NVIDIA
NVIDIA 把 GPU 算力搬进天文台 — 老黄想让科研仪器也跑 CUDA
NVIDIA 发布 cuPhoton，把望远镜、激光、X 射线光源等科研仪器的图像处理从 CPU 搬上 GPU。表面是给科学家提速，背后是 NVIDIA 把 CUDA 生态从 AI 模型训练延伸到科研基础设施。
返回首页
CUDA
找到 12 篇关于此标签的文章
NVIDIA
英伟达发布 Green Contexts — 一张 GPU 同时跑多个 AI 任务不再打架
英伟达推出 Green Contexts 功能，让开发者精细控制单卡上多个 AI 任务的算力分配。当大模型 API 价格战接近极限，硬件层精细调度正成为推理降本的新战场。
llama.cpp
本地跑 AI 仍是少数人的游戏 — 一个求助帖里的行业隐喻
一位 Reddit 用户在 Linux 上尝试本地运行 Qwen 量化模型，被 CUDA 版本冲突卡了好几天。看似个人求助，背后是消费级硬件能否撑起本地 AI 体验的真实门槛。
PyTorch
本地跑大模型的人都在骂 CUDA 崩溃 — 一个开源小工具想终结「重启到天亮」
这周 Reddit 上一个开发者发了 MEM v3：一个能实时监控 GPU 显存、自动调 batch size 的小工具。它不性感，但解决的是让无数本地训练团队凌晨三点爬起来重启的真实痛点。
NVIDIA
H100 一卡难求不只是性能强 — 真正的护城河是十几年生态积累
H100 是 AI 训练的事实标准，单卡 FP8 算力 1979 TFLOPS 还只是表面，真正的护城河是 CUDA 生态。值得我们关心：它决定了大模型的成本结构，也影响下一个十年的算力格局。
NVIDIA
英伟达把自家 GPU 文档做成 AI 可调用的标准模块 — 大模型拼'能干活'的时代来了
英伟达这周上线官方托管的 CUDA MCP，让 AI 助手能直接搜最新 GPU 编程文档、写优化代码、分析性能。值得关心的是：MCP 这种'AI 调外部工具'的统一协议被头部厂商接受，未来大模型拼的不只是聪明，而是能不能真的接入真实世界的资源。
NVIDIA
英伟达真正值钱的不是更快的芯片 — 是二十年没人敢换的那套软件
英伟达从 1993 年加州一家快餐店诞生的显卡公司，成长为市值万亿的 AI 算力霸主。这条路靠的不是芯片更快，而是 2006 年开始铺、二十年没人敢换的软件生态。理解它，是看懂 AI 算力为什么这么贵的前提。
GLM5.2
GLM5.2 跑速曝光：460GB 模型不是更强，而是先把部署门槛抬高了
一则 Reddit 讨论把 GLM5.2 的现实问题摆上台面：460GB 的超大检查点文件，让性能不只取决于模型能力，更取决于显卡、内存和推理栈。值得关心的是，大模型竞争正在从“谁更聪明”转向“谁更跑得动”。
NVIDIA
CUDA 仍能收溢价，不是因为模型不会写代码，而是生态太难补
Reddit 上一个直白提问点中了 AI 硬件竞争的关键：大模型已经很会写代码，但 AMD 的 ROCm、英特尔的软件栈仍追不上 CUDA。值得我们关心的是，算力市场的壁垒越来越不只是芯片性能，而是“能不能稳定跑起来”的整套软件生态。
NVIDIA
一个 5MB 小工具跑通英伟达 3D 模型，AI 推理开始从大平台回到轻部署
开发者用 CUDA/C++ 从零写了一个仅 5MB 的推理引擎，能直接跑英伟达 1.17 亿参数的 3D Transformer 模型。值得关心的不是项目体量，而是一个明确信号：不少 AI 应用的竞争，正从“谁模型更大”转向“谁更容易部署、调用和集成”。
PyTorch
PyTorch 占据八成开发者桌面 — 大模型淘金热里，卖铲子的依然是英伟达
PyTorch 已成 AI 开发事实标准，但软件层的统一反而凸显了硬件层 CUDA 的垄断门槛。大模型竞争的瓶颈，正从框架之争退回到显卡算力与配环境上。
Gemma 4
Gemma 4 本地 CUDA 设置：精度陷阱与真实基准测试
在本地 CUDA 上运行 Gemma 4 时，若 KV 缓存边界处的数据类型不严格匹配，输出将静默退化。
4月7日4 分钟opcnew 编辑部reddit.com