Постоянна тема: Новини за целия AI сектор: модели, програмиране, агенти, роботика, научни изследвания, хардуер и практически приложения.

SageMaker добавя AI подготовка на данни: съгласието между модели още не е вярно означение

AWS обяви генериране, проверка и означаване на набори с възможност за човешки преглед. Важното разграничение е между автоматична увереност и проверено качество.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

sagemaker-ai-data-preparation-human-review-nov17-2026-e5c97b04c2f2f120.jpg


AWS обяви на 17 ноември възможности за AI подготовка на данни в SageMaker: генериране на синтетични примери, оценка и преобразуване на набори, автоматично означаване и човешки преглед. Достъпът е чрез Python SDK или помощник за програмиране със съответното умение. Съобщението посочва обща наличност в регионите Северна Вирджиния и Орегон. Това не установява наличност във всеки AWS регион.

Означаване и проверка са различни задачи

Документацията уточнява, че тази линия за подготовка работи с текстови данни и има регионални и ресурсни ограничения. Тя описва управлявани задачи и изисквания към SDK. Изборът на услуга трябва да започне от формата и предназначението на набора, а не само от това дали работният процес може да бъде зададен с естествен език.

Нашият анализ на подхода започва с една проста разлика: няколко модела могат да са съгласни и въпреки това да грешат по един и същ начин. Съгласието е полезен сигнал за приоритизиране на прегледа, но не заменя референтното означение. Затова приемателният тест трябва да сравнява с човешки проверени примери, които не са използвани за нагласяване на правилата.

Документацията посочва версия 3.30.0 или по-нова на SageMaker Python SDK и отбелязва, че повечето задачи използват Bedrock модели. Следователно в бюджета участват и приложимите квоти и такси за тези извиквания. „Подготовка на данни“ не означава безплатно генериране на неограничени набори.

Как да остане независим тестовият набор

В примерна задача за помощен център бихме разделили материалите по източник или продуктово семейство, когато има много близки версии на един документ. Ако почти еднакви записи попаднат едновременно в обучението и теста, оценката може да изглежда добра без действителна способност за обобщаване. Това е редакционен пример за риск от припокриване, не установена слабост в SageMaker.

При синтетични данни запазете спецификацията, изходния контекст и причината за всяко правило за проверка. Така грешен шаблон може да бъде проследен до началото, вместо да се превърне в хиляди привидно независими примери. Броят генерирани редове е мярка за обем, не самостоятелна мярка за разнообразие.

Човешкият преглед има собствена цена

Полезно е да се измерва колко спорни примера може да реши рецензентът и колко често правилата трябва да се уточняват. Ако голям дял от набора изисква повторна обработка, автоматизацията може да премести усилието към друг етап. Подобно измерване трябва да се направи за конкретната задача.

Наличните инструменти могат да съкратят ръчното сглобяване на отделни стъпки. Качеството обаче остава свойство на целия процес: източници, критерии, независимо оценяване и поправки. SIExpo не е създавал набор с новата услуга и не представя фирмените примери като собствен практически тест.

Източници
Announcing AI data preparation capabilities in Amazon SageMaker: Build high-quality datasets for model development workflows | Artificial Intelligence — 2026-11-17
Recommendations for choosing the right data preparation tool in SageMaker AI - Amazon SageMaker AI

Статия в SIExpo.bg: https://siexpo.bg/article/sagemaker-ai-data-preparation-human-review-nov17-2026
 
HyperPod добавя управляван NVIDIA Dynamo: prompt обработката и генерирането могат да се разделят

AWS обяви поддръжка за разпределен inference. Разделянето на prefill и decode носи нови възможности, но и зависимост от преноса на KV кеш.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

sagemaker-hyperpod-managed-dynamo-prefill-decode-2026-7e9931f7bad285db.jpg


AWS съобщи на 17 ноември, че SageMaker HyperPod Inference поддържа NVIDIA Dynamo. Интеграцията е насочена към големи модели и разпределено обслужване на заявки. Компанията описва възможност за много възли и за отделни групи работници за обработване на входния контекст и генериране на отговора. Това е продуктова възможност; публикуваните измервания на доставчика не са универсално обещание за ускорение.

Две различни части на една заявка

Входният контекст първо трябва да бъде обработен, а след това моделът генерира следващите токени. Документацията на AWS разграничава общ режим, при който работникът изпълнява и двете части, от разделен режим с отделни групи. При втория KV кешът преминава между тях. Документацията на самия Dynamo описва рамката за разпределено обслужване; тя е технически контекст, а не независимо доказателство за конкретен облачен резултат.

Полезният инженерен въпрос е дали двете фази действително имат различен профил във вашите заявки. Кратък въпрос след дълъг документ може да натоварва системата различно от дълъг отговор при малък вход. Отделните групи позволяват тези режими да се разглеждат самостоятелно, но добавят координация и обмен на състояние.

В документацията изборът се задава чрез dynamoSpec в конфигурацията на endpoint. Управляваните компоненти включват оператори и планиране на свързани GPU задачи. Това отделя описанието на работната конфигурация от самите моделни тегла; услугата не избира автоматично най-подходящия модел за приложението.

Кешът трябва да стигне навреме

Нашият редакционен прочит е, че мрежата става част от изчислителния път. По-бърз работник за една фаза не гарантира по-бърз краен отговор, ако преносът или изчакването на друга група доминират. Затова бихме наблюдавали опашките, времето до първи токен и времето за целия отговор заедно.

За пилот предлагаме да се запази базовата конфигурация и да се сравнят еднакви заявки при еднакво качество. Разделете резултатите по дължина на входа, дължина на изхода и паралелност. Средната стойност сама може да скрие редки, но тежки забавяния, които определят усещането на потребителя.

Управлявано не означава без решения

Екипът все още избира модела, размера на групите и целевото поведение при натоварване. Текущата документация трябва да се провери за налични региони, съвместими образи и параметри. Не пренасяме конфигурация от демонстрация директно в продукционен процес и не обещаваме еднаква цена за всички задачи.

Новината е, че повече от оркестрацията може да бъде поета от управлявана интеграция. Дали разделянето носи полза, се установява с пълната заявка и реалните ограничения на услугата. SIExpo е проверил съобщението и документацията, без да разгръща или бенчмаркира клъстер.

Източници
Managed NVIDIA Dynamo on Amazon SageMaker HyperPod Inference | Artificial Intelligence — 2026-11-17
Deploy models with Managed NVIDIA Dynamo on HyperPod - Amazon SageMaker AI
NVIDIA Dynamo documentation

Статия в SIExpo.bg: https://siexpo.bg/article/sagemaker-hyperpod-managed-dynamo-prefill-decode-2026
 
Експеримент с Transformers стриймва MoE експерти от SSD: 32 GB не означават целия модел в RAM

Новият технически разбор и отворен pull request показват опит за голям модел на ограничена памет. Дисковият трафик и дългият контекст остават част от цената.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

transformers-moe-expert-streaming-32gb-prototype-nov18-2026-ce66704989b98325.jpg


Тарек Зиаде публикува на 18 ноември експеримент за изпълнение на голям MoE модел с Transformers чрез стриймване на експерти от SSD. Авторът описва конфигурация на Mac с 32 GB обединена памет и Qwen3.8‑Flash‑Next. Това е отчет на автора за прототип, подкрепен с код, а не независимо потвърден бенчмарк или обещание за произволен лаптоп.

Къде са теглата

Свързаният pull request #50717 е обозначен като доказателство на концепция за offload на експерти. Този статус е важен: обсъждан интерфейс в предложение за промяна не означава функция, която вече присъства в стандартната инсталация. Преди възпроизвеждане трябва да се провери точната версия и състоянието на предложението.

Основната разлика е между съхраняване на всички тегла и държане на нужната част в бърза памет. При MoE маршрутизаторът избира част от експертите за текущото изчисление. Това позволява да се обсъжда йерархия от диск и кеш, но добавя зависимост от това кои данни ще потрябват следващи. Заглавното число за параметрите не е количество, което магически изчезва.

Самото предложение предупреждава, че е написано с AI доказателство на концепция и се нуждае от преработване преди включване. Това ограничение е по-конкретно от общото обозначение „експериментално“. То е причина да се следи развитието на интерфейса, а не да се обещава готова функция на потребителите.

Капацитетът има цена във времето

Нашият прочит е, че такава техника трябва да се оценява едновременно по възможност за зареждане и по време до полезен резултат. Ако активният набор постоянно се сменя, дисковите четения могат да имат по-голямо значение. Ако повтарящите се части остават в кеша, поведението може да е различно. Това е обяснение на инженерния компромис, не измерване на конкретния код.

При сравнение бихме разделили първото изпълнение след стартиране от следващото със същата задача. Бихме записали също свободната памет, размера на контекста, точната квантизация и използвания SSD. Без тези условия две стойности за токени в секунда могат да изглеждат сравними, а да измерват различни режими.

За кого е полезен прототипът

Разработката е интересна за екипи, които изследват границите на локалното изпълнение и могат да поддържат експериментална среда. За работен процес с твърд срок по-полезен е въпросът дали по-малък модел приключва задачата навреме, отколкото дали най-големият модел изобщо тръгва.

SIExpo не е инсталирал този pull request и не е възпроизвеждал резултатите. Проверимата новина е публикуваният технически опит и предложението за интеграция. Пътят от този опит до поддържана, предвидима функция изисква последващо проследяване.

Източници
180B Parameters, 32GB of RAM: Pushing MoE Inference to the Limit with Transformers — 2026-11-18
POC: Experts offload by tarekziade · Pull Request #50717 · huggingface/transformers · GitHub

Статия в SIExpo.bg: https://siexpo.bg/article/transformers-moe-expert-streaming-32gb-prototype-nov18-2026
 
Tesla Powercore е обявен за 2027 г.: какво означават мощността и пиковият КПД за AI центровете

Калдата насочи вниманието към силовата платформа. Съпоставяме текущото съобщение с независимия репортаж и първичния технически контекст за 800 V DC.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

tesla-powercore-announcement-800v-data-centre-ratings-2026-6f770736572899a8.jpg


Tesla обяви Powercore — силова платформа, съчетаваща функции на трансформатор, инвертор и прекъсвач. Репортажът на Electrek от 17 ноември възпроизвежда съобщението на Tesla Megapack: 7,4 MW непрекъсната мощност, 9 MVA и поддръжка до 10 MVA в пиков режим. Посочената година за работа е 2027. Проверихме съдържанието на съобщението чрез репортажа; директният достъп до публикацията в X беше недостъпен.

Защо темата засяга AI инфраструктурата

Калдата отразява платформата и съобщава пиков КПД 98,86%. Този показател трябва да остане обозначен като заявена пикова стойност. Той не описва самостоятелно загубите на целия център при всякакво натоварване, нито установява независимо измерена икономия в работещ обект.

Първичният технически контекст е архитектурата на NVIDIA за 800 V постоянен ток. Публикацията ѝ от 2025 г. описва преместване на преобразуването и разпределението на енергия при много по-плътни изчислителни системи. Това е отделна архитектурна програма и не доказва сертификация, доставка или конкретен клиент за Powercore.

При постоянна мощност връзката P = V × I обяснява защо по-високото напрежение намалява необходимия ток в опростен DC пример. За 800 kW идеализираното отношение дава 1000 A при 800 V. Това е редакционна сметка без загуби, не проект, режим или изпитване на Powercore.

Как да четем числата

MW и MVA не са взаимозаменяеми означения. Първото изразява активна мощност, второто — привидна мощност. Затова не превръщаме пиковите 10 MVA в обещание за 10 MW непрекъснато захранване. Разликата има значение при сравнение на продукти, дори когато заглавията използват само най-голямото число.

Нашият редакционен пример за оценка започва с една и съща граница на измерване. При сравнение на две платформи трябва да е ясно дали КПД е за отделен преобразувател, за целия електрически път или за конкретен режим. Пиковата стойност и средната стойност за реален ден могат да отговарят на различни въпроси. Не изчисляваме възвръщаемост без цена, товарен профил и съпоставими условия.

Обявяване и въвеждане в експлоатация

Съобщението поставя нов участник в инфраструктурния избор, но не е отчет за вече работещи масови инсталации. За бъдеща оценка бихме търсили документирани условия на изпитване, ефективност при различно натоварване, обслужване и реален график за конкретен обект. Това е редакционна рамка за проследяване, а не инструкция за проектиране на високоволтова система.

Значимото за AI сектора е, че електрозахранването все по-често определя възможния мащаб на изчисленията. Днешният проверим резултат е обявената платформа с бъдещ срок; реализираният ефект остава за доказване след внедряването.

Източници
Tesla unveils 7.4 MW Powercore to take on ex-exec Baglino's Heron Link | Electrek — 2026-11-17
NVIDIA 800 VDC Architecture Will Power the Next Generation of AI Factories | NVIDIA Technical Blog — 2025-05-20
Калдата — Tesla Powercore

Статия в SIExpo.bg: https://siexpo.bg/article/tesla-powercore-announcement-800v-data-centre-ratings-2026
 
IBM и Confluent доближават моделите за времеви редове до потока от данни

Нова публикация описва прогнозиране и откриване на аномалии във Flink. Навременният сигнал е полезен само ако времето и действието са определени правилно.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

ibm-confluent-streamhouse-time-series-inference-2026-1438f73b64fa825e.jpg


IBM Research описа на 18 ноември интеграция на своите модели за времеви редове с Confluent и Apache Flink. Идеята е прогнозите и сигналите за аномалии да се създават близо до текущия поток от числови наблюдения, включително чрез SQL. Екипът заявява работа на CPU и варианти за облачна и локална инфраструктура. Публикацията е техническо представяне от участниците в решението, а не независим одит на ефекта при клиенти.

Прогноза с точна времева основа

Документацията на Confluent за прогнозиране разглежда функцията в контекста на Flink заявки. Тя е важна за конкретните входове и ограничения, които общото съобщение не може да замени. Операторът трябва да провери текущата документация за избраната услуга и конфигурация, вместо да приема, че всяка описана възможност работи еднакво навсякъде.

Нашият инженерен прочит започва с въпроса кое време измерва редът. Моментът на физическото събитие, получаването на съобщението и изчисляването на прогнозата могат да са различни. Ако отдалечен сензор изпрати старо измерване след новите, системата трябва да има определено поведение. Иначе добре изглеждащата крива може да отговаря на вече отминало състояние.

Има съществена уговорка: свързаната от авторите документация обозначава AI_FORECAST като Early Access функция за оценяване и непродукционни тестове. Не приравняваме общото описание на интеграцията с гарантирана продукционна готовност на всяка SQL функция. Различните възможности и модели трябва да се проверят поотделно.

От сигнал до проверима реакция

Примерен пилот може първо само да записва прогнозата, без да управлява машина или поръчка. Сравнете я с прост базов метод върху същия времеви хоризонт. Записвайте не само средната грешка, но и случаите, при които сигналът идва твърде късно за полезна намеса. Това са наши предложения за приемателен тест, не публикувани резултати на IBM.

За аномалиите е полезно да се отчита и натоварването на хората, които получават известия. Много предупреждения без ясен приоритет могат да отнемат повече внимание, отколкото спестяват. По тази причина определението за успешен сигнал трябва да включва последващото решение: преглед, отлагане, ескалация или корекция на данните.

Какво още трябва да се измери

Работата на CPU не означава нулев инфраструктурен разход. Потокът, състоянието на заявките, съхранението и възстановяването след прекъсване също имат цена. В сравнението е разумно да участват целият път до резултата и поведението при липсващи измервания.

Новото тук е поставянето на прогнозната функция по-близо до оперативните данни. Дали това подобрява конкретен процес, се доказва с неговите собствени времеви ограничения и контролирано сравнение, а не с общия брой изтегляния на моделното семейство.

Източници
Time-Series Models in the Streamhouse: A New Frontier and Use Cases — 2026-11-18
Forecast Data Trends with Confluent Cloud for Apache Flink | Confluent Documentation

Статия в SIExpo.bg: https://siexpo.bg/article/ibm-confluent-streamhouse-time-series-inference-2026
 
Rumble‑2‑Flash отваря малък многоезичен ASR модел; телефонният запис остава отделен тест

Reson8 публикува модел с 0,5 млрд. параметъра и Apache 2.0 лиценз. Размерът, езиковото покритие и грешките при реални разговори трябва да се оценяват отделно.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

reson8-rumble-2-flash-open-speech-model-evaluation-2026-cb20c28f05f7fb9a.jpg


Reson8 представи на 18 ноември Rumble‑2‑Flash — отворен модел за разпознаване на реч с около 0,5 млрд. параметъра и заявена поддръжка за над 40 езика. Публикацията посочва Apache 2.0 лиценз и интеграция с Transformers и vLLM. Резултатите за точност и бързина са измервания на екипа; SIExpo не е изпълнявал собствен сравнителен тест.

Малкият модел и реалният запис

Картата на модела предоставя отделна отправна точка за използване и ограниченията на публикувания пакет. Преди внедряване тя трябва да се разглежда заедно с конкретната версия на средата. Съвместимостта с библиотека не отменя изискванията към паметта, аудиоформата и поддържания начин за подаване на записи.

Полезно е да разграничим разпознаване на думи от разпознаване на намерение. Транскрипторът може да произведе граматически гладко изречение, което съдържа грешна сума, отрицание или лично име. За последваща автоматизация една такава грешка може да е по-важна от няколко пропуснати междуметия. Това е редакционен критерий за оценка, а не отчетен дефект на новия модел.

Картата описва контрол върху начина на изписване на числа, запазването на паразитни думи и повторенията. Това позволява различни транскрипционни правила. За честно сравнение те трябва да са еднакви: редактирана стенограма и дословен запис не могат да се оценяват като един и същ изход.

Какво означава добра проверка

Нашето предложение е тестовата извадка да включва чист запис, телефонен канал, говор върху шум и смяна на говорители, когато тези условия са част от бъдещата работа. Запазете човешка референция и отделно отбелязвайте грешките в критичните полета. Общ процент за всички думи може да скрие лошо представяне точно при номера на поръчки или адреси.

Ако задачата е на български, проверете езика с реални разрешени записи. Общото твърдение за многоезичност не е достатъчно основание да се обещава конкретно качество за български диалекти, смесена реч или специализирана терминология. Не публикуваме такава гаранция и не извеждаме езиково покритие само от общия брой езици.

От транскрипция към действие

При система, която създава заявка или попълва поле от разговор, бихме отделили разчитането от окончателното записване. Покажете източника до извлечената стойност и предвидете корекция на спорните думи. Този работен пример намалява зависимостта от един безгрешен машинен отговор, без да предполага медицинска или правна пригодност.

Новината е достъпният малък модел и публикуваният начин за включването му в съществуващ стек. Практическата стойност ще се установи от качеството върху действителния ви аудиопоток и от времето до проверен текст, включително нужните човешки поправки.

Източници
Rumble-2-Flash: an open 0.5B speech model for 40+ languages — 2026-11-18
Reson8/Rumble-2-Flash · Hugging Face

Статия в SIExpo.bg: https://siexpo.bg/article/reson8-rumble-2-flash-open-speech-model-evaluation-2026
 
RTX Spark настолните компютри излизат на пазара: локалният AI изисква повече от достатъчно памет

NVIDIA обяви налични компактни системи от ASUS, Dell и MSI. Разглеждаме как да оценим паметта, съвместимостта и постоянната работа на локални агенти.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

nvidia-rtx-spark-desktops-nov18-local-memory-workflows-2026-78bb05c16b8e449c.jpg


NVIDIA обяви на 18 ноември, че компактните настолни RTX Spark системи от ASUS, Dell и MSI вече са налични. Посочената конфигурационна граница е до 128 GB обединена памет. Производителят ги насочва към локални модели, творчески инструменти и агенти, които могат да работят на отделна Windows машина. Това е съобщение за наличност на конкретни партньорски системи, а не доказателство, че всяка конфигурация се продава във всяка държава.

Какво трябва да се побере в паметта

Официалната продуктова страница описва платформата като Windows on Arm решение с Grace процесор и Blackwell RTX графика. Тази комбинация изисква проверка на реалните приложения, библиотеките и зависимостите. Наличието на Windows само по себе си не установява съвместимост с всеки стар плъгин, драйвер или Python пакет.

Обединената памет е общ ресурс за различни части на системата. Полезният въпрос е колко остава за работната задача след операционната система, приложението, теглата на модела и временните буфери. Например чисто аритметично 100 милиарда параметъра при идеални четири бита за параметър означават 50 милиарда байта само за теглата. Това е редакционна сметка, която не включва служебни данни, контекст или кеш и не предсказва скорост.

Продуктовата документация посочва 20-ядрен Grace CPU, Blackwell RTX GPU с 6144 CUDA ядра и 10 Gb Ethernet за настолните системи. Това са спецификации на платформата. Не ги превръщаме в измерена производителност за даден модел или доказана съвместимост с всеки пакет.

Отделна машина за дълги задачи

Нашият практически прочит е, че специализираният компютър може да отдели продължителните задачи от ежедневната работа на лаптопа. Но постоянната наличност зависи и от захранването, охлаждането, настройките за заспиване, дисковото пространство и възстановяването след прекъсване. Демонстрация на агент не проверява тези условия вместо оператора.

Локалната обработка също трябва да се проследява по отделни стъпки. Моделът може да работи на устройството, докато търсачка, разширение или резервен облачен модел изпращат част от задачата навън. За чувствителна работна папка е разумно първо да се картографира действителният маршрут на данните. Това е предложение за оценка на конфигурацията, а не констатация за изтичане в RTX Spark.

Как да се оцени обещанието

Предлагаме кратък приемателен сценарий с един и същ модел, точна квантизация, фиксиран документ и реалната поредица от инструменти. Запишете времето до първия отговор, общото време до проверен резултат и максималната памет. Повторете след по-дълга работа и при едновременно отворено основно приложение.

Така съобщението за нов хардуер се превръща в проверим въпрос: завършва ли конкретната машина вашата задача при приемлива скорост и предвидим разход? SIExpo не е извършил собствен бенчмарк на тези компютри и не представя рекламните граници като гарантирани резултати.

Източници
NVIDIA RTX Spark Compact Desktops Out Now | NVIDIA Blog — 2026-11-18
Slim Laptops & Small Desktops | NVIDIA RTX Spark

Статия в SIExpo.bg: https://siexpo.bg/article/nvidia-rtx-spark-desktops-nov18-local-memory-workflows-2026
 

Горе