近日,由人民银行主管的期刊《金融电子化》刊登了一篇题为《人工智能GPU算力资源池化应用研究》的文章,由华夏银行首席信息官吴永飞、华夏银行信息科技部的王彦博、陈志豪和徐小芳合力撰写。文章聚焦于探索并研究人工智能 GPU 算力资源池化的创新方案,并提出如何统一管理各种GPU异构算力,充分有效地利用好GPU资源,是AI应用亟需解决的问题。
据了解,该方案主要目标在于验证异构算力资源池化软件是否能够在全栈信创硬件及操作系统上正常工作,从而实现资源的统一池化管理,并将不同类型的硬件加速卡通过GPU池化软件进行算力抽象化,为上层应用提供统一的AI加速算力资源。
方案中充分利用了涵盖信创服务器+异构算力芯片,其中就包括海光异构加速卡。在资源池化管理中,海光异构加速卡表现出了卓越的性能和适应性。通过GPU池化软件,海光异构加速卡成功实现了资源按需分配、远程调用、资源切分等功能,为方案的成功验证做出了重要贡献。
作为光合组织生态成员之一,海光产品在此次研究中获得华夏银行的高度认可,有效推动了异构算力资源实现高效管理和应用,实现全栈信创AI产品能力建设,为金融应用场景安全可控改造带来了新的契机。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。