Claude 优化生物分子建模开源模型, 平均提速约 4 倍
Claude 让科学家用于预测和设计生物分子的开源模型变得更快、更省内存：它在不到四周内优化了 30 多个这类模型，平均提速约 4 倍；还开发了一种低显存模式，使单个 NVIDIA GPU 节点即可准确预测超过 10,000 个 token（氨基酸、核苷酸，以及来自小分子和离子的原子）的生物分子体系。
相关动态
沿时间看主要节点
使用 NVIDIA Earth2Studio 构建自定义批量集合天气预报
本教程展示如何用 NVIDIA Earth2Studio 构建自定义批量集合天气预报：在保留 Colab 的 CUDA 版 PyTorch 环境下安装所需组件，加载 FCN 模型并从 GFS 获取大气初始条件；实现把 10 米风分量转为风机容量系数的风电诊断，以及按变量施加物理合理噪声、保留未扰动控制成员的扰动系统。通过 Earth2Studio 的低层迭代器、坐标映射、批处理和 Zarr API 构建集合执行管线，把预报与诊断场写入坐标感知数据存储，并用纬度加权 RMSE、公平 CRPS、集合离散度和离散度-技巧比对照 GFS 分析验证。最后以空间图、位势高度 spaghetti 等值线、点扇图、风电容量系数预报和预报时效技巧曲线展示集合不确定性。
PhysicsNeMo 通用版 v2.2.0
PhysicsNeMo 通用版 v2.2.0 新增 ShardTensor 对 GeoTransolver 与 FLARE 模型的支持；通过 tensordict 的 zarr 后端实现 Mesh/DomainMesh 的 zarr 读写（训练适配 chunking 与 zstd 压缩），需要可选的 zarr>=3。GeoTransolver、FLARE 及 GALE/FLARE 注意力层从实验状态转正；OOD 防护与模型解耦，可用 GuardedGeoTransolver 或 attach_ood_guard 启用，并移除 guard_config 模型参数。另新增天顶/方位角辅助函数、shrink-and-perturb 权重重初始化、隐式域体网格生成，以及 ShardTensor 编译安全子类扩展点。
AI新闻: 质量差10%, 成本低100倍, 速度快10000倍: 为何模拟正在接管
据Latent Space报道，自2022年以来，人工智能流水线的各个组件正逐步从人工制造转向模型制造，每个转变都始于前沿实验室的“零号病人”。这种转变可概括为“模拟”，其特点是性能略差（10%），但成本极低（100倍）且速度极快（10000倍）。第一阶段（2022年）：奖励信号合成化，InstructGPT建立奖励模型范式，随后宪法AI和RLAIF让AI自我评判。第二阶段（2023年）：训练数据合成化，微软Phi系列证明“教科书即一切”，苹果WRAP通过LLM重写整个网络使预训练效率提升约3倍，NVIDIA的Nemotron-4 340B发布了许可的合成数据生成流水线。
黄仁勋团队新研究: 智能体‘线束’比模型本身更重要
英伟达最新研究显示，在让AI完成长周期任务时，软件‘线束’（围绕模型的工具、记忆管理和规则）比底层模型更关键。通过定制线束，研究人员让Claude Opus 5在无说明的2D游戏基准ARC-AGI-3上达到100%得分，而无线束时仅30%。英伟达产品副总裁强调，智能体不仅包含模型，还包括脚手架、运行时和工具库。长周期任务需连续决策，易出错，是智能体研究的重点。
NVIDIA 编码代理 AVO 在 ARC-AGI-3 中达到 100% 得分
NVIDIA 的编码代理 AVO 在 ARC-AGI-3 的 25 个公开游戏中获得 100% 得分，解决了全部 183 个关卡。该代理没有获得任何规则或既定目标，必须通过尝试、观察结果并纠正错误来学习。AVO 的成功依赖于记住所学内容。
小内存占用机器学习原子间势解锁多组分块体材料分子动力学
块体材料需在大空间尺度（约10^9原子或更多）上进行分子动力学（MD）模拟。现有机器学习原子间势（MLIP）虽将MD扩展到该尺度，但即使单组分体系也需数万块GPU；多组分模拟几乎不可行，因为现有MLIP的HBM占用在单组分体系中已很大，在多组分场景下会爆炸式增长。本文提出一种HBM占用不到现有MLIP 3%的MLIP：引入物理和化学知识降低特征向量维度，并将所有内核融合为单个mega-kernel，从而消除中间张量。评估中，该MLIP用144块NVIDIA A100 GPU，对含1.14×10^9个原子的6组分块体体系完成MD模拟；此前该尺度仅限单组分体系，且通常需要配备数万块GPU的高端超算。
《AINews》如何窃取推理痕迹
《AINews》报道了一项新研究，该研究展示了如何解码加密的推理轨迹，并将其移植到其他模型、会话或用户中，从而显著改进开放模型。自o1发布以来，前沿实验室的推理模型加密了其推理轨迹以防止蒸馏，但此研究表明这些加密块可被重放至较弱模型并经提示转录。研究还警示，公开分享的加密推理会话可能泄露个人数据，初步扫描约7000条公共轨迹发现62个API密钥、33个邮箱、33个密码等敏感信息。论文还涉及对齐问题，如思维链摘要器隐藏答案等。
NVIDIA/physicsnemo v2.1.1 发布
NVIDIA 发布了开源深度学习框架 physicsnemo 的 v2.1.1 版本，发布入口为 Release v2.1.1 · NVIDIA/physicsnemo。根据发布说明，physicsnemo 用于构建、训练和微调深度学习模型，并采用当前先进 state-of-the-art 的 Physics-ML（物理机器学习）方法。该框架定位为开源工具，面向使用 Physics-ML 进行建模与训练的场景。此次发布说明仅给出版本发布信息，未列出具体的变更明细、修复内容或新增功能。
Anima Anandkumar 用 AI 加速科学发现
Anima Anandkumar 是加州理工学院布伦教授，领导 Anima AI + Science 实验室，并曾在亚马逊云服务和 NVIDIA 担任要职。她的研究基于数学和物理第一性原理，开发出“神经算子”这一通用 AI 框架，能模拟从分子到气候的多尺度物理过程，速度可比传统方法快百万倍，且能结合物理定律验证预测。这推动了高分辨率天气预报和新型医疗器械设计等进展。
NVIDIA ALCHEMI工具包加速AI驱动的化学与材料科学模拟
机器学习原子间势（MLIP）正在变革计算化学与材料科学，但开发者面临缺乏GPU加速的原子模拟工具的问题。现有工具多为CPU中心，在混合工作流中，模型由PyTorch在GPU上加速，而模拟工具为串行CPU，导致效率瓶颈。NVIDIA在Supercomputing 2024上发布了ALCHEMI（AI化学与材料创新实验室），提供领域专用工具包和NIM微服务，包含GPU加速的批量操作，如邻居列表等，旨在弥合PyTorch与原子模拟之间的鸿沟。