2026. augusztus 19., szerda · Eszközök

NVIDIA: több GPU-s UMAP-számítás 870 GB-os adathalmazon 8 perc alatt

Az NVIDIA saját technikai blogja szerint a cuML és cuVS könyvtárak 25.06-os verziója már több GPU-n is támogatja az UMAP dimenziócsökkentő algoritmus legköltségesebb lépését, az összes szomszédot kereső kNN-gráf felépítését. A vállalat állítása szerint a módszer az adathalmazt kiegyensúlyozott klaszterekre osztja, ezekhez külön-külön számol lokális kNN-gráfot, majd ezeket globális gráffá egyesíti, elkerülve a teljes körű GPU-k közötti kommunikációt. Az NVIDIA mérései alapján a MIRACL és Wiki adathalmazokon nyolc H100 GPU-val akár 74-szeres gyorsulást értek el a becsült CPU-s futásidőkhöz képest, és 870 GB-nyi vektort mindössze 8 perc alatt dolgoztak fel, az elmondásuk szerint a beágyazások pontosságának megőrzése mellett. A korábbi megoldásban csak a transzformációs lépés futhatott több GPU-n, a tanítás egyetlen GPU-ra korlátozódott.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A fejlesztés a gyártó adatai szerint gyakorlativá teheti az UMAP futtatását több száz gigabájtos, korábban kezelhetetlenül nagy adathalmazokon is.

Források

NVIDIA Technical Blog Hivatalos

Kapcsolódó témák

Napi összefoglalók AI eszközök #NVIDIA cuML#UMAP

Napi összefoglaló

Ez a hír a 2026. augusztus 19., szerda napi AI összefoglaló része.

Kapcsolódó hírek

DeepSeek nyílt forráskódúvá tette gyors következtetési motorját, a DeepInfert

A DeepSeek Apache 2.0 licenc alatt nyílt forráskódúvá tette DeepInfer nevű belső következtetési keretrendszerét, amely a V4.1-Flash modelljét szolgálja ki gyorsan és olcsón – írja a The Decoder. A vLLM-re épülő rendszer optimalizált számítási kerneleket, több chipre elosztott feldolgozást és gyorsabb szöveggenerálási technikákat használ, és a cég jövőbeli modelljeinek kódját is nyíltan teszi közzé. Emellett megjelenik a deepseek-recipe is, amely a hivatalos DeepSeek API tokenfeldolgozását replikálja, hogy az önüzemeltetett rendszerek ugyanúgy viselkedjenek. A vállalat közlése szerint a cél a közösség számítási költségeinek és energiafelhasználásának csökkentése, hogy az AI megfizethetőbb legyen. A lap szerint a lépés egyben árversenyt gerjeszt a nyugati szolgáltatókkal, és a kínai–amerikai AI-verseny fényében akár politikai motivációja is lehet.

A Google is bemutatta saját PyTorch-verzióját, hogy gyengítse az Nvidia dominanciáját

A Google a TechCrunch beszámolója szerint kedden nyílt forráskódúként tette közzé a TorchTPU nevű eszközt, amely a népszerű PyTorch keretrendszer saját, Tensor Processing Unit (TPU) chipekre optimalizált változata. A cég állítása szerint a meglévő PyTorch-alkalmazások egyszerű konfigurációváltással, újraírás nélkül átvihetők a Google Cloud TPU-ira. A lépéssel a Google csatlakozik Amazonhoz, amely hétfőn jelentette be saját TorchNeuron megoldását a Trainium chipekhez, és emellett kódot nyújtott be a fő PyTorch projekthez, hogy a keretrendszer alapból kevésbé kötődjön az Nvidia hardveréhez. A TechCrunch szerint a Google azt állítja, hogy közvetlenül együttműködött a Metával, a Hugging Face-szel, valamint a vLLM-et és az SGLang-ot fejlesztő cégekkel a kompatibilitás biztosítása érdekében, és egy új TPU agent suite eszközt is indított a migráció segítésére. A PyTorch-ot eredetileg a Meta fejlesztette 2016-ban, majd 2022-ben a Linux Foundation nonprofit szervezetnek adta át.

Amazon új TorchNeuron eszközzel támadja Nvidia szoftveres fölényét

Az Amazon Web Services hétfőn bemutatta a TorchNeuron nevű fejlesztői eszközt, amely a vállalat állítása szerint lehetővé teszi, hogy a PyTorch keretrendszerben írt AI-alkalmazások mindössze egyetlen konfigurációs sor módosításával, kódátírás nélkül fussanak az Amazon saját Trainium chipjén. Az Amazon szerint az AI-alkalmazások mintegy 85 százaléka PyTorchban készül, amely keretrendszert eredetileg a Facebook fejlesztette, 2022 óta pedig a Linux Foundation gondozza. A cég szerint a Trainiumra költözés nemcsak egyszerű, hanem hozzáférést is ad az Amazon teljes felhőinfrastruktúrájához, szemben a sok esetben Nvidia-hardverhez kötött „neocloud” szolgáltatókkal, mint a CoreWeave vagy a Nebius. Az AWS Annapurna Labs technológiai alelnöke, Colin Brace a TechCrunchnek nyilatkozva hangsúlyozta, hogy a startupok így nem egyetlen, szűk célú számítási szolgáltatóra fogadnak.

Az Amazon Bedrock támogatja az Anthropic Claude modellek strukturált kimenetét

Az AWS bejelentette, hogy az Amazon Bedrock mostantól minden Anthropic Claude modellnél támogatja a strukturált kimenetet, mind a bedrock-runtime, mind a bedrock-mantle végpontokon. A vállalat szerint a funkció kényszerített dekódolást használ, vagyis a modell már a tokenek generálása közben betartja a megadott JSON-sémát, nem utólag javítja a hibás formátumot. Az AWS állítása szerint ez megszünteti a JSON-feldolgozási hibákat, feleslegessé teszi az egyéni elemzést és az újrapróbálkozási logikát, emellett csökkentheti a kimeneti tokenek számát és ezzel a következtetési költséget nagy terhelésű feladatoknál. A cég közlése szerint a funkció kötegelt (batch) feldolgozással és régiók közötti (cross-Region) következtetéssel is együttműködik, valamint valós idejű streamingnél is használható. Az AWS példaként pénzügyi jelentések, egészségügyi feljegyzések és szerződések strukturált feldolgozását említi.