亚马逊公布全新AWS服务——「AWS SimSpace Weaver」,可帮助用户构建真实版《模拟城市》(SimCity)般的大规模地形场景。这项新服务将庞大的AWS资源交予用户手中,可借此跨多服务器运行扩展模拟,以充裕的计算和内存容量完成场馆周边人流等各类仿真推衍。
感兴趣的朋友可以在uCrowds上观看令人印象深刻的AWS SimSpace Weaver运行演示,在演示影片中,AWS SimSpace Weaver模拟了100万人在拉斯维加斯四处游走。通过将地理空间数据同成群结队的模拟人群叠加起来,我们就能了解人们怎样休憩、怎样在计算机生成的城市街道上活动。从视频中看,如果瞬间空降100万人,那现有人行道根本容不下他们。只有在将数量削减至5万人时,活动才开始顺畅起来。
AWS技术副总裁Bill Vass在新闻稿中表示:「以往,如果客户想要扩展自己的空间模拟,就必须在准确性与硬件容量之间寻求平衡,这无疑限制了他们所能探究的具体问题。AWS SimSpace Weaver消除了模拟基础设施的管理负担,简化了客户运行大规模模拟的方式,让他们能够专注于创建差异化内容、扩大对模拟开发的访问能力。」
AWS SimSpace Weaver还与流行开发引擎「虚幻5」(曾在《黑客帝国:觉醒》中用于建立城市景观展示)和Unity集成,相信将对开发人员构成更强的吸引力。
好文章,需要你的鼓励
这篇研究介绍了KVzip,一种创新的查询无关KV缓存压缩方法,通过上下文重建机制为大型语言模型提供高效存储解决方案。该技术能将KV缓存大小减少394倍,同时提高解码速度约2倍,在各种任务上性能几乎不受影响。不同于传统查询相关的压缩方法,KVzip创建可在多种查询场景下重用的通用压缩缓存,特别适合个性化AI助手和企业信息检索系统。研究在LLaMA3.1-8B、Qwen2.5-14B和Gemma3-12B等多种模型上进行了验证,处理长度高达17万词元的文本,并能与KV缓存量化等其他优化技术无缝集成。
腾讯与上海交通大学联合推出的DeepTheorem研究突破了大型语言模型在数学定理证明领域的限制。该项目创建了包含12.1万个IMO级别非形式化定理的大规模数据集,开发了专门的RL-Zero强化学习策略,并设计了全面的评估框架。研究表明,通过使用自然语言而非传统形式化系统,即使是7B参数的模型也能在复杂定理证明上取得显著成果,超越许多更大的专业模型。这一成果为AI数学推理开辟了新途径,使语言模型能够像人类数学家一样思考和证明。