<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[NVIDIA_Community的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/NVIDIA_Community</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; NVIDIA_Community]]></copyright><item><title><![CDATA[使用 NVIDIA RTX Spark 在一台机器上进行编码、测试和部署]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169744720</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169744720</guid><author>NVIDIA_Community</author><pubDate>Sun, 01 Nov 2026 17:00:20 +0800</pubDate><description><![CDATA[NVIDIA RTX Spark 将本地编码智能体、模型微调、编译、测试与部署整合到一台机器。本文介绍 GB10、128GB 统一内存与 Grace/Blackwell 架构的开发性能，Windows on Arm、PyTorch-CUDA 和 CUDA-X 软件生态，以及 Pi、Junie Local、Nemotron 模型、媒体 AI SDK 和现有 Windows 应用迁移路径，帮助开发者在本地构建并部署 AI 应用。]]></description><category></category></item><item><title><![CDATA[深入了解 NVIDIA Sentry：运行时安全 AI 智能体]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169744495</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169744495</guid><author>NVIDIA_Community</author><pubDate>Sun, 01 Nov 2026 16:19:34 +0800</pubDate><description><![CDATA[本文介绍 NVIDIA Sentry 如何在 BlueField-4 DPU 的独立信任域中为 AI 智能体提供运行时保护。通过 DOCA Tower 检查通信与执行访问策略，结合 DOCA Argus 实时内存内审、身份验证、专用模型行为检测和防篡改遥测，将 OpenShell 的软件安全边界扩展到硬件隔离防护，并与企业 XDR、SIEM 平台集成。]]></description><category></category></item><item><title><![CDATA[NVIDIA OpenShell 参考架构如何大规模保护和治理 AI 智能体工作负载]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169465876</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169465876</guid><author>NVIDIA_Community</author><pubDate>Thu, 29 Oct 2026 23:21:57 +0800</pubDate><description><![CDATA[本文介绍 NVIDIA OpenShell 参考架构如何在智能体之外实施确定性治理，并结合 NVIDIA Vera CPU、BlueField-4 DPU 和 NVIDIA Sentry，构建兼顾性能、隔离与运行时安全的可扩展智能体基础设施。涵盖网关、Supervisor、沙盒、策略验证器，以及 CoreWeave 的沙盒启动和智能体任务性能测试。]]></description><category></category></item><item><title><![CDATA[China AI Infra Day 从物理到虚拟：网络基础设施驱动 AI 工厂 重磅来袭！]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169263257</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169263257</guid><author>NVIDIA_Community</author><pubDate>Tue, 27 Oct 2026 16:08:53 +0800</pubDate><description><![CDATA[存储架构，解析如何减少重复计算、加速推理响应，提升规模化。3. 填写报名信息并提交，即可完成注册。网络创新与重要动态，聚焦五大网络架构与。或复制并打开以下链接，进入报名页；从物理到虚拟：网络基础设施驱动。本次在线研讨会将探索。技术专家带你打破技术壁垒，解锁。更有价值：网络与存储的协同之道。加入本次研讨会微信直播交流群。构建超大规模网络：适用于百万。工厂性能优化与部署验证。打破数据瓶颈：面向代理式。数字孪生，探索超大规模。：围绕网络与存储协同、高性能组网实现十亿瓦级。：聚焦五大网络架构、]]></description><category></category></item><item><title><![CDATA[NVIDIA AI 培训班 | 10 月 29 日《为大语言模型添加新知识》开课，转化开源 LLM 为领域 AI 资产]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169250200</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/169250200</guid><author>NVIDIA_Community</author><pubDate>Tue, 27 Oct 2026 11:08:33 +0800</pubDate><description><![CDATA[课程以 Meridian Response 为基础，这是一个虚拟的人道主义物流组织，需要对传入的防洪响应现场报告进行分类并将其分配到正确的团队。您将首先构建一个评测，定义该任务“更好”意味着什么，然后度量一个库存 8B 开放权重模型，测试提示词的上限，生成针对性的合成训练数据，使用监督微调训练 LoRA 适配器，并在任务行为基本到位后，使用直接偏好优化 (DPO) 来提高响应质量。，访问 NVIDIA 认证中文官网，点击每一门认证科目介绍页面，查看详细的考试大纲、考前学习指南、推荐培训和更多资源。]]></description><category></category></item><item><title><![CDATA[密集与 MoE 模型：活动参数、吞吐量以及选择每个模型的时间]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388358</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388358</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:23:48 +0800</pubDate><description><![CDATA[本文比较密集模型与 MoE 模型的活动参数、吞吐和路由机制，说明在质量、延迟、显存与部署约束下如何选择模型架构。]]></description><category></category></item><item><title><![CDATA[如何使用 AI 智能体准备用于仿真的 3D 场景]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388296</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388296</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:22:27 +0800</pubDate><description><![CDATA[本文展示 AI 智能体如何把 Blender 场景准备成用于仿真的 OpenUSD 资产，包含语义、材质、传感器、物理属性、渲染预检和 SimReady 验证。]]></description><category></category></item><item><title><![CDATA[借助 NVIDIA Earth-2，将您的最新观测结果转化为及时的天气决策]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388204</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388204</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:20:18 +0800</pubDate><description><![CDATA[本文介绍如何用 NVIDIA Earth-2 和 Earth2Studio 将最新气象观测纳入预测，演示区域与全球数据同化工作流，以及 CorrDiff-SDA、StormCast-SDA 和 HealDA。]]></description><category></category></item><item><title><![CDATA[TensorRT Edge-LLM 在 Jetson AGX Thor 上实现 MLPerf Edge Agentic Benchmark 6.4 倍加速]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388163</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388163</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:19:08 +0800</pubDate><description><![CDATA[本文分析 TensorRT Edge-LLM 在 Jetson AGX Thor 上完成 MLPerf Edge Agentic 基准测试的优化方法，包括 NVFP4 量化、KV 缓存复用和多 token 预测。]]></description><category></category></item><item><title><![CDATA[如何评估从工具调用到任务完成的 AI 智能体]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388099</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388099</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:17:56 +0800</pubDate><description><![CDATA[本文介绍从工具调用到任务完成的 AI 智能体评估方法，涵盖任务成功率、执行时间、成本、可复现基准和端到端验证。]]></description><category></category></item><item><title><![CDATA[使用 AI 智能体和 NVIDIA Isaac ROS 加速 ROS 2 节点]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388054</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167388054</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:16:44 +0800</pubDate><description><![CDATA[本文展示如何用 AI 智能体与 NVIDIA Isaac ROS 加速 ROS 2 节点，通过识别数据传输瓶颈、采用 CUDA 缓冲区后端并验证机器人工作流的性能。]]></description><category></category></item><item><title><![CDATA[面向游戏开发者的新功能：DLSS 5 (支持 3D 引导神经渲染) 、NVIDIA ACE 更新和全新 RTX Kit 功能]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167387754</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167387754</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:14:53 +0800</pubDate><description><![CDATA[本文汇总面向游戏开发者的 DLSS 5、NVIDIA ACE 与 RTX Kit 新功能，介绍 3D 引导神经渲染、开发者控制和角色交互等技术。]]></description><category></category></item><item><title><![CDATA[NVIDIA NVLink 6 如何为 AI 工厂提供多层弹性]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167387538</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167387538</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:05:12 +0800</pubDate><description><![CDATA[本文说明 NVIDIA NVLink 6 为 AI 工厂提供的多层弹性机制，包括链路、交换与系统级故障恢复，及其对训练和推理服务连续性的作用。]]></description><category></category></item><item><title><![CDATA[借助 NVIDIA Dynamo-Triton 中的 NVIDIA TensorRT 多设备集成，简化跨多个 GPU 的模型服务]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167380609</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167380609</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 15:02:47 +0800</pubDate><description><![CDATA[本文介绍 NVIDIA Dynamo-Triton 对 TensorRT 多设备推理的集成，展示如何在多个 GPU 上部署模型，并通过 Cosmos 3 上下文并行测试延迟与输出一致性。]]></description><category></category></item><item><title><![CDATA[借助 NVIDIA Topograph 实现拓扑感知型工作负载调度]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167380541</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167380541</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 12:34:57 +0800</pubDate><description><![CDATA[本文介绍 NVIDIA Topograph 如何识别 GPU 集群拓扑，并在 Kubernetes、Slurm 等环境中为 AI 工作负载提供拓扑感知调度，减少跨域通信和资源浪费。]]></description><category></category></item><item><title><![CDATA[借助 NVIDIA 机密计算实现私有高性能生产级 AI 推理]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167380428</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167380428</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 12:32:57 +0800</pubDate><description><![CDATA[本文介绍 NVIDIA 机密计算如何在私有生产级 AI 推理中保护敏感数据，并比较机密计算开启与关闭时的吞吐和延迟，分析数据传输、内核调优及多 GPU 通信的性能开销。]]></description><category></category></item><item><title><![CDATA[介绍 CUDA Rust：用于编写 GPU 内核的两条轨道]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378286</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378286</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 11:57:51 +0800</pubDate><description><![CDATA[CUDA Rust 提供 cuda-oxide 与 cutile-rs 两条原生 GPU 内核开发路径。前者保留 SIMT 线程控制，后者使用 Tile 抽象和 CUDA Tile IR。本文比较编译链、内存安全与当前成熟度。]]></description><category></category></item><item><title><![CDATA[CUDA 工具包 13.4 在 Arm 上添加了 Windows 支持，并增强了对共享 GPU 的控制]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378235</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378235</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 11:56:26 +0800</pubDate><description><![CDATA[CUDA 13.4 扩展 Windows on Arm 支持，预览 Rubin 架构，并更新 MPS V3、跨 GPU 传输、CUDA Python、CCCL 与 Nsight 工具。本文梳理对应用迁移和共享 GPU 管理最关键的变化。]]></description><category></category></item><item><title><![CDATA[何时使用“编码-预填充-解码”解耦技术来加速多模态模型服务]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378183</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378183</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 11:55:37 +0800</pubDate><description><![CDATA[NVIDIA Dynamo 的 EPD 解耦将视觉编码与 LLM 预填充、解码分开调度。文章分析图像负载、输出长度、模型规模、精度和混合流量如何决定 TTFT 与吞吐收益。]]></description><category></category></item><item><title><![CDATA[GR-Inference：面向生成式推荐的推理系统设计与性能评估]]></title><link>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378035</link><guid>https://blog.youkuaiyun.com/NVIDIA_Community/article/details/167378035</guid><author>NVIDIA_Community</author><pubDate>Fri, 09 Oct 2026 11:53:23 +0800</pubDate><description><![CDATA[生成式推荐具有长上下文、极短解码和数百条动态 Beam。GR-Inference 通过请求级状态管理、分离 KV、专用 Attention 与 GPU SID Trie 优化这一负载，并在给定 SLA 下提升吞吐。]]></description><category></category></item></channel></rss>