Suche
Karpathy's Loop erobert Hardware: KI designt CPU-Architekturen
Vergesst traditionelles Chip-Design! Ein neues Projekt nutzt Karpathy's Idee des iterativen Lernens, um eine KI eigenständig CPU-Architekturen entwerfen und optimieren zu lassen. Statt auf menschliche Expertise setzt man hier auf einen AI-Agenten, der im Simulations-Loop ständig bessere Designs findet. Das ist kein Gimmick, sondern ein faszinierender Proof-of-Concept, der zeigt, wie AI die Hardware-Entwicklung radikal verändern und zu völlig unkonventionellen Lösungen führen könnte.
Konvergente Evolution: Wie diverse Modelle Zahlen ähnlich repräsentieren
Entgegen der Black-Box-Annahme lernen unterschiedliche Sprachmodelle – darunter Transformer, RNNs und LSTMs – ähnliche periodische Zahlenrepräsentationen. Diese Konvergenz ist jedoch zweistufig: Während alle Modelle Fourier-Peaks zeigen, entwickeln nur manche geometrisch separierbare Features für die Modulo-Klassifikation. Die genaue Ausprägung der Zahlenrepräsentation hängt stark von Daten, Architektur und Trainingsdetails ab.
Unsloth & NVIDIA: 25% Boost für dein LLM-Feintuning!
Unsloth und NVIDIA haben ihre Kräfte gebündelt, um das Feintuning von Large Language Models (LLMs) auf NVIDIA GPUs zu optimieren. Durch gezielte Verbesserungen beseitigen sie versteckte Engpässe und erzielen eine kombinierte Beschleunigung der Trainingsgeschwindigkeit um bis zu 25%. Die Optimierungen konzentrieren sich darauf, redundante Buchungsvorgänge zu reduzieren und Kopiervorgänge parallel zur eigentlichen Rechenarbeit ablaufen zu lassen.
PCA-Erweiterung: Polynom-Autoencoder verbessert Transformer-Embeddings
Ein Blogpost stellt eine Methode vor, die PCA für die Kompression von Transformer-Embeddings verbessert: Ein polynomialer Autoencoder (PAE). Dabei bleibt der Encoder eine einfache PCA, während ein quadratischer Decoder nicht-lineare Anteile der Embeddings erfasst. Diese seit 2017 bekannte, geschlossene Lösung reduziert den Informationsverlust im Vergleich zu reinem PCA und erreicht auf Benchmarks wie BEIR/FiQA eine deutlich höhere Retrieval-Qualität.
KI-Modelle: Parameter und Compute entkoppeln für mehr Performance
Häufig werden Parameterzahl und Rechenaufwand bei KI-Modellen gleichgesetzt. Doch eine Studie von 2021 zeigt, dass beides entkoppelt betrachtet werden sollte. Mittels Hash Layers lassen sich Modelle vergrößern, ohne mehr Rechenleistung zu benötigen, während Staircase Attention mehr Compute ohne neue Parameter ermöglicht. Dies eröffnet neue Wege, um leistungsfähigere Modelle ressourceneffizient zu bauen.
3D-Körper aus 8 Fragen: Ohne Foto, ohne GPU zum präzisen Avatar
Ein neues Verfahren generiert mit nur acht Fragen einen präzisen 3D-Körper, ganz ohne Fotos oder leistungsstarke GPUs. Ein kleines MLP verarbeitet die Eingaben in Millisekunden auf einer CPU und gibt 58 Anny-Body-Parameter aus. Dies übertrifft die Genauigkeit von Foto-Pipelines bei Umfängen und löst Datenschutz- sowie Kostenprobleme.
LLM selber trainieren: Die Blackbox wird transparent.
Vergiss die Blackbox! Dieses GitHub-Projekt liefert einen praxistauglichen Blueprint, um ein LLM von Grund auf zu trainieren. Es ist kein Shortcut zu einem fertigen Modell, sondern ein tiefgreifender Guide für alle, die wirklich verstehen wollen, wie generative KI unter der Haube tickt, statt nur APIs zu konsumieren.
Deep Learning: Eine wissenschaftliche Theorie formiert sich
Das Paper argumentiert, dass eine wissenschaftliche Theorie des Deep Learning im Entstehen begriffen ist. Sie soll wichtige Eigenschaften und Statistiken von Trainingsprozessen, Repräsentationen, Gewichten und der Performance neuronaler Netze charakterisieren. Die Autoren fassen dazu bestehende Forschungsstränge zusammen und identifizieren fünf wachsende Arbeitsbereiche, die auf diese Theorie hindeuten.
KI klärt Himmelsrätsel: ML verifiziert alte Phänomene in Archivbildern
Historische Himmelsbilder zeigen flüchtige, sternähnliche Objekte, deren Natur lange umstritten war – echte Phänomene oder bloße Defekte? Jetzt setzen Forschende Machine Learning ein, um die Identifikation dieser Transienten zu präzisieren und ihre Existenz als echte astronomische Ereignisse zu validieren. Das von Experten trainierte ML-Modell liefert somit belastbare Beweise und stärkt die ursprünglichen Beobachtungen.
LLMs auf Diät: Intels AutoRound macht KI-Modelle schlanker
Intels neues 'AutoRound'-Verfahren ist ein Quantisierungsalgorithmus, der Large Language Models (LLMs) drastisch verkleinern soll, bei gleichzeitigem Erhalt ihrer Genauigkeit. Das ist entscheidend, denn effizientere, schlankere Modelle lassen sich auf weniger leistungsstarker Hardware betreiben und senken so die Betriebskosten. Ein echter Boost für alle, die KI-Anwendungen skalieren wollen, ohne dafür ein Rechenzentrum bauen zu müssen.
Deep Learning: Theorie-Vakuum und Alchemie vor Lavoisier?
Elon Litman kritisiert den Zustand der Deep-Learning-Theorie: Aktuell gleiche die Disziplin eher 'Alchemie' vor Lavoisier. Die Forschung sei fragmentiert, arbeite mit widersprüchlichen Annahmen und riskiere durch immer mehr Daten und Parameter, wie Borges' Funes, die Fähigkeit zur Abstraktion zu verlieren.
Ternärer Bonsai: KI schrumpft auf 1.58 Bit – und wird cleverer
Während der Hype um riesige Sprachmodelle tobt, zeigt Ternary Bonsai eine andere, dringend benötigte Richtung auf: Extrem effiziente KI. Diese neuen Modelle setzen auf ternäre Gewichte (-1, 0, 1), was die Bitbreite auf schlappe 1.58 Bits pro Parameter drückt und sie dennoch erstaunlich leistungsstark macht. Das ist nicht nur ein netter Trick, sondern ein echter Durchbruch für performante KI auf der Edge.
KI-Chips: Warum FP4 das nächste Präzisions-Opfer ist
Während traditionelle Programmierung nach Präzision strebte, kehrt die KI-Branche diesen Trend um: Neurale Netze verlangen nach immer weniger Bits, um riesige Modelle in den Speicher zu bekommen. FP4 ist hier ein 4-Bit-Gleitkommaformat, das das erste Bit zur Repräsentation des Vorzeichens nutzt. Diese drastischen Kompromisse bei der Präzision sind notwendig, um den dynamischen Bereich zu erhalten, den reine Integer-Formate nicht bieten können.
Flow Maps: Der Integral-Boost für schnelle Diffusion
Diffusion Models sampeln iterativ, indem ein Denoiser die Tangentenrichtung eines Pfades schätzt und kleine Schritte entlang dieses Pfades macht, was effektiv einem Integral entspricht. Sander Dieleman schlägt vor, neuronale Netze zu trainieren, die dieses Integral direkt vorhersagen, was zu sogenannten 'Flow Maps' führt. Diese können jeden Punkt auf einem Pfad von jedem anderen Punkt auf demselben Pfad vorhersagen und ermöglichen schnelleres Sampling sowie effizienteres belohnungsbasiertes Lernen und bessere Sampling-Steuerbarkeit.
DeepSeek-V4 Day-0: SGLang & Miles für schnelle Inferenz & Verified RL
Das SGLang- und Miles-Team liefert Day-0-Unterstützung für DeepSeek-V4, inklusive Inferenz und RL-Training. Ihr Open-Source-Stack ist der erste, der DeepSeek-V4s hybride Sparse-Attention-Architektur am Launch-Tag bedient und trainiert, mit Performance-Optimierungen wie ShadowRadix und HiSparse. Der Stack unterstützt zudem Verified RL, wobei Miles als Backend-Support für das Reinforcement Learning dient.
LLMs sagen 'Nein': Forscher finden den Master-Schalter
Stell dir vor, du findest den Master-Schalter für das ethische Gewissen deiner KI. Forschern ist genau das gelungen: Sie haben herausgefunden, dass das 'Nein' von LLMs nicht zufällig ist, sondern von einer einzigen, manipulierbaren 'Verweigerungsrichtung' im Modell gesteuert wird. Das ist ein Game-Changer für die Sicherheitssteuerung und ermöglicht präzisere Kontrolle über die Grenzen der KI.
AMDs ROCm auf Strix Halo: BIOS- & GRUB-Tweaks für PyTorch-KI
Marco Inacio teilt seine ersten Erfahrungen mit der Einrichtung von AMDs ROCm auf einer Strix Halo APU unter Ubuntu 24.04 LTS. Um PyTorch zum Laufen zu bringen, waren spezifische BIOS-Updates, angepasste Einstellungen für den Shared-Video-Speicher und GRUB-Konfigurationsänderungen erforderlich. Die PyTorch-Installation selbst wurde als "somewhat tricky" beschrieben, konnte aber letztendlich erfolgreich abgeschlossen werden.
KI-Netze & Krypto: Ihre Algorithmen sind überraschend ähnlich
Auf den ersten Blick grundverschieden, teilen neuronale Netze und kryptografische Chiffren erstaunliche algorithmische Ähnlichkeiten. Sowohl RNNs als auch SHA-3 nutzen die Sponge-Konstruktion für sequentielle Verarbeitung, während Transformer und schnelle MACs auf parallele Ansätze mit Positionskodierungen setzen. Das Kernstück beider Systeme sind identisch wiederholte lineare und nichtlineare Schichten, die für das „Mischen“ der Daten sorgen.
Swift: Von GFLOP/s zu TFLOP/s für LLM-Training auf Apple Silicon
Ein Entwickler zeigt, wie er die handgeschriebene Matrix-Multiplikation für LLM-Training in Swift auf Apple Silicon von GFLOP/s zu TFLOP/s katapultiert. Dies geschieht explizit ohne Frameworks oder Bibliotheken, um die CPU, SIMD, AMX und GPU direkt zu nutzen. Das Ziel: Swift schneller als die C-Referenzimplementierung llm.c zu optimieren.
Mehr als nur Prompts: So entlockst du Transformers ihre besten Antworten
Wir alle tippen Prompts, aber verstehen wir wirklich, wie man intelligent mit Transformers spricht? Dieser Beitrag taucht tief in die Kunst und Wissenschaft der effektiven KI-Kommunikation ein und zeigt, dass die besten Ergebnisse nicht zufällig entstehen. Es geht darum, die richtige Sprache zu finden, um der KI nicht nur Fragen zu stellen, sondern sie wirklich zu *führen* – ein echtes Game Changer für jeden, der mehr als Standard-Output will.