HORIZON 日报

论芯已成功将人工智能驱动的方案部署到电子设计自动化（EDA）生产线上，标志着该领域从实验性工具向实际应用的重大转变。这套新系统读取和处理复杂芯片协议文档的速度比传统方法快 25 倍。此外，它还展示了识别关键“流片级”（respin-level）缺陷的能力，这些缺陷若未被发现将导致昂贵的芯片重新设计。 这一突破解决了芯片设计中的一个主要瓶颈，即人工验证协议文档速度慢且容易出错。通过尽早发现流片级缺陷，公司可以避免因制造有缺陷的芯片而造成的数百万美元损失和数月的延误。这一进展标志着一个更广泛的行业趋势，即人工智能正超越代码生成，成为硬件验证生态系统不可或缺的一部分。最终，这可能显著缩短新半导体产品的上市时间并提高整体良率。 其核心功能是根据分析后的协议文档自动输出可用的验证代码。报道中提到的 25 倍提速特指与人工或传统自动化流程相比，在摄入和理解芯片协议规范方面的效率提升。该系统标记“流片级”缺陷的能力意味着它能检测到严重到需要重新流片（tape-out）的逻辑不一致问题，这是芯片开发中成本最高的失败模式。

一位开发者创建了名为'LawBreaker'的程序化生成基准，该基准利用 SymPy 和 Pint 进行符号数学验证，测试大语言模型在 28 条物理定律上的表现，而非依赖大模型作为评判者。对七个 Gemini 模型的初步测试显示了巨大的性能差异，其中 gemini-3.1-flash-image-preview 得分为 88.6%，而 pro 版本仅得 22.1%。该基准专门针对单位混淆和锚定偏差等常见推理陷阱，发现即使是顶级模型也因压力单位错误而在伯努利方程上完全失败。 这一进展意义重大，因为它通过提供一种客观、数学严谨的方法来评估物理推理，解决了人工智能中的幻觉关键问题，且无需人为偏见或模型自我评估。通过暴露单位转换失败和公式遗漏等具体弱点，它为开发人员提供了具体数据以提高模型在科学领域的可靠性。小型专用模型在特定任务上优于大型'pro'模型的发现，挑战了仅靠规模就能保证更好推理能力的假设。最终，这可能会改变行业对工程和科学应用中人工智能的验证方式，从基于感觉的检查转向确定性验证。 该基准涵盖了包括欧姆定律和牛顿定律在内的 28 条不同物理定律，并生成无限的问题变体以防止模型死记硬背。它采用了特定的对抗性陷阱，例如混合毫安与安培、摄氏度与开尔文，以及在动能计算中省略 ½ 因子。结果会自动推送到 HuggingFace 数据集，代码已在 GitHub 上开源，可用于测试 OpenAI 的 GPT 和 Anthropic 的 Claude 等其他模型。值得注意的是，帕斯卡与大气压之间的压力单位混淆导致所有测试模型在伯努利方程上的成功率均为 0%。

一位独立开发者发布了针对 BDH（Dragon Hatchling）架构的 Hebbian 快速权重写回功能的第一个开源实现，填补了原论文代码中的空白。该实现证明，虽然密集写回会降低模型性能，但仅写回活跃度前 10% 行的选择性巩固策略能在推理过程中保持信号完整性。在合成 n-back 任务上的基准测试显示，这种选择性方法的准确率保持在 96.2% 到 97.5% 之间，与未进行巩固的对照组表现相当接近。 此次发布意义重大，因为它验证了一种生物上可行的持续学习机制，使神经网络能够在推理过程中更新自身权重而不会发生灾难性遗忘。通过解决写回问题，这项工作弥合了理论 Hebbian 可塑性与实际部署之间的关键差距，使模型能够将情景记忆保留在长期慢速权重中。它为需要动态记忆和单次学习能力的任务提供了标准 Transformer 架构的潜在替代方案。此外，将该代码开源使得更广泛的社区能够验证结果并加速对后 Transformer 时代生物启发模型的研究。 该实现在 NVIDIA H100 硬件上进行了验证，使用的是一个拥有 2500 万参数的模型，训练数据为合成的 n-back 关联回忆任务而非自然语言。虽然基础 Hebbian 机制的准确率高达 99.0%，但密集写回会将性能降至低至 68.1%，而选择性“rowtop10

本次发布主要修复了 Cowork Dispatch 功能中的一个关键问题，解决了消息无法投递的故障。此版本未新增任何功能，也不包含破坏性变更或 API 更新。遇到 Cowork Dispatch 消息投递失败的用户应升级至 v2.1.87 以恢复正常运行。

SageAttention 引入了一种新型量化注意力机制，在语言、图像和视频模型上实现了比 FlashAttention 快 2 到 5 倍的速度。该优化在保持模型精度的同时，确保了端到端性能指标不受损失。它代表了训练和推理阶段高效 Transformer 架构的重大飞跃。 随着大型模型的普及，注意力机制的计算成本仍然是部署的主要瓶颈。SageAttention 通过利用量化大幅减少内存带宽使用，同时保持精度，直接解决了这一问题。这使得在资源受限的硬件上进行高性能大语言模型推理成为可能，降低了生产采用的门槛。在保持与 FlashAttention 相当精度的同时显著提升速度，对于可扩展的 AI 基础设施至关重要。 该项目在当前行业标准 FlashAttention 的基础上，跨多种模态实现了稳定的 2 到 5 倍加速。它被设计为即插即用组件，无需更改现有模型架构即可运行。早期基准测试表明，尽管采用了激进的量化策略，最终模型质量并未出现下降。

Andrej Karpathy 发布了 llm.c，这是一个完全用简单的 C 和 CUDA 代码编写的无依赖大型语言模型训练实现。该项目去除了 PyTorch 等复杂框架，揭示了现代 AI 模型背后的原始数学运算。它作为一个透明的参考，展示了如何从头构建和训练 Transformer 模型。 该项目通过将数千行抽象代码简化为可读的底层代码，揭开了深度学习框架的“黑盒”神秘面纱。它为希望在不依赖框架开销的情况下理解反向传播、注意力机制和 GPU 内存管理精确机制的工程师提供了宝贵的教育资源。通过简化技术栈，它增强了调试能力，并促进了对通常被高级库掩盖的 AI 基础设施的根本理解。 该仓库仅使用标准 C 和 NVIDIA 的 CUDA 实现了完整的训练循环，包括数据加载、分词、前向传播、损失计算和反向传播。它支持在单张 GPU 上训练 GPT-2 风格的架构，性能可与优化后的框架相媲美。代码库故意保持极简，避免外部依赖，以确保用户可以看到并修改每一行逻辑。

NVIDIA 的 Instant-NGP 引入了一种多分辨率哈希编码技术，能够在单张 GPU 上实现神经辐射场（NeRF）的近乎即时训练。该框架将优化时间从数小时大幅缩短至数秒，同时保持了高质量的渲染效果。它已成为实时 3D 场景重建和神经图形研究的基础工具。 早期的 NeRF 实现因训练时间过长而受限，难以应用于动态环境或迭代开发工作流。Instant-NGP 利用通过 CUDA 优化的稀疏体素网格和哈希表，消除了这一瓶颈，使高保真 3D AI 能够用于实时场景。这一突破让研究人员和工程师无需大规模计算集群即可快速原型化复杂 3D 场景。因此，它已成为现代 3D 深度学习事实上的标准基础设施。 其核心创新是一个可训练的多分辨率哈希表，能将输入坐标映射为特征向量，从而使网络高效地学习细节。该项目包含了可从图像或视频进行即时重建的独立应用程序，以及用于集成到自定义流程中的 Python API。它需要支持 CUDA 的 NVIDIA GPU，并专门针对静态和动态场景表示任务进行了优化。

SakanaAI 发布了 AI Scientist-v2，这是一个利用智能体树搜索方法生成完整科学论文的自主系统。与前代产品不同，该版本不再依赖人类编写的模板，从而能够在机器学习领域进行开放式探索。该系统成功产出了首篇通过同行评审并被研讨会接收的纯 AI 撰写论文。 该项目标志着从辅助编码向完全自主科学发现的重大转变，有望加速人工智能的研究周期。通过采用智能体树搜索，该系统能够比模板驱动的方法探索更广阔的假设空间，从而促进新颖见解的产生。然而，这也凸显了与结构化方法相比，在探索广度与成功率之间的权衡。对于工程师而言，它提供了一个构建复杂多步智能体工作流的框架，能够安全地管理代码执行和数据分析。 该系统无需人工干预即可自主完成假设生成、实验执行、数据分析和论文撰写。它利用由实验管理器智能体引导的渐进式智能体树搜索来导航研究方向。由于执行大语言模型生成的代码存在安全风险，用户必须在 Docker 等严格控制的沙箱环境中运行该代码。

Onyx 已成为一个生产就绪且可自托管的 AI 平台，能够无缝集成任何大型语言模型，包括 Ollama 等本地部署方案。它引入了自定义代理、深度研究工作流以及连接到 40 多个知识源的高级混合搜索 RAG 等功能。该平台支持完全物理隔离的环境，满足了企业部署的关键安全需求。 该项目填补了关键空白，使组织能够在不牺牲代理工作流或网络搜索等现代功能的前提下，完全控制其 AI 基础设施。通过同时支持基于云和本地托管的大语言模型，Onyx 在提供企业级用户管理和分析的同时消除了供应商锁定风险。其在物理隔离环境中运行的能力，使其成为处理敏感数据的监管行业的独特选择。因此，AI 工程师可以快速部署复杂的 RAG 系统，而无需从头构建复杂的基础设施。 主要功能包括带有知识图谱的行业领先混合搜索、用于数据分析的代码解释器以及对模型上下文协议（MCP）的原生支持。部署可通过 Docker、Kubernetes 或 Terraform 简化，并提供一键安装脚本以实现快速设置。该平台连接到从 Google Drive 到 Slack 等多种数据源，从而实现全面的组织知识检索。