俄罗斯自研8核CPU性能实测：能玩几十年前老游戏，下一代「高性能」芯片无人代工...

于 2023-01-31 14:12:21 发布
阅读量376 收藏
点赞数
文章标签： 游戏 5G
原文链接：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247662948&idx=5&sn=62dac981d7bc134f01267353c4095d82&chksm=e8deca16dfa94300feb1b5d0e969b339b5705b5a6c38b3f17747413fea258296a73c0648c8e8&scene=126&sessionid=0
版权
Pine 发自 凹非寺
量子位 | 公众号 QbitAI

俄罗斯的自研芯片的性能具体怎么样？最新测评：

采用自研架构的CPU处理器都能运行起几十年前的老游戏了。

这次测试是油管博主Elbrus PC Play进行的，测试的处理器是Elbrus-8SV，它使用的是超长指令集架构，即VLIW架构。

0bf605e0c889880d2b87414479c8a02f.png

△图源：tomshardware

Elbrus是俄罗斯自研处理器中比较出名的了，Elbrus-8SV的官方规格是8核1.5GHz，16MB三级缓存，支持四通道DDR4-2400ECC内存。

Elbrus-8SV的单精度算力576GFLOPs，双精度288GFLOPs，相当于英特尔五年前（2018年）发布的XEON W-2150B，算力为580GFLOPs。

相较于同样是8个内核的上一代处理器Elbrus-8S，Elbrus-8SV性能提升了大约两倍。

具体来说，在各种不同的游戏场景中，Elbrus-8SV发挥出的效用到底有多大，是怎样玩起来的？

居然能玩起来，而且帧数最高达200FPS

按照惯例，先来看看小哥的测试平台，搭配的是32GB DDR4 ECC内存和AMD RX 580显卡，然后在俄罗斯基于Linux 5.4开发的Elbrus OS 7.1操作系统上运行。

这次测试的几款游戏也都是“老朋友”了，有《潜行者：普里皮亚季的召唤》，《潜行者：晴空》，《上古卷轴3：晨风》和《CS：GO》等。

接下来话不多说，直接看测评结果。

Elbrus-8SV在《上古卷轴3：晨风》和《毁灭战士3》的模组The Dark Mod上表现不赖。

在上古卷轴3上帧数最高达200+FPS，不过整体来说，画面帧速率会根据场景的复杂性在30FPS和200FPS之间振荡。

b1d084d5fb36af6fa3a965db7af260ca.gif

至于The Dark Mod，在比较基础的设置下运行得还算不错，提供的帧速率在30FPS和60FPS之间，看这样的操作，还是比较行云流水的。

e3bdce14b77b803f08326c3794b68083.gif

而在Elbrus-8SV测试的两款潜行者游戏中，不能说just so so吧，只能说几乎玩不成，在低画质下运行，帧率都很难超过30FPS。

（emmm，最后的画面是卡在那里了）

5cb41eba393cdca802e69e9408dd0a81.gif

除了这些游戏之外，小哥还测试了一些不太受欢迎的游戏，结果如上，有好有坏。

不过这对于一个设计和技术都比较过时的处理器来说，能够勉强玩玩游戏也是不错的了。

更好更快的处理器已经被制作出来

虽然Elbrus-8SV的性能一般般，但它的公司MCST透露，现在已经开发出了一款更好的芯片：Elbrus-16C。

df9954ac5839e6a6dabd45c57808f06c.png

△图源：tomshardware

这个处理器采用了16nm的工艺，有16个CPU核心和2GHz的更快时钟频率，还支持8通道内存和32个PCIe 3.0 通道。

并且Elbrus-8SV号称单精度算力提高到了1500GFLOPs，双精度也有750GFLOPs，对比Elbrus-8SV的性能，提升了1.6倍。

不过值得一提的是，在现在的形势之下，俄罗斯的芯片几乎很难找到工厂代工量产了。

参考链接：
[1]https://www.tomshardware.com/news/russian-made-elbrus-cpus-gaming-benchmarks-posted
[2]https://www.youtube.com/watch?v=EcQLijZwYCU

— 完 —

百度研究院、阿里达摩院、量子位智库

年度十大科技报告

总结2022，预见2023。来自百度研究院、阿里达摩院和量子位智库的年度十大科技报告均已发布，点击下方图片即可跳转查看。

百度研究院

c93240ef70ed0bff1c6c9f22cd200c83.jpeg

阿里达摩院

a2685d81efdb39f67e738ee6bc65876b.jpeg

量子位智库

e77e5a28fea77cffaa7cd1f46642f047.png

点这里👇关注我，记得标星哦～

QbitAl
关注
博客
机器人开始抢“主持人”饭碗！上海张江，傅利叶宣布下个十年规划，要做“以人为本的具身智能”
05-10 4
不管是什么形态，背后做的其实就是人机交互这一件事，让机器人能真正理解人、配合人，能在复杂、真实的环境里，稳定、安全地工作。傅里叶是位法国数学家，他提出的傅里叶变换。，基于傅利叶GR-1人形机器人，验证了视觉语言大模型在手势生成、非语言交流里的适应性与自然度，结果表明，机器人手势自然度甚至超越真人示范。我们的团队，经历过技术的迭代升级，商业周期的起伏，依旧保持着创新活力，初心不改。为探索模仿学习、泛化性训练，前不久，英伟达发布的首个人形机器人开放基础模型，就部署在了傅利叶的人形机器人上。
博客
多模态=AGI入场券？阶跃星辰姜大昕：死磕基座大模型，探索多模态理解生成一体化
05-10 2
从模仿学习到强化学习的技术演进大家已经非常熟悉， OpenAI的o1、o3，以及DeepSeek-R1背后采用的都是强化学习技术，也是现在大模型玩家争先恐后着重投入的方向。”姜大昕表示，虽然阶跃的产品形态随着模型的演变是动态发展的，但这样的逻辑关系还是一直保持下去的。至于如何追求智能的上限，阶跃目前行进的路线与第一次公开亮相时所讲的那样一般无二，即“单模态——多模态——多模态理解和生成的统一——世界模型——AGI”。姜大昕说，阶跃不想在这个过程中放弃主流增长或前进的趋势，所以还是会坚持做基础模型的研发。
博客
一个「always」站在大模型技术C位的传奇男子
05-10 355
虽然MoE的思路早在上世纪90年代初就已经被提出，以Michael I. Jordan、Geoffrey Hinton等的《Adaptive Mixtures of Local Experts》为代表，但沙哥参与的这项研究通过动态激活子网络，让模型突破更大规模参数成为可能，启发了后续诸多基于MoE的模型改进和创新。2006年，他创建了谷歌第一个垃圾邮件检测的机器学习系统；8月，一切尘埃落定，谷歌以27亿美元的价格将Character.AI技术纳入麾下，并邀请沙哥回归，负责联合领导谷歌的Gemini项目。
博客
首个奖励模型评分基准！清华复旦港科大联合攻克AI评委“偏科”
05-10 2
以往的方法常使用更强的语言模型生成更好的响应，使用较弱的语言模型生成较差的响应，但这样根本没法评估模型对内容细微变化的敏感度，也测不出对风格偏差的处理能力，和策略模型性能的相关性也很低。为此，研究团队提出的RM-BENCH这个全新的基准测试，这是一种全新的基准，用于评估奖励模型区分微妙变化和抵抗风格偏差的能力，对语言模型的”认知敏锐度”发起挑战。这表明许多现有的奖励模型更像是风格偏好模型，在预测奖励时，奖励模型很容易受到响应风格的影响，偏离了响应的实质内容，好似“AI精神分裂”。
博客
鹅厂开源视频生成大杀器！参考图主体精准复刻，还能编辑现有视频
05-09 45
具体来说，HunyuanCustom先将输入图像通过预训练的3D-VAE编码器映射到潜空间，得到图像潜码，然后将其与视频潜码在序列维度上进行连接，形成新的潜码表示。具体而言，给定一个视频片段的起始潜码和结束潜码，以及表示身份的参考图像，模型学习预测视频潜码在不同时间步上的演化方向和速度，并以最小化速度重建误差为目标进行优化。其核心是将表示身份的图像特征连接到视频的每一帧上，利用视频生成模型在时间维度上的建模能力，使身份信息在生成视频的各个帧之间得到有效传播和增强。企鹅也友好地点头示意，仿佛在回应他的问候。
博客
面壁CEO李大海：物理世界要实现AGI，一定是通过端侧智能 | 中国AIGC产业峰会
05-09 14
过去一年我们发布了九个端侧模型，在今年1月份的时候发布了全球第一个端侧全模态的模型，大概是8B大小的模型，这个模型能流畅运行在iPad上，可以实时流式的实时看，持续听，自然说，并且“看听说”的水平从多模态角度上达到了GPT-4o的水平，虽然解决复杂的逻辑问题层面上，还是跟云端模型有区别，但是在多模态能力上已经非常强。第二，如果在云端，完成舱内舱外视觉信息视频流的感知回传，可能推理的成本不算高，但是高清视频流实时传输的带宽成本很高，其次背后也有大量的隐私信息，因此不仅成本高，还有很多隐私暴露的风险。
博客
国内大模型人才大战打响！大厂各出奇招，薪资不设上限、CTO亲自参与指导、无需实习经验
05-09 764
随着AI进入应用元年，人们对多模态的需求逐渐成为刚需，不过相关技术并未成熟，以致于包括大厂在内，市面上的多模态AI产品仍比较少见。作为想要应聘的学生，要么在顶会期刊上发表过有影响力的论文，要么就是竞赛达人，主打一个优秀本秀，甚至字节的Top Seed计划仅面向博士生。字节则继续加持豆包智能助手，基于原有的内容生态积累，牢牢捍卫住他们榜首之位，截至4月底，豆包在25年的新增下载已近亿，累计用户规模近3亿。首先，数据和人才是企业竞争的核心资源，对于大厂来说，不缺数据不缺场景，缺的是滔滔不绝的人才。
博客
顶尖科学家Rob Fergus重掌FAIR，15万引用学者回归Meta，战略转向AGI
05-09 6
代表作包括与学生Matthew D. Zeiler合作的《Visualizing and Understanding Convolutional Networks》，也就是ZFNet，提出了可视化卷积神经网络中间层特征和分类器操作的新颖技术，对当时理解和改进CNN模型具有重要意义。除了对抗样本之外，这篇论文还提出在神经网络的高层中，语义信息不存在于独立的神经元中，关键在于整个神经元激活的空间。大模型时代他的代表作包括与LeCun、谢赛宁等合作的Cambrian-1，一系列以视觉为中心的开源多模态模型。
博客
AI开源社区来了国家队！华为百度第一时间加入
05-09 545
魔乐社区是一个人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台，能够帮助每一位开发者学习获取领先的AI技术。开发者在开源工作中面临的现实问题，也可以通过社区进行整理汇总，形成更高屋建瓴的行业洞察，再通过社区力量，与整个社会更好地协调、解决问题。享受开源模型带来的便利的同时，硅基智能也将其拥有的数字人技术贡献出来，供其他开发者使用，同时获得使用者的反馈意见，形成正向循环。
博客
刚刚，ChatGPT的深度研究可以连接GitHub了！网友：这是真·RAG
05-09 426
而除了像刚才的操作方式之外，你也可以进入ChatGPT设置，选择“已连接应用”（Connected apps），找到“连接器”（Connectors）选项，然后点击GitHub旁边的“连接”按钮。在使用方面，正如我们刚才所展示的，当你把GitHub和深度研究连接后，ChatGPT就能直接从你的代码库（包括代码、README文件和其他文档）中获取实时数据，并即时分析处理。如果之后需要调整该连接器能访问的代码库范围，只需在设置中点击GitHub旁边的齿轮图标，即可跳转至GitHub连接器的配置页面。
博客
AI视频的DeepSeek时刻！开源13B模型生成提速30倍，5090跑出好莱坞特效
05-08 9
为此提出改进的Reconstruction GAN，判别器同时接收原始样本和重建样本，通过判断哪个是原始的、哪个是重建的，简化了判别器的任务，提高了其引导生成器的能力，使生成的视频在保持与原始样本相似性的同时，能更有效地平衡保真度和感知质量。训练时通过调整原始视频大小，使输入样本包含大致相同数量的token，并采用随机丢弃token的策略，避免复杂的token填充或打包操作，保持数据多样性。LTXV-13B拥有超130亿个参数，即使在快速复杂的场景，也能提供更流畅的运动、更少的伪影和更清晰的视觉效果。
博客
突破多模态奖励瓶颈！中科院清华快手联合提出R1-Reward，用强化学习赋予模型长期推理能力
05-08 298
总的来说，就是直接把PPO或者Reinforce++用在奖励模型训练上，会因为损失计算和优势归一化这两个环节内在的问题，在高效率训练或者训练后期特定数据分布下，引发数值不稳定，最终影响模型效果。更有趣的是，他们发现通过在推理时多做几次计算（比如采样5次或15次，然后投票选最多的答案），R1-Reward的性能还能进一步大幅提升，这说明RL方法在优化奖励模型方面潜力巨大。更有意思的是，他们还试了另一种策略叫“Any Correct”，就是只要模型输出的K次结果里有一次是正确的，就算对。
博客
爆火智能体再进化，终端成为关键词：2026年端侧AI能力至少涨3倍
05-08 109
它可以结合用户意图和先验知识，将复杂任务分解为子任务，并派发给相应的领域智能体，然后自主编排执行顺序，规划执行步骤，基于智能体互联协议调用跨生态工具来主动执行任务，并通过自我学习不断演进和升级。能力则能够调用跨设备、跨生态的本地的个人和企业知识库，通过知识积累、经验反思、实时学习和高效反馈，建立并维持端边云一体的可追溯、可关联的。届时，面向超级智能体，联想将完成对端侧AI计算能力的重新定义。梳理来看，联想这波新发布，意在通过超级智能体矩阵，全面覆盖个人、企业和城市级别的AI应用场景，重塑生产力范式。
博客
谷歌Gemini火力全开！实测：原生图像生成新升级确实强
05-08 111
更有意思的是，搭配Gemini 2.0 Flash食用，还能让模型自己构思自己生图。首先，在谷歌提供的demo中，我们看到了它能很好地将完全不同的元素自然融合在一起。同时可以看到，在秒速生图过程中，它还会在接收用户指令后给出自己的理解。我们先随意画了一个太阳的草图，要求它为太阳加上笑脸，结果立马就搞定了。还能实时编辑图像，比如刚说完给图中人物加上眼镜，图片立马就生成好了。与此同时，也有人将它和近期非常火爆的GPT-4o生图进行了对比，第一次扩图，它只前进了一小步，完成了更多的人物上半身复原工作。
博客
OpenAI神秘项目曝光：cderGPT，用AI加速药物评估
05-08 9
OpenAI又一个神秘项目曝光了——名字叫做cderGPT，专门用来给药物评估这事提一提速度。据Wired发布的消息来看，OpenAI的高层为了这个项目，已经与美国食品药品监督管理局（FDA）和马斯克的效率部门进行了多次讨论。至于为什么要做这么个事，FDA局长Marty Makary在X上发表了他的看法：并且他还表示，“我们刚刚完成了首个AI辅助的科学产品评审，而这仅仅是个开始”。而这，或许暗指的就是OpenAI的cderGPT。我们之所以一直说cderGPT“神秘”，是因为就目前所透露的消息来看，不论是O
博客
仅看视频就能copy人类动作，宇树G1分分钟掌握100+，UC伯克利提出机器人训练新方式
05-08 21
最后是将视频中的人体运动重定向到机器人模型：VideoMimic考虑了机器人的运动学结构差异，通过优化人形机器人各关节的旋转角度，将人体运动中的末端位置映射到对应的机器人关节位置。VideoMimic的核心是从单目视频中重建人体运动和场景几何，将其转换为仿真环境中的参考运动，并通过强化学习训练出一个单一的策略，使人形机器人能够根据环境和指令执行对应的技能。在真实环境中，VideoMimic利用Go1自带的深度相机获取环境的三维几何信息，结合彩色图像SLAM算法，实时重建出以机器人为中心的局部环境三维点云。
博客
Bye，英伟达！华为NPU，跑出了准万亿参数大模型
05-08 468
在计算与访存亲和方面，通过增大模型里的hidden size（隐藏层大小），同时降低激活参数量，这样不仅能提升模型的计算量，还可以降低访存量，提高了模型训练时对算力的利用率，以及推理时的吞吐量。团队用这个建模仿真工具，把所有符合硬件适配要求的参数组合都测试了一遍，仔细评估它们在训练和推理时的数据处理速度，最后找到了性能相对更好的模型结构，具体情况可以看下面的图。团队还在研究新的显存节省方法，准备把多种优化策略组合起来，根据不同的设备配置，找到最适合的组合，既能提高显存利用率，又不会降低模型性能。
博客
开源即屠榜！UniME多模态框架登顶MMEB全球训练榜，刷新多项SOTA纪录
05-08 43
在表1中，展示了UniME与现有基线模型的性能对比，其中IND代表分布内数据集，OOD代表分布外数据集，报告的分数是相应数据集上平均精确度，最佳结果用粗体标出，†表示仅文本判别蒸馏的UniME，‡表示文本判别蒸馏和困难负样本增强指令调优的UniME。UniME作为一个创新性的两阶段框架，所展现的卓越的组合理解力，帮助MLLMs具备学习适用于各种下游任务的判别性表征的能力，并在多个任务中达到了新的SOTA。采用LLaVA-1.6作为基础模型时，UniME的平均性能进一步提高了4.1%。
博客
1/8成本比肩Claude 3.7，Mistral Medium 3来了
05-08 11
企业可以轻松将智能全面集成到系统中，借助Mistral的应用AI解决方案，该模型可以持续进行预训练、全面微调，并融入企业知识库，使其成为针对特定领域训练、持续学习和自适应工作流程的高保真解决方案。，这是一项面向企业的聊天机器人服务，提供了AI Agent建造器之类的工具，并将Mistral的模型与Gmail、Google Drive、SharePoint等第三方服务集成。官方称，在各类基准测试中，Mistral Medium 3性能达到或超越Claude Sonnet 3.7的90%，且成本大大降低。
博客
挑战AI数学推理极限！大规模形式化数学基准FormalMATH发布，最强模型成功率仅16%
05-07 9
FormalMATH包含5560个经过Lean4编译器验证的数学命题，涵盖代数、数论、微积分、离散数学等12个子领域，问题难度从国际数学奥林匹克（IMO）竞赛级延伸至本科课程，规模是经典基准MiniF2F的22.8倍。否定反证过滤 ：调用LLM证明器尝试「证伪」命题，排除无法成立的陈述。尽管大语言模型（LLM）在自然语言处理和代码生成等领域取得显著进展，但面对需要严格逻辑推导的数学定理证明任务时，其能力仍面临严峻挑战。现有模型在代数等领域表现较好，但在微积分等其他领域表现较差，显示出明显的领域偏差。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值