Axonnic 從 EMG 袖套擷取靈巧機器人關鍵訓練訊號
YC F26 團隊 Axonnic 開發前臂 EMG 袖套,藉由肌肉訊號解碼手指動作並估算指尖力度,為機器人補上單靠影片難以取得的發力資訊。
dettato 以約 21M 參數完成音訊轉 MIDI,模型體積僅約 muscriptor 1.3b 的六十分之一,專案宣稱測試成績亦領先。不過,測試方法、效率數據與訓練素材仍需第三方獨立驗證。
YC F26 團隊 Axonnic 開發前臂 EMG 袖套,藉由肌肉訊號解碼手指動作並估算指尖力度,為機器人補上單靠影片難以取得的發力資訊。
145B 模型能部署到個人電腦,不代表已具備實用 AI Agent 的條件。從硬體門檻、推論效能、工具呼叫到部署成本,檢視 Edge0-145B 真正能走到的邊界。
Apple 疑似正打造一款簡化本地模型部署的 Mac 應用,開發重點可能涵蓋模型管理、硬體調校、執行監控與端雲路由。這項產品能否降低開發門檻,取決於它是否能整合完整工作流,而不只是在現有工具外再包一層介面。
DeepX 已完成第二代 LPDDR5X PIM 晶片流片,宣稱可支援最高 100B 模型、將推理功耗壓在 5W 以下,效能較前代提升 6.7 倍。不過,記憶體容量、頻寬、延遲、功耗量測方式與軟體生態,仍有待第三方實測驗證。
Maple 以 Sub-2-BPW Moe Pruning 壓縮 Gemma 4 26B,專案宣稱模型可塞入 6GB GPU,並達到 45 TPS。本文從顯存、推論速度與剪枝品質三個面向,檢視這項結果是否經得起實測。
兩人實驗室以約兩萬美元從零訓練 PJIT-21K,並以 Apache 2.0 釋出權重。本文拆解訓練、推理、授權與部署成本,為 AI Agent 與多模態團隊整理一份採用前評估清單。
Cloud AI 100 Ultra 以 128GB 記憶體、548GB/s 頻寬與 150W 功耗切入雲端 AI 推理,主打高記憶體容量與部署密度。其硬體規格已清楚勾勒產品方向,但實際吞吐、延遲、模型相容性與軟體遷移成本仍待實測驗證。
Simon Willison 將 Qwen 3.8 27B 部署於個人筆電,用它分析其他模型的權重。這項實驗顯示本地 Agent 已能協助檢視參數,但模型提出的解釋仍不等同於經過驗證的因果結論。
2024 年一項研究證明,氣隙電腦的 RAM 可能透過電磁輻射將機密資料編碼並傳出隔離區。本文分析實際可行的攻擊條件、實驗限制,以及高風險環境應採取的防護措施。
Cerebras 公開了兆參數級模型的部署架構,涵蓋模型切分、跨裝置通訊、記憶體容量與批次處理。專用 AI 加速器能否在實際推論成本與服務效率上勝過 GPU,仍須仰賴更完整的基準測試。
EPFL 的專用神經晶片不再只辨識單一神經元,而是尝试解碼不同腦區之間的資訊互動。這項硬體與演算法協同設計的研究,也提醒開發者重新思考 Agent 模組間的介面:除了結果,是否也該保留互動關係與時序脈絡。