2026-07-27 · 5 topics
Ascend SuperPOD での DeepSeek-V4 全パラメタ事後学習──MFU 34.22% と OR タスクでの GPT-5.4-Mini 超えを達成
🔥🔥🔥Ascend NPU 上で DeepSeek-V4 ファミリーのフルパラメータ事後学習を実現し、オープンソース基準比 2.93 倍の MFU 34.22% を達成するとともに、OR 特化データパイプラインにより Pass@1 71.81% を記録した。
汎用ロボット基盤モデル RynnBrain 1.1──最大 122B スケールで VSI-Bench 等の主要ベンチマークを圧倒
🔥🔥🔥2Bから122B-A10Bまでのマルチスケール展開と接触点予測・ネイティブ3Dグラウンディングの導入により、多様な実ロボットでの高精度な把持とプランニングを実現した。
4B規模の画像生成・編集モデル Mage-Flow──Mage-VAEと融合により学習スループットを2.5倍に向上
🔥🔥4Bスケールのコンパクトなネイティブ解像度拡散モデルMage-Flowは、Mage-VAEとCUDAカーネル融合の採用により学習スループットを2.5倍に高め、1024^2解像度の生成を単一のNVIDIA A100 GPUで0.59秒で実現した。
単眼カメラでの指示追従型視覚追跡を実現する ReferTrack──EVT-Bench のシングルターゲットで成功率 89.4% を記録
🔥🔥自然言語指示に基づくターゲット指定と軌道計画を分離し、TVBI トークンで時間的動体キューを維持する ReferTrack により、単眼ビジョンのみで高精度なロボット追従を実現した。
コード生成 LLM の内部状態を利用するコンテキスト圧縮手法 SWE-Pruner Pro──トークン量を最大 39% 削減しつつ SWE-bench Verified を 3.8% 向上
🔥🔥外部の分類器を用いず LLM の内部表現から直接不要なコードコンテキストをプルーニングすることで、タスク品質を維持したままトークン消費量を最大 39% 削減する。