SignalStack
খবরে ফিরে যান

NVIDIA দেখিয়েছে DGX Spark-এ MoE ইনফারেন্স দ্রুত করার ৩টি পদ্ধতি, Ling-3.0-flash থ্রুপুট ৪২.৫% বৃদ্ধি করেছে

মূল প্রতিবেদন পড়ুন

এআই সারাংশ

NVIDIA-এর অপ্টিমাইজেশনগুলি সাশ্রয়ী ডেস্কটপ হার্ডওয়্যারে MoE ইনফারেন্সের গতি বাড়িয়ে দেয়, যা ডেভেলপারদের বড় ভাষা মডেলগুলোকে দ্রুত চালাতে সক্ষম করে, সঠিকতা ত্যাগ না করে।

এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।

উৎসের অংশবিশেষ

এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।

NVIDIA’s latest technical blog shows how to speed up mixture-of-experts (MoE) inference on one DGX Spark. The test model is Ant Group inclusionAI’s Ling-3.0-flash, a 124B-parameter MoE with 5.1B active parameters. NVIDIA stacked three optimizations: a new MoE kernel backend, an FP8 output layer and built-in speculative decoding. On all 1,319 GSM8K questions, decode throughput rose 42.5% with no statistically detectable accuracy change. So why is it relevant for Devs? DGX Spark is a desktop system, not a data center node. NVIDIA’s results show a 124B MoE serving single-user requests faster on that desk-side box. The technical post also shows where MoE decode time goes, and how to cut it. TL;DR Size: Ling-3.0-flash-fp4: 124B total, 5.1B active per token; 256K native context. Runs on: One NVIDIA DGX Spark (GB10, 128 GB unified memory, 273 GB/s), batch size one. Performance: Three stacked optimizations lift GSM8K decode throughput from 37.81 to 53.89 tokens/s. Best: +42.5% throughput and -24.5% mean latency, with accuracy flat (96.89% vs 96.82%). Lagging: Synthetic gains (+185.1%) shrink on GSM8K as MTP acceptance drops from 3.90 to 2.68. Why is MoE decoding on DGX Spark memory-bound? DGX Spark is NVIDIA’s desktop system built on the GB10 Grace Blackwell Superchip. It offers 128 GB of unified memory and 273 GB/s of memory bandwidth. Peak compute is up to 1 petaFLOP of sparse FP4. NVIDIA rates it for inference on models up to 200B parameters. In the NVIDIA technical post, the NVIDIA team profiled Ling-3.0-flash-fp4 at batch size 1. Decoding was memory-bound: reading model weights drove execution time. Two operations stood out, the MoE computation and the LM head that scores the vocabulary. That points to two levers: move fewer bytes per decode step, and generate more tokens per verification round. The baseline followed the official W4A8 recipe. It used FlashInfer MXFP4 MoE kernels, CUTLASS dense GEMM and an FP32 LM-head path. On a synthetic 32K-input, 2K-outpu

অগ্রাধিকার সম্পর্কে

উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।

এই বিষয়ের আরও খবর

MarkTechPost

Anthropic প্রকাশ করেছে FlashProve: ক্রিপ্টোগ্রাফিক প্রমাণ যে একটি উত্তর নির্ধারিত মডেল ওজন থেকে এসেছে

FlashProve AI API-গুলোর গুরুত্বপূর্ণ বিশ্বাসের ফাঁকটি সমাধান করে, ক্রিপ্টোগ্রাফিকভাবে প্রমাণ করে যে উত্তরগুলো নির্দিষ্ট, কমিটেড মডেল ওজন থেকে উৎপন্ন হয়েছে, মডেলগুলোকে প্রকাশ না করে।

উচ্চ অগ্রাধিকার 12/12
MarkTechPost

Soniox STT v6 এজেন্টের টেক্সট ইনপুট এবং ভয়েস এজেন্টের জন্য ইকো ফিল্টারিং যুক্ত করেছে

Soniox STT v6 এজেন্টের নিজস্ব কণ্ঠ ফিল্টার করে এবং সংক্ষিপ্ত কলার উত্তর সনাক্ত করে ভয়েস এজেন্টের পারফরম্যান্স উন্নত করে, ৬০টির বেশি ভাষায় নির্ভুলতা বাড়ায়।

উচ্চ অগ্রাধিকার 10/12
MIT AI News

গবেষণা অবকাঠামোর মধ্যে সংযোগ স্থাপন

জটিল ভাগ করা গবেষণা সুবিধাগুলোর সমন্বয় করা একটি বড় বাধা হয়ে দাঁড়িয়েছে, যা ব্যবহারকারীদের সঠিক আন্তঃবিষয়ক ক্ষমতার সাথে দক্ষভাবে সংযুক্ত করতে একীভূত ব্যবস্থাকে অপরিহার্য করে তুলছে।

মাঝারি অগ্রাধিকার 8/12