头的机械臂与 Jetson AGX Orin 计算机以及 Sionna 进行了结合。在水果打包和方块堆叠实验中,机器人传输的是物体的简洁描述,而不是常规图像。据 NVIDIA 称,与发送图像相比,这缩短了高达 52.6% 的任务执行时间,并提高了成功率。测试还包括了故意引入的故障。 软银(SoftBank)将神经接收机集成到 NVIDIA Aerial CUDA-Accelerated RAN (ACAR) 中,并使用商用 5G 智能手机进行了测试。在受控的干扰环境下,它在上行链路吞吐量方面在所有 15 个测试设置中均优于传统接收机;最大增幅约为 60%。苏黎世联邦理工学院(ETH Zurich)的研究人员则发现,在本地测量上微调接收机,使块错误率比选定的预训练版本降低了三分之一以上。 利兹大学(University of Leeds)的团队开发了一个系统,可提前 10 分钟预测网络需求,以控制基站进入睡眠模式。在使用便携式 5G 网络和数字孪生的测试中,与全功率运行相比,RAN 能耗下降了 45.6%,同时维持了设备的连接。另一方面,CTTC 将 GPU 加速的无线电信道模型与 5G-LENA 仿真器进行了结合。在初步评估中,根据集成情况,仿真时间从大约 3 小时缩短至 10–20 分钟。 Aerial 和 Sionna 工具可在 GitHub 上获取。 对于 AI 开发者:开发 RAN 网络的研发团队可以测试将 GPU 信道模型与 5G-LENA 进行集成,并在自身场景上对比仿真时间。该材料未提供完整工具包的硬件要求或许可证详情,使用前必须进行确认。
AMD 介绍用于规划 LLM 服务配置的 ROCm InferaSim
AMD 于 11 月 6 日介绍了 ROCm InferaSim 工具,旨在减少在 GPU 节点上测试 LLM 服务配置的高昂成本。该工具无需在硬件上测量每个变体,而是对所使用的一组内核进行测量,然后为使用它们的配置计算预测。 单个测量被称为锚点(anchor),它记录了 prefill 和 decode 操作的时间以及所运行配置的信息。根据描述,批处理大小、上下文长度、张量并行度(tensor parallelism)或副本数量等更改可以从现有测量中进行分析性迁移。更改数据类型、注意力后端(backend of attention)或集合、图形模式或投机解码则需要为新的内核集提供新的锚点。 单个 CPU 核心上的预测时间不到半秒。在 AMD 对 MI355X 的测试中,执行 11 个锚点测量耗费了 9.1 小时 GPU 时间,并覆盖了 226 种配置。单独测量这些配置则需要 204 小时 GPU 时间。作者估计,在他们的搜索中测量所有候选者将消耗大约 2.5 万小时的 GPU 时间;硬件主要用于锚点和最终短名单的确认,而中间计算则在 CPU 上进行。 InferaSim 可以估算配置与 HBM 内存的匹配度、给定请求流入模型的延迟以及满足 SLO 所需的副本数量。该工具还会生成帕累托前沿(front Pareto),展示 GPU 吞吐量与交互性之间的权衡。在仿真模式下,它不需要锚点,但仅对内核进行评估,用于在单个引擎内比较候选者。代码可在 GitHub 上获取,说明文档中描述了在配备 ROCm 的主机上的安装过程。 对于 AI 开发者:计划在 AMD GPU 上部署 LLM 服务的基础设施团队可以为所使用的内核集准备锚点,运行配置预测,并在 GPU 上确认所选变体。文章未提供该工具本身的价格或许可证条款,部署前需要进行核实。
欧盟委员会初步裁定 TikTok 的推荐算法违反 DSA
11 月 6 日,欧盟委员会初步裁定 TikTok 上的个性化“为你推荐”信息流违反了欧盟《数字服务法》(DSA)。 委员会指出了“兔子洞”效应:信息流向用户展示根据其兴趣挑选的一系列视频,与特定类型内容的互动会导致系统推荐更多类似材料。反复接触有关悲伤、孤立或身体形象的内容可能会损害心理健康,尤其是对未成年人和易受此类影响的成年人而言。 初步调查结果涵盖了风险评估以及降低风险的措施。委员会的程序目前正在进行中。 对于 AI 开发者:设计个性化内容信息流的团队可以检查其是否对反复推荐及其对心理健康的潜在影响进行了风险评估。委员会的公告并未描述具体的所需纠正措施或程序时间表。
Open ASR Leaderboard 引入埃及英语和尼日利亚英语
Open ASR Leaderboard 宣布与 Liva AI 合作,在语音识别评估中加入埃及英语和尼日利亚英语的私有数据。 此次更新旨在增加评估中不同口音的代表性,并限制针对公开测试微调模型的能力。该排行榜还将展示基于卡奇鲁三圈模型(Three Circles of Kachru)概念的更丰富的口音细分。作者宣布,随着更多口音的加入,他们将把外圈(Outer Circle)和扩展圈(Expanding Circle)区分开来。 这是测试集扩充的又一个阶段。此前,已加入了涵盖 5 种口音的 11 个子集(与 Appen 和 DataOceanAI 合作准备),随后又与 Voice Arena 合作加入了针对印度英语的私有子集。Liva AI 通过真实用户使用的消费级产品收集多模态数据;该公司将其描述为具有丰富上下文的自然互动,而不是在测试任务中引出的陈述。 对于 AI 开发者:评估 ASR 系统的团队可以单独查看该排行榜上埃及英语和尼日利亚英语的结果。该公告未给出新数据集的大小,也没有说明这些数据是否可在 leaderboard 评估之外获取——在规划自己的测试之前必须确定这些问题。
BlockLock 在批处理组成变化时稳定 LLM 推理结果
在 11 月 6 日发表的一篇论文中,作者介绍了 BlockLock,这是一种旨在确保受保护请求的输出结果在同一批次中其余请求发生变化时保持完全相同的方法(在特定的部署契约下)。 BlockLock 维护一个共享的、批处理的 prefill 阶段,并固定受保护请求所看到的计算几何结构。BlockLock-Rows 变体应用固定宽度的行,并保留所有请求的批处理解码。BlockLock-Pack 将数据打包并对齐到末尾,添加一个隔离的占位符段,然后提取受保护请求的 KV 状态,仅为其进行解码。 作者在五个密集模型上测试了这两种变体:Qwen3-8B、Qwen3-14B、Llama-3.1-8B-Instruct、Gemma-3-4B-IT 和 Gemma-3-12B-IT。实验涵盖了单个 NVIDIA A6000、A100 和 H100 显卡,tinyBenchmarks 和 BFCL 数据集,以及在两个 A6000 显卡上的张量并行度初步测试。在所述测试中,两种变体都保留了输出序列和 Top20 logits 比特。在执行任务数量相同的情况下,与 vLLM Batch-Invariant 相比,BlockLock-Rows 将延迟缩短了 53.5–55.0%,并将吞吐量提高了 115.2–122.2%。 对于 AI 开发者:维护推理服务器的团队可以在自己的批次上测试这两种变体,并确定所需的部署契约。该来源未提供代码可用性或许可证,也没有描述针对波兰语任务的测试。
常见问题解答 (FAQ)
AMD InferaSim 是如何减少 LLM 服务配置测试数量的?
AMD 将 InferaSim 描述为一个工具,它测量所使用的内核集,然后对使用这些内核集的配置进行预测。在测试中,11 个锚点耗费了 9.1 小时 GPU 时间并覆盖了 226 种配置,而单独测量它们则需要 204 小时 GPU 时间。
为什么欧盟委员会对 TikTok 的“为你推荐”信息流提出质疑?
委员会指出,与特定类型内容的互动可能会导致后续的类似推荐。反复接触关于悲伤、孤立或身体形象的材料可能会损害心理健康,尤其是对未成年人和易受影响的人而言。
BlockLock-Rows 相比 vLLM Batch-Invariant 取得了什么样的结果?
在所述测试中,两种变体都保留了输出序列和 Top20 logits 比特。在与 vLLM Batch-Invariant 执行相同数量任务的情况下,BlockLock-Rows 将延迟缩短了 53.5–55.0%,并将吞吐量提高了 115.2–122.2%。
来源
- 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
本文来源清单(JSON) — 基于哪些信号生成、各循环做出了哪些决策,以及人工何时批准。
相关文章
今日AI: Nemotron 与 PDD Kit
本文介绍了NVIDIA的开源Nemotron模型以及Microsoft Research用于验证AI代码的PDD Kit。
今日AI:OpenAI、Microsoft 与 AMD Instinct
了解 OpenAI、Microsoft 和 AMD 的最新动态,包括 robots.txt 更新、合成数据及医疗模型优化。
今日AI: Google Genie 4 与 Gemini 4 Argon
本文介绍了 Google Genie 4、Gemini 4 Argon、AMD ROCm 10.0.0、Liquid AI LFM3 以及 Anima 医疗自动化的最新进展。
今日AI:Kolibri 与 NVIDIA Kumo Relational
本文介绍了专为欧洲主权领域打造的开源混合专家模型 Kolibri 以及直接处理关系型数据库的 NVIDIA Kumo Relational。