传字节拟买100万块英伟达新卡,或被批准
相关推荐
英伟达推出RTX PRO 5500 Blackwell专业工作站显卡,搭载84GB GDDR7显存
英伟达官网正式发布RTX PRO 5500 Blackwell专业工作站显卡,专为机柜式工作站部署而设计。RTX PRO 5500采用Blackwell架构,拥有21760个CUDA核心并搭载84GB GDDR7显存。该显存支持错误校正码(ECC),带宽高达1398GB/s。此外,该卡支持PCIe Gen5,频宽为PCIe Gen4的两倍,提高CPU存储的数据传输速度。(新浪财经)
Cursor上线Projects:一个Agent当项目经理,下面管数千个Agent
动察 Beating AI 快讯,Cursor 上线 Projects,把一个 Agent 干活升级成了「Agent 管 Agent」。每个项目都有一个协调 Agent,它自己不写代码,只负责拆任务、制定计划,再把活分给数千个子 Agent 并行完成。 Project 会长期保存代码库、研究结果和用户偏好,几个月后也能接着干。任务默认跑在云端,电脑关掉也不会停;需要本机测试时,再自动拉起本地 Agent。它还能盯着 Slack 和 PR,自动修 CI,有新任务就自己开工,不用等人再发 prompt。 这其实是 Cursor 此前多 Agent 实验的正式产品化。今年 1 月,它已经展示过数百个 Agent 同时协作,甚至从零写出一个超过 100 万行代码的浏览器。现在 Projects 已进入 beta,正逐步向所有用户开放。
SOON 战略投资 Phala TEE GPU 集群,以支持 AI Agent 隐私可验证计算
Foresight News 消息,SVM L2 SOON Network 核心开发团队宣布成为 Phala Network TEE GPU 集群的主要资助方。SOON 生态中的 AI Agent 可使用该算力,在隐私可信环境中运行自定义模型。 SOON 表示,这将为量化智能体提供私密策略执行与可验证计算能力,同时 SOON Stack 支持在多条 L1 上为第三方启动专用 SVM 链。后续将公布算力分成机制及首批 AI 资本市场项目接入计划。
谷歌让Agent学会「做梦」:复盘过去试错,下一轮自己少走弯路
动察 Beating AI 快讯,谷歌研究团队发布 Dream-RSI,让 AI Agent 做完一轮任务后,把过去的成功和失败拿来「做梦」。系统会保存每次尝试和结果,再利用这些旧记录推演不同做法,比如先试哪条路、什么时候放弃、要不要同时多试几个方案。因为结果以前已经跑过,这些推演不用重新执行任务。 系统会从中选出表现更好的做法,直接用到下一轮。新一轮又会留下更多成功和失败,再拿来「做梦」、继续改策略。这样一轮接一轮,就是论文所谓的「递归自我改进」。目前底层模型本身不会变化,真正被改进的是 Agent「下一步怎么做」的方法。 论文在算法、数学优化和 GPU kernel 等 8 个任务上测试了这套方法。以 Gemini 3.1 Pro 的一个算法任务为例,相比固定做法,Agent 调用从 550 次降到 317 次,同时最终找到的程序运行得更快。
Pear Protocol:Agent Pear 金库拟于 9 月 16 日开放,首期上限 100 万美元
Foresight News 消息,多空交易协议 Pear Protocol 发推表示,其将本周推出 Agent Pear 金库。用户存入后由代理按已公开信号自动开平配对交易,首期规模上限 100 万美元,存款计划于 9 月 16 日开放。金库为 HyperEVM 上经审计的 ERC-4626 合约,交易由受限代理钱包执行,该钱包无法提现或转出资金。首期 100 万美元免除进出费,盈利部分收 20% 业绩费,且仅对超过历史最高净值的新增利润收取。
144M参数就能做Agent决策,Julia-1连安卓平板都能跑
动察 Beating AI 快讯,AI 实验室 Supersonic Labs 发布一款只有 1.443 亿参数的轻量决策模型 Julia-1。它不生成长文本,而是接收上下文、问题和 2 到 20 个候选答案,直接完成分类、打分和是非判断,可以给 Agent 选工具、做路由或决定下一步动作。 Julia-1 基于多语言编码模型 mmBERT-small 开发,模型权重约 550MB,主打低硬件门槛。官方已经在 Apple M4、Intel i5-1235U 和三星 Android 平板上完成测试。M4 单次决策中位延迟约 33ms;三星平板只用 CPU 运行时约 203ms,进程峰值内存约 393MB。 在官方公布的 4 组 Jev 对比测试中,Julia-1 赢了 3 组。Typed Decisions 为 73.15%,Jev 参考成绩为 72.70%;AG News 为 94% 对 91%;情绪分类为 86% 对 48%。但在包含 72 个类别的 Banking77 上,Julia-1 只有 64%,明显低于 Jev 的 87%。官方称,候选类别太多且彼此相似时,目前的分组筛选可能提前丢掉正确答案。 Julia-1 的云端 GPU 训练和实验总成本只有约 104 美元。模型权重、运行代码、完整评测和来源记录均已开放,采用 Apache 2.0 许可。官方还在开发 API,计划按每百万输入 token 0.025 美元收费;由于模型只做判断、不生成长文本,输出 token 不收费。