四台Mac Studio合体变身AI集群 1.5TB内存、硬件成本近30万

近日知名工程师Jeff Geerling完成了一项挑战，利用macOS 26.2最新的系统特性，将四台M3 Ultra Mac Studio成功合体，打造出一台拥有1.5TB统一内存的AI计算集群。这次集群成功的关键在于macOS 26.2引入的一项核心功能RDMA over Thunderbolt 5，通过Thunderbolt 5接口，允许一台Mac直接读取另一台的内存，无需CPU干预。

在Geekbench 6的多核测试中，该集群轻松超越了Dell Pro Max with GB10和Framework Desktop，双精度浮点数性能更是达到了1TFLOPS以上，而闲置功耗低于10W。

在AI推理方面，单机运行Llama 3.2 3B模型时，每秒可处理154.6个token；在运行大型Llama 3.1 70B模型时，每秒可维持14.1个token，这两个测试的性能都远超其他对手。

此外，在尝试运行DeepSeek R1 671B超大型模型时，其他系统均无法正常运行，而Mac Studio 集群凭借其1.5TB的统一内存，完成了这一挑战。

RDMA over Thunderbolt 5在这个AI集群中发挥了关键作用，在启用RDMA后，内存访问延迟从TCP的300微秒降至50微秒以下。

在使用exo系统测试Qwen3 235B时，四台设备每秒可处理31.9个token，比llama.cpp TCP快了一倍以上；DeepSeek V3.1更是达到了每秒32.5个token。

虽然RDMA表现出色，但在高负荷时偶尔会出现系统崩溃的情况

另外值得注意的是，由Mac Studio组成的AI集群总硬件成本约为40000美元（约合人民币28万元），相比其他两个平台，这一价格更贵。

via cnBeta.COM - 中文业界资讯站 (author: 稿源：快科技)

清华开源 TurboDiffusion：AI 视频生成步入“秒级”时代，最高提速达 200 倍

近日，清华大学 TSAIL 实验室联合生数科技推出了全新的开源视频生成加速框架TurboDiffusion。这一突破性的技术框架在确保视频生成质量不减的前提下，成功将端到端扩散生成的推理速度提升了100至200倍。

AIbase 获悉，该框架为了实现极致的生成效率，集成了 SageAttention 和 SLA（稀疏线性注意力机制）。这些技术显著降低了模型在处理高分辨率视频内容时的计算开销。此外，开发团队还引入了 rCM(时间步蒸馏)技术，通过大幅减少扩散过程中的采样步数，让视频生成在保持视觉一致性的同时，实现了极低的计算延迟。

根据GitHub公布的实测数据，TurboDiffusion 的加速表现令人震惊。在单张 RTX5090显卡上，原本生成5秒视频需要184秒，而使用该框架后仅需1.9秒即可完成。对于参数量更大的模型，其提升更为显著:原本耗时约1.2小时的720P 视频生成任务，现在被压缩到了短短38秒，性能远超目前市面上的同类加速方案。

目前，TurboDiffusion 已开源并提供了多种规格的模型权重供用户下载。针对消费级显卡（如 RTX4090/5090）和工业级显卡(如 H100)，团队分别提供了量化版与非量化版的优化方案。这意味着无论是个人创作者还是企业级用户，都能通过这一工具显著提升 AI 视频的生产效率。

github:https://github.com/thu-ml/TurboDiffusion

划重点:

● ⚡ 效能飞跃:清华开源框架将 AI 视频生成提速最高200倍，RTX5090显卡可实现1.9秒产出5秒视频。
● 🛠️ 技术核心:通过 SageAttention、稀疏线性注意力机制以及时间步蒸馏技术，在不损耗画质的情况下大幅削减算力需求。
● 🌐 全面适配:框架已开放模型权重，并针对不同显存容量的显卡提供了量化优化方案，极大降低了高性能 AI 视频生成的门槛。

via AI新闻资讯 (author: AI Base)

解锁机器人的 3D 视觉：原力灵机推出 GeoVLA 框架，颠覆传统 VLA 模型！

在人工智能和机器人技术快速发展的今天，视觉 - 语言 - 行动（VLA）模型被广泛认为是构建通用机器人的关键。然而，许多现有的 VLA 模型(如 OpenVLA、RT-2等)在处理复杂的非结构化环境时暴露出一个严重的短板:空间失明。它们依赖于2D RGB 图像作为视觉输入，导致模型在三维空间中的表现受限，难以准确判断物体的深度和位置。

为了解决这一问题，原力灵机的研究团队推出了一种全新的 VLA 框架 ——GeoVLA。该框架在保持现有视觉 - 语言模型（VLM）强大预训练能力的同时，采用了创新的双流架构。具体来说，GeoVLA 引入了专用的点云嵌入网络(PEN)和空间感知动作专家(3DAE)，使机器人具备真正的三维几何感知能力。这一设计不仅在仿真环境中取得了领先的性能，更在真实世界的各种鲁棒性测试中表现出色。

GeoVLA 的核心逻辑在于将任务进行解耦:让 VLM 负责 “看懂是什么”，让点云网络负责 “看清在哪里”。这个全新的端到端框架包含了三个关键组件的协同工作，分别是语义理解流、几何感知流和动作生成流。这种方法使得模型能够更精准地进行任务。

在一系列实验中，GeoVLA 展现出了明显的优势。在 LIBERO 基准测试中，GeoVLA 的成功率高达97.7%，超越了之前的 SOTA 模型。此外，在 ManiSkill2等更加复杂的物理仿真测试中，GeoVLA 的表现也相当出色，尤其在处理复杂物体和视角变化时，保持了较高的成功率。

更为令人瞩目的是，GeoVLA 在分布外场景中的鲁棒性，证明了其在应对各种不确定性和变化条件下的强大适应能力。这一突破将为未来的机器人应用带来新的可能性，推动智能机器人技术向更高水平迈进。

项目地址:https://linsun449.github.io/GeoVLA/

via AI新闻资讯 (author: AI Base)

字节 Seed 新模型问世：数学竞赛金牌实力爆表，AI 推理迈入新阶段！

近日，字节跳动旗下的 Seed AI 团队发布了一款名为 Seed Prover1.5的数学推理模型，该模型在国际数学奥林匹克（IMO）比赛中表现卓越，成功获得金牌，标志着人工智能在数学领域的又一突破。

Seed Prover1.5采用了 Scaling Law 理论，并在16.5小时内解决了 IMO2025的前五道题，仅失一题，最终以35分的成绩达到了金牌标准。这一成绩与谷歌 Gemini 并驾齐驱，而字节之前的模型在当时需用三天才完成四道题，最终仅获得银牌。显然，Seed Prover1.5的表现无疑为 AI 数学推理模型设定了新标杆。

这款模型的成功并非偶然，其核心在于大规模强化学习的引入。通过训练，模型在证明题目的成功率从最初的50% 跃升至接近90%。此外，Seed Prover1.5还在北美数学竞赛 Putnam 中刷新了以往的最佳成绩，显示出其超强的解决问题能力。

Seed Prover1.5的技术报告中介绍了两项重要创新:Agentic Prover 和 Sketch Model。Agentic Prover 采用了一种新的形式化数学推理方式，利用 Lean 等形式语言进行可验证的证明。这种方法相比传统的自然语言推理更为严谨，但也更具挑战性。为了克服这一难点，Seed Prover1.5支持模型在推理过程中调用多个工具，比如检索 Lean 的数学库 Mathlib 和编写 Python 脚本进行计算。

而 Sketch Model 则是为了帮助模型更好地 “打草稿”。该模型模拟了人类数学家解决问题的思路，允许其先进行非正式的证明草稿，列出关键的引理和思路，再转化为形式化证明。通过混合奖励信号的强化学习策略，Sketch Model 不仅提高了整体逻辑的规划能力，还有效降低了复杂问题的难度。

总的来说，Seed Prover1.5不仅展示了字节在 AI 数学推理领域的创新与实力，也为未来的数学研究和教育提供了新的可能性。

论文地址：https://arxiv.org/pdf/2512.17260

via AI新闻资讯 (author: AI Base)