- 热门话题查看更多
5.55万 热度
5.29万 热度
27.45万 热度
1.4万 热度
1.37万 热度
- 热门 Gate Fun查看更多
- 市值:$3608.09持有人数:20.12%
- 市值:$3717.05持有人数:30.76%
- 市值:$3527.58持有人数:10.00%
- 市值:$3613.84持有人数:30.00%
- 市值:$3562.06持有人数:10.00%
- 置顶
- 🔥 Gate 广场活动：#发帖赢代币NIGHT 🔥
发布任意与 NIGHT 相关内容即可参与！
观点分享、行情分析、参与体验、投研笔记通通都算有效参与。
📅 活动时间：2025/12/10 16:00 - 12/21 24:00（UTC+8）
📌 参与方式
1️⃣ 在 Gate 广场发帖（文字 / 图文 / 分析 / 观点均可）
2️⃣ 帖子需添加话题 #发帖赢代币NIGHT 或 #PostToWinNIGHT
🏆 奖励设置（总计 1,000 NIGHT）
🥇 Top 1：200 NIGHT
🥈 Top 4：100 NIGHT / 人
🥉 Top 10：40 NIGHT / 人
📄 注意事项
内容需原创，不得抄袭或灌水
获奖者需完成 Gate 广场身份认证
Gate 对活动拥有最终解释权 - 12 月 ETH 价格预测 · 发帖挑战 📈
12 月降息预期升温，ETH 热点回暖，借此窗口期发起行情预测互动！
欢迎 Gate 社区用户 —— 判趋势 · 猜行情 · 赢奖励 💰
奖励 🎁：预测命中的用户中抽取 5 位，每位 10 USDT
时间 📅：预测截止 12 月 11 日 12:00（UTC+8）
参与方式 ✍️：
在 Gate 广场发布 ETH 行情预测帖，写明价格区间（如 $3,200–$3,400，区间需＜$200），并添加话题 #ETH12月行情预测
发帖示例 👇
示例①：
#ETH12月行情预测
预测区间：$3,150-$3,250
行情偏震荡上行，若降息如期落地 + ETF 情绪配合，冲击前高可期 🚀
示例②：
#ETH12月行情预测
预测区间：$3,300-$3,480
资金回流 + L2 降费利好中期趋势，向上试探 $3,400 的概率更高 📊
评选规则 📍
以 12 月 11 日 12:00（UTC+8）ETH 实时价格为参考
价格落入预测区间 → 视为命中
若命中人数＞5 → 从命中者中随机抽取 5 位 🏆 - 12月8日 #美联储降息预测
💰 请带上话题 #美联储降息预测 发帖，5 位优质发帖者 * 每人 $50 仓位体验券
本周迎来美联储年内最后一次议息会议，将于周四 3:00（UTC+8）公布利率决议。市场预计降息 25BP 的概率达 84%。如果真的降息，你认为市场会迎来反弹吗？分享你的降息预测和近期交易策略，瓜分发帖奖励！
📅 活动时间：12 月 8 日 13:00 - 12 月 12 日18:00 （UTC+8）
⚠️ 注意事项：禁止抄袭，鼓励原创内容 - 👀 家人们，每天看行情、刷大佬观点，却从来不开口说两句？你的观点可能比你想的更有价值！
广场新人 & 回归福利正式上线！不管你是第一次发帖还是久违回归，我们都直接送你奖励！🎁
每月 $20,000 奖金等你来领！
📅 活动时间： 长期有效（月底结算）
💎 参与方式：
用户需为首次发帖的新用户或一个月未发帖的回归用户。
发帖时必须带上话题标签： #我在广场发首帖 。
内容不限：币圈新闻、行情分析、晒单吐槽、币种推荐皆可。
💰 奖励机制：
必得奖：发帖体验券
每位有效发帖用户都可获得 $50 仓位体验券。（注：每月奖池上限 $20,000，先到先得！如果大家太热情，我们会继续加码！）
进阶奖：发帖双王争霸
月度发帖王： 当月发帖数量最多的用户，额外奖励 50U。
月度互动王： 当月帖子互动量（点赞+评论+转发+分享）最高的用户，额外奖励 50U。
📝 发帖要求：
帖子字数需 大于30字，拒绝纯表情或无意义字符。
内容需积极健康，符合社区规范，严禁广告引流及违规内容。
💡 你的观点可能会启发无数人，你的第一次分享也许就是成为“广场大V”的起点，现在就开始广场创作之旅吧！ - ✍️ Gate 广场「创作者认证激励计划」优质创作者持续招募中！
Gate 广场现正面向优质创作者开放认证申请！
立即加入，发布优质内容，参与活动即可瓜分月度 $10,000+ 创作奖励！
📕 认证申请步骤：
1️⃣ 打开 App 首页底部【广场】 → 点击右上角头像进入个人主页
2️⃣ 点击头像右下角【申请认证】，提交申请等待审核
注：请确保 App 版本更新至 7.25.0 或以上。
👉 立即报名：https://www.gate.com/questionnaire/7159
豪华代币奖池、Gate 精美周边、流量曝光等超 $10,000 丰厚奖励等你拿！
📅 活动自 11 月 1 日起持续进行
在 Gate 广场让优质内容变现，创作赚取奖励！
活动详情：https://www.gate.com/announcements/article/47889
Ray的分解混合并行技术提升了多模态AI训练30%
艾瑞斯·科尔曼
2025年12月10日 01：06
Ray创新的拆分混合并行显著提升了多模态AI训练效率，吞吐量提升高达1.37倍，克服了记忆难题。
在人工智能训练领域取得重大进展，Ray引入了一种分散混合并行方法，根据Anyscale的数据，该方法将多模态AI模型的训练速度提升了30%。这一发展解决了处理文本、图像和音频等多种数据类型的训练模型所面临的复杂性和计算挑战。
多模态人工智能训练中的挑战
多模态AI模型不同于传统的同质大型语言模型，由具有不同计算和内存需求的专用模块组成。例如，视觉语言模型(VLMs)将视觉编码器与大型语言模型(LLM)集成。这种集成带来了架构上的复杂性，尤其是在处理高分辨率图像和长序列时。传统技术如张量并行和DeepSpeed ZeRO3常常不足，导致效率低下和内存不足的错误。
雷的创新方法
Ray的拆分混合并行利用了其通用框架的灵活性，使多模模型中的每个模块都能定制化并行化策略。通过利用Ray基于actor的架构，开发者可以独立分配资源，优化每个模块的独特需求。这使复杂工作负载的编排更高效，正如Qwen-VL 32B模型所示。
基准测试与性能
在Qwen-VL 32B模型的测试中，Ray的方法相比传统方法的吞吐量提升了多达1.37倍。该策略将视觉编码器的序列并行性和大型语言模型的张量并行结合起来，有效管理不同模块间的内存和计算需求。该方法不仅提升了速度，还使得训练长达65,000个令牌的序列成为可能，超过了DeepSpeed ZeRO3在16,000个令牌时遇到内存问题的能力。
未来展望
Ray拆分混合并行技术在提升AI训练效率方面的成功，为其在更大型GPU集群和多样化硬件配置中的应用铺平了道路。其适应多种多模态架构的能力凸显了其在人工智能开发中更广泛应用的潜力。
对于有兴趣探索这一创新方法的人，Ray 的实现可在他们的 GitHub 仓库中进行实验和反馈。
图片来源：Shutterstock