direkt – chatgpz.de – KI-Tools & Praxiswissen

NVIDIA AI hat gerade cuda-oxide veröffentlicht: Ein experimentelles Rust-to-CUDA-Compiler-Backend, das SIMT-GPU-Kernel direkt in PTX kompiliert

admin — Sun, 10 May 2026 09:55:06 +0000

[ad_1]

Schritt 01 von 09 · Voraussetzungen

Was Sie brauchen, bevor Sie beginnen

cuda-oxide hat für jede Abhängigkeit spezifische Versionsanforderungen. Bevor Sie etwas installieren, stellen Sie sicher, dass Ihr System alle diese Anforderungen erfüllt. Das Projekt ist derzeit Nur Linux (getestet auf Ubuntu 24.04).

Linux (Ubuntu 24.04)
Rost jede Nacht
CUDA Toolkit 12.x+
LLVM 21+
Clang 21 / libclang-common-21-dev
Git

ⓘ Warum LLVM 21?
Einfache Kernel funktionieren möglicherweise auf LLVM 20, aber alles, was auf Hopper oder Blackwell abzielt – TMA, tcgen05, WGMMA – erfordert llc ab LLVM 21 oder höher. Dies ist eine zwingende Anforderung, keine Empfehlung.

Überprüfen Sie Ihre aktuelle CUDA-Model, um die Kompatibilität zu bestätigen:

nvcc --version

Schritt 02 von 09 · Installieren Sie Rust Nightly

Richten Sie die Rust Nightly Toolchain ein

Cuda-Oxid erfordert Rost Nacht- mit zwei zusätzlichen Komponenten: rust-src Und rustc-dev. Die Toolchain ist angeheftet an nightly-2026-04-03 über rust-toolchain.toml im Repository – es wird automatisch installiert, wenn Sie zum ersten Mal einen Construct im Repository ausführen.

Wenn Sie es manuell installieren müssen:

# Set up the pinned nightly toolchain
rustup toolchain set up nightly-2026-04-03

# Add required elements
rustup element add rust-src rustc-dev 
  --toolchain nightly-2026-04-03

# Affirm the toolchain is energetic
rustup present

ⓘ Warum diese Komponenten?
rustc-dev Macht die internen Compiler-APIs verfügbar, in die sich das benutzerdefinierte Codegen-Backend einklinkt. rust-src wird benötigt, damit der Compiler seine eigenen Standardbibliotheksquellen für das Geräteziel finden und kompilieren kann.

Schritt 03 von 09 · Installieren Sie LLVM 21

Installieren Sie LLVM 21 mit dem NVPTX-Backend

Die Cuda-Oxide-Pipeline sendet textuelle LLVM-IR (.ll Dateien) und übergibt sie an die Externe llc binär, um PTX zu erzeugen. Sie benötigen LLVM 21 oder höher mit aktiviertem NVPTX-Backend.

# Ubuntu/Debian
sudo apt set up llvm-21

# Confirm the NVPTX backend is current
llc-21 --version | grep nvptx

Die Pipeline erkennt automatisch llc-22 Und llc-21 auf deinem PATH in dieser Reihenfolge. Um eine bestimmte Binärdatei anzuheften, legen Sie die Umgebungsvariable fest:

# Pin to a selected llc binary
export CUDA_OXIDE_LLC=/usr/bin/llc-21

Häufiger Fehler
Wenn NVPTX nicht in der Ausgabe von erscheint llc-21 --versionIhr LLVM-Construct wurde ohne das NVPTX-Ziel kompiliert. Installieren Sie vom offiziellen LLVM apt-Repository und nicht von den Standardpaketen Ihrer Distribution, die möglicherweise GPU-Backends weglassen.

Schritt 04 von 09 · Installieren Sie Clang

Installieren Sie Clang 21 für die Cuda-Bindings-Kiste

Der cuda-bindings Kiste verwendet bindgen um FFI-Bindungen zu generieren cuda.h zur Bauzeit. bindgen Bedürfnisse libclang – und insbesondere benötigt es Clangs eigenes Ressourcenverzeichnis (einschließlich stddef.h). Eine nackte libclang1-* Laufzeitpaket ist nicht genug.

# Set up the complete clang-21 package deal (contains useful resource headers)
sudo apt set up clang-21

# Alternatively, the -dev header package deal additionally works
sudo apt set up libclang-common-21-dev

Symptom eines fehlenden Klangs
Wenn Sie nur die Laufzeit, aber nicht die Header installieren, schlägt der Host-Construct mit einem kryptischen Fehler fehl 'stddef.h' file not discovered Fehler beim Binden. Laufen cargo oxide physician im nächsten Schritt, um dies zu erkennen, bevor Sie einen Construct versuchen.

Schritt 05 von 09 · Cargo-Oxid installieren

Klonen Sie das Repo und installieren Sie Cargo-Oxide

cargo-oxide ist ein Cargo-Unterbefehl, der die gesamte Construct-Pipeline steuert – ausgeführt cargo oxide construct, cargo oxide run, cargo oxide debugUnd cargo oxide pipeline.

Im Repo (zum Ausprobieren von Beispielen):

git clone https://github.com/NVlabs/cuda-oxide.git
cd cuda-oxide

# cargo oxide works out of the field through a workspace alias
cargo oxide run vecadd

Außerhalb des Repos (für Ihre eigenen Projekte):

# Set up globally from the git supply
cargo set up 
  --git https://github.com/NVlabs/cuda-oxide.git 
  cargo-oxide

# On first run, cargo-oxide fetches and builds the codegen backend

Überprüfen Sie anschließend mit der integrierten Gesundheitsprüfung, ob alle Voraussetzungen erfüllt sind:

cargo oxide physician

ⓘ Was der Arzt überprüft
Es validiert Ihre Rust-Toolchain (nightly, rust-src, rustc-dev), Ihr CUDA-Toolkit, Ihre LLVM-Model und NVPTX-Unterstützung, Clang/libclang-Header und die Codegen-Backend-Binärdatei. Korrigieren Sie alle roten Elemente, bevor Sie fortfahren.

Schritt 06 von 09 · Führen Sie Ihren ersten Kernel aus

Erstellen Sie das vecadd-Beispiel und führen Sie es aus

Das kanonische erste Beispiel ist vecadd – ein Vektoradditionskernel, der zwei Arrays von 1.024 hinzufügt f32 Werte auf der GPU und überprüft das Ergebnis auf dem Host.

# Construct and run end-to-end
cargo oxide run vecadd

Wenn alles richtig konfiguriert ist, sehen Sie:

✓ SUCCESS: All 1024 parts appropriate!

Um die vollständige Kompilierungspipeline anzuzeigen – von Rust MIR über jeden Pliron-Dialekt bis hin zu PTX – führen Sie Folgendes aus:

# Print the complete Rust MIR — dialect-mir — mem2reg — dialect-llvm — LLVM IR — PTX hint
cargo oxide pipeline vecadd

Zum Debuggen cuda-gdb:

cargo oxide debug vecadd --tui

ⓘ Ausgabeartefakte
Ein erfolgreicher Construct erzeugt zwei Dateien: goal/debug/vecadd (die Host-Binärdatei) und goal/debug/vecadd.ptx (der Gerätecode). Die Host-Binärdatei lädt die PTX-Datei zur Laufzeit über den CUDA-Treiber.

Schritt 07 von 09 · Schreiben Sie einen Kernel

Schreiben Sie Ihre eigene #(Kernel)-Funktion

Eine Kernelfunktion wird mit annotiert #(kernel). Verwenden DisjointSlice für veränderliche Ausgänge und &(T) für schreibgeschützte Eingaben. Greifen Sie mit auf den eindeutigen {Hardware}-Index des Threads zu thread::index_1d().

use cuda_device::{kernel, thread, DisjointSlice};

// Tier 1 security: race-free by building, no `unsafe` wanted.
// DisjointSlice::get_mut() solely accepts a ThreadIndex —
// a hardware-derived opaque kind guaranteeing distinctive writes per thread.
#(kernel)
pub fn scale(enter: &(f32), issue: f32, mut out: DisjointSlice<f32>) {
    let idx = thread::index_1d();
    if let Some(elem) = out.get_mut(idx) {
        *elem = enter(idx.get()) * issue;
    }
}

ⓘ Tier-1-Sicherheit – wie es funktioniert
ThreadIndex ist ein undurchsichtiger neuer Typ usize das nur aus in die {Hardware} integrierten Registern erstellt werden kann (threadIdx, blockIdx, blockDim). Da jeder Thread einen eindeutigen Wert erhält, und DisjointSlice::get_mut() akzeptiert nur a ThreadIndexschreibt sind konstruktionsbedingt rassenfrei – nein unsafe irgendwo im Kernel.

Schritt 08 von 09 · Vom Host starten

Starten des Kernels über den Hostcode

Host- und Gerätecode leben im selben .rs Datei. Die Hostseite verwendet CudaContext, DeviceBufferund die cuda_launch! Makro zur Verwaltung des GPU-Speichers und der Zuteilung.

use cuda_core::{CudaContext, DeviceBuffer, LaunchConfig};
use cuda_host::{cuda_launch, load_kernel_module};

fn essential() {
    // Initialize GPU context on gadget 0
    let ctx    = CudaContext::new(0).unwrap();
    let stream = ctx.default_stream();
    let module = load_kernel_module(&ctx, "scale_example").unwrap();

    // Add enter knowledge to GPU reminiscence
    let knowledge: Vec<f32> = (0..1024).map(|i| i as f32).acquire();
    let enter  = DeviceBuffer::from_host(&stream, &knowledge).unwrap();
    let mut output = DeviceBuffer::<f32>::zeroed(&stream, 1024).unwrap();

    // Dispatch the kernel — LaunchConfig auto-sizes blocks/grids
    cuda_launch! {
        kernel: scale,
        stream: stream,
        module: module,
        config: LaunchConfig::for_num_elems(1024),
        args: (slice(enter), 2.5f32, slice_mut(output))
    }.unwrap();

    // Obtain end result again to host
    let end result = output.to_host_vec(&stream).unwrap();
    assert!((end result(1) - 2.5).abs() < 1e-5);
    println!("✓ Kernel ran efficiently!");
}

ⓘ Was für ein cuda_launch! tut
Es skaliert die Argumentliste – reduziert Slices, Skalare und erfasste Abschlüsse – in PTX-Kernelparameter und sendet den Kernel an den angegebenen Stream. Es ist kein manuelles Argument-Marshalling erforderlich.

Schritt 09 von 09 · Nächste Schritte

Was Sie als Nächstes erkunden sollten

Sie haben ein funktionierendes Cuda-Oxid-Setup. Hier sind die hochwertigen Zukunftspfade, sortiert nach Komplexität:

Generische Kernel mit Monomorphisierung – Probieren Sie es aus generic Beispiel (cargo oxide run generic), um zu sehen, wie fn scale kompiliert, um PTX-Kernel professional Typ zu trennen.
Schließungen mit Erfassungen – Die host_closure Beispiel zeigt, wie a transfer |x: f32| x * issue Der Abschluss wird skalarisiert und automatisch als PTX-Kernelparameter übergeben.
Asynchrone GPU-Ausführung — cuda_launch_async! gibt ein faul zurück DeviceOperation das ausgeführt wird .sync() oder .await. Siehe die async_mlp Und async_vecadd Beispiele.
Gemeinsamer Speicher und Warp-Intrinsics – diese erfordern einen Gültigkeitsbereich unsafe Blöcke mit dokumentierten Sicherheitsverträgen. Siehe Tier 2 in der Dokumentation zum Sicherheitsmodell.
GEMM mit Lichtgeschwindigkeit – Die gemm_sol Beispiel erreicht 868 TFLOPS auf B200 (58 % von cuBLAS SoL). cta_group::2CLC und eine 4-stufige Pipeline.
Blackwell-Tensorkerne – Die tcgen05 Beispiel zielt auf sm_100a mit TMEM, MMA und ab cta_group::2. Erfordert LLVM 21+.

ⓘ Bekannte Einschränkung in Model 0.1.0
index_2d(stride) wird als derzeit fehlerhaft dokumentiert – wenn Threads im selben Kernel unterschiedliche Schrittwerte verwenden, können zwei Threads erhalten &mut T zum gleichen Component mit Nr unsafe in Sichtweite. Bis der Repair landet (Schritt in einen Typparameter heben), binden Sie Schritt an einen einzelnen let binden und an jedem Anrufstandort wiederverwenden.

Vollständige Dokumentation: nvlabs.github.io/cuda-oxide · Quelle: github.com/NVlabs/cuda-oxide

[ad_2]

So verwandeln Sie Ideen direkt in Prototypen und Benutzeroberflächen

admin — Sun, 26 Apr 2026 23:59:44 +0000

[ad_1]

Für das Design waren traditionell mehrere Rollen erforderlich, die nacheinander arbeiteten: ein Stratege Definieren Sie das Downsideein Designer zu Gestalten Sie die Lösungund ein Entwickler zu baue es. Das bedeutet, Zeitpläne zu koordinieren, Meinungen abzugleichen und Iterationsrunden zu durchlaufen, bevor etwas Greifbares entsteht.

Claude Design beseitigt einen Großteil dieser Reibung, indem es Ideen direkt in Arbeitsergebnisse umwandelt. Was früher Wochen dauerte, kann jetzt in wenigen Minuten geschehen. In diesem Artikel erläutern wir die Funktionsweise von Claude Design und gehen durch reale Beispiele von der Idee bis zum endgültigen Prototyp.

Was ist Claude Design?

Claude Design ermöglicht es dem Anthropic-System, echte visuelle und funktionale Ergebnisse zu erzeugen, nicht nur Beschreibungen. Die meisten KI-Instruments fungieren wie Berater und bieten Vorschläge an. Claude baut tatsächlich. Es kann animierte Präsentationsexporte generieren, UI-Designs an Canva senden und sogar vollständige React-Apps mit Authentifizierung und Zahlungen erstellen.

Der entscheidende Unterschied liegt in der Denkweise: Claude nähert sich dem Design wie ein leitender Designer und bewertet mehrere Faktoren in einem einzigen Durchgang. Seine Fähigkeiten sind in drei Kernebenen gegliedert:

Visuelle Gestaltung: Das System erstellt Designelemente, die Layoutkomponenten und Farbsysteme sowie Schriftdesign- und Raumverteilungs- und Komponentendesignelemente umfassen.
Inhaltsgestaltung: Das System erstellt eine Erzählstruktur, die das Verfassen von Texten und die Gestaltung der Informationshierarchie umfasst.
Funktionelles Design: Das System verwendet Betriebscode, um interaktive Prototypen zu erstellen, die eine Verbindung zu Again-Finish-Systemen herstellen.

Die meisten Instruments existieren nur auf einer operativen Ebene. Claude arbeitet gleichzeitig auf allen drei operativen Ebenen.

Wie funktioniert es?

Das Verfahren ist unkompliziert und die nächsten Schritte helfen Ihnen zu verstehen, wie die Dinge funktionieren.

Beginnen Sie damit, die Idee im Klartext zu erklären. Sogar ein kurzer Satz funktioniert, etwas mehr Kontext hilft jedoch. Claude kann mit minimalem Enter dennoch etwas Nützliches produzieren.
Anschließend werden einige kurze, klärende Fragen zu Zielgruppe, Ton, Format und Einschränkungen gestellt. Das dauert ein paar Minuten, erspart aber später stundenlanges Hin und Her.
Als nächstes erstellt Claude einen groben Plan, bevor er etwas baut. Es durchdenkt zunächst die Struktur, sodass die Ausgabe nicht zufällig oder verstreut ist.
Von dort aus generiert es in einem Rutsch die volle Ausgabe. Das kann bedeuten, Inhalte zu schreiben, Layouts zu entwerfen oder sogar einen funktionierenden Prototyp zu erstellen.
Sie können so viel wie nötig iterieren. Geben Sie einfach Suggestions in einfacher Sprache und es wird sich an die gesamte Ausgabe anpassen, einschließlich Markenänderungen.
Schließlich wird die Arbeit in das von Ihnen benötigte Format exportiert, sei es eine Präsentation, ein Code, eine Designdatei oder etwas Interaktiveres.

Erste Schritte mit Claude-Design

Ein Benutzer kann über die folgenden Schritte auf das Claude-Design zugreifen:

Besuchen https://claude.ai/design Um auf die Plattform zuzugreifen, sind die Modelle dieselben wie im Claude Chat, mit einer anderen Schnittstelle.
Danach können Sie wählen, ob Sie einen Prototyp, ein Diadeck oder ein animiertes Design unter Verwendung eines vorhandenen Vorlagendesigns erstellen möchten.
Geben Sie Ihrem Projekt nach der Auswahl einen Namen und wählen Sie ein Standarddesign aus. Anschließend können Sie mit Ihrer Eingabeaufforderung beginnen.

Fingers-On 1: „Erklären Sie unser Produkt“ → Animiertes Deck mit Markenlogo

Dies ist kein starrer Schritt-für-Schritt-Prozess. Es ist ein kontinuierlicher Fluss, von der Definition des Ziels über die Gestaltung des Ergebnisses, die Anregungen für Claude bis hin zum Endergebnis.

In den folgenden Abschnitten werden die wichtigsten Elemente erläutert, damit Sie wissen, worauf Sie achten müssen.

1. Definieren Sie das Ziel
Sie erstellen einen Cowork-Kurs, der erklärt, wie Plugins in einem Workflow-Automatisierungssetup für Unternehmen funktionieren.

2. Identifizieren Sie die Lücke
Vorhandene Dokumente sind zu komplex und die Groups verstehen nicht genau, was Plugins sind oder wie sie sich von MCP-Konnektoren und -Abilities unterscheiden.

3. Entwerfen Sie die Ausgabe
Ein 25-minütiges Lehrdeck, das Konzepte, Nutzung, Marktplatzzugang, Berechtigungen und Sicherheit erklärt.

4. Generieren Sie mit Claude
Fordern Sie Claude auf, ein Deck mit ca. 15 Folien im dunklen Modus im Entwicklerstil mit Sprechernotizen zu erstellen.

5. Verfeinern Sie die Struktur
Stellen Sie sicher, dass das Deck wichtige Abschnitte wie Grundelemente, Marktplatzhandbücher, Installationsablauf, Lebenszyklus und Sandbox-Sicherheit enthält.

6. Polnische Konsistenz
Überprüfen Sie Structure, Abstände, Monospace-Schriftart und allgemeine Klarheit auf allen Folien.

7. Branding anwenden
Passen Sie das Deck mithilfe früherer Beispiele an bestehende Markenstile (Farben, Schriftarten, Logos) an.

Sehen Sie sich den gesamten Arbeitsablauf an

Das folgende Video führt diesen gesamten Prozess in einem kontinuierlichen Ablauf durch: vom prompten bis zum raffinierten Deck.

Endgültige Ausgabe

Das folgende Video zeigt den fertigen Prototyp und wie das Endergebnis aussieht.

Fingers-On 2: App-Idee → Structure-Prototyp → Reside in Canva

Dies ist keine strenge Abfolge von Schritten. Es handelt sich um einen geführten Aufbau – von der Idee → Struktur → Design → Verfeinerung, wobei Claude in jeder Part hilft.

Die folgende Aufschlüsselung gibt Ihnen ein klares mentales Modell, bevor Sie es in Aktion sehen.

1. Definieren Sie die Idee
Eine App für Benutzer der Era Z zum Aufzeichnen von Emotionen und psychischer Gesundheit mithilfe von Stimmungsverfolgung, Spracheingabe und KI-generierten wöchentlichen Zusammenfassungen.

2. Identifizieren Sie das Publikum
Junge Erwachsene (ca. 22 Jahre), die ihre psychische Gesundheit in den Griff bekommen möchten, bestehende Therapie-Apps jedoch nicht als hilfreich empfinden.

3. Legen Sie das Ziel fest
Erstellen Sie einen vollständigen, bearbeitbaren Prototyp, der in Instruments wie Canva exportiert und verfeinert werden kann.

4. Generieren Sie den ersten Prototyp
Fordern Sie Claude auf, Kernbildschirme zu erstellen: Onboarding, Startseite, Tagebucheintrag, Stimmungs-Verify-in und wöchentliche Zusammenfassung.

5. Ordnen Sie die Benutzererfahrung zu
Definieren Sie, wie Benutzer in jeder Part denken und fühlen – beim erstmaligen Onboarding im Vergleich zur wiederkehrenden Nutzung.

6. Erstellen Sie Kernbildschirme
Entwickeln Sie ca. 6 Schlüsselbildschirme mit klarem Structure, klaren Abständen und klarer Struktur.

7. Fügen Sie funktionale Particulars hinzu
Beziehen Sie Elemente wie Stimmungsverfolgung (Stimmungsring), Sprachjournal und schriftliche Reflexionen ein.

8. Designentscheidungen dokumentieren
Erstellen Sie ein Protokoll, in dem Sie Layoutoptionen, Typografie, Farbe und allgemeine Benutzerfreundlichkeit erläutern.

9. Bereiten Sie den Export vor
Strukturieren Sie Bildschirme, damit sie einfach als bearbeitbare Rahmen in Canva exportiert werden können.

Sehen Sie sich den gesamten Arbeitsablauf an

Das folgende Video zeigt diesen gesamten Prozess in einem fortlaufenden Construct: Von der Idee bis zum funktionierenden Prototyp.

Endgültige Ausgabe

Das folgende Video zeigt den fertigen Prototyp und wie das Endergebnis aussieht.

Vor- und Nachteile von Claude Design

Bei all dem, was dieses Software bietet, finden Sie hier eine Tabelle mit einer Zusammenfassung seiner Stärken und Schwächen:

Vorteile	Nachteile
Geschwindigkeit des Designs – Von der Idee zum Prototypen in Stunden statt tagelangem Hin und Her.	Benötigt menschliches Urteilsvermögen – Bei ersten Entwürfen kann der Kontext fehlen; Eine abschließende Überprüfung durch einen Designer ist noch erforderlich.
Disziplinübergreifendes Denken – Behandelt visuelles, inhaltliches und funktionales Design gemeinsam statt in Silos.	Begrenzte kreative Instinct – Stark in Bezug auf Struktur, schwächer in Bezug auf einzigartiges Markengefühl oder kreative Instinkte.
Für den Begin ist kein Experte erforderlich – Jeder kann eine solide erste Model erstellen, die Designer später verfeinern können.	Es ist noch eine Iteration erforderlich – Komplexe Interaktionen und Randfälle erfordern oft mehrere Verfeinerungszyklen.
Markenkonsistenz im großen Maßstab – Erlernt Markenwerte einmal und wendet sie im gesamten Projekt an.	Code nicht produktionsbereit – Der generierte Code muss möglicherweise vor der tatsächlichen Bereitstellung optimiert werden.
Reduzierte Reibung bei Bearbeitungen – Änderungen erfolgen sofort durch einfache Anweisungen statt langer Feedbackschleifen.	Kontextbeschränkungen im großen Maßstab – Kann bei großen, komplexen Projekten den Überblick über frühere Entscheidungen verlieren.
Bewältigt Komplexität ohne Übergaben – Kann Full-Stack-Flows und Multi-Display screen-Systeme in einem Arbeitsgang erstellen.	Keine Benutzervalidierung – Bewertet nicht, ob das Produkt tatsächlich den tatsächlichen Benutzerbedürfnissen entspricht.

Abschluss

Designer, Entwickler und Strategen werden nicht durch Claude Design ersetzt. Es beseitigt die langsamen Teile: bei Null anfangen, erste Wireframes erstellen und tagelang auf Modelle warten. Die routinemäßigen Engpässe verschwinden, sodass Groups viel schneller von der Idee zum greifbaren Ergebnis gelangen können.

Was bleibt, ist die Arbeit, die wirklich zählt: die Entscheidung, ob ein Produkt ein echtes Downside löst, ob eine Marke authentisch wirkt und ob das Erlebnis emotional ankommt. Claude hilft Ihnen, Ideen frühzeitig zu testen und zu präsentieren, sodass Sie, anstatt Konzepte vorzustellen, mit funktionierenden Prototypen in Besprechungen gehen.

Häufig gestellte Fragen

Q1. Was ist Claude Design und wie funktioniert es?

A. Claude Design erstellt vollständige Designergebnisse (Benutzeroberfläche, Inhalt und Code), indem es Projekte durchgängig durchdenkt, anstatt nur Vorschläge zu machen.

Q2. Kann Claude Design Designer und Entwickler ersetzen?

A. Nein. Claude beschleunigt Design und Prototyping, aber für Kreativität, Validierung und endgültige Produktionsentscheidungen ist immer noch menschliches Urteilsvermögen erforderlich.

Q3. Was können Sie mit Claude Design bauen?

A. Sie können Präsentationen, UI-Prototypen, React-Apps und Canva-Designs aus einer einfachen Idee mit iterativem Suggestions erstellen.

Knowledge Science Trainee bei Analytics Vidhya
Derzeit arbeite ich als Knowledge Science Trainee bei Analytics Vidhya, wo ich mich auf die Entwicklung datengesteuerter Lösungen und die Anwendung von KI/ML-Techniken zur Lösung realer Geschäftsprobleme konzentriere. Meine Arbeit ermöglicht es mir, fortschrittliche Analysen, maschinelles Lernen und KI-Anwendungen zu erforschen, die es Unternehmen ermöglichen, intelligentere, evidenzbasierte Entscheidungen zu treffen.
Mit einem starken Fundament in den Bereichen Informatik, Softwareentwicklung und Datenanalyse ist es mir eine Leidenschaft, KI zu nutzen, um wirkungsvolle, skalierbare Lösungen zu schaffen, die die Lücke zwischen Technologie und Geschäft schließen.
Du kannst mich auch erreichen unter (e-mail protected)

Melden Sie sich an, um weiterzulesen und von Experten kuratierte Inhalte zu genießen.

[ad_2]

Wenn Cuomo in der Lage gewesen wäre, direkt gegen Mamdani anzutreten, hätte er gewonnen?

admin — Fri, 07 Nov 2025 00:40:00 +0000

[ad_1]

Gestern haben wir darüber gesprochen die theoretische Anziehungskraft von Andrew Cuomos jüngster Kampagne für das Bürgermeisteramt. Viele gute Diskussionen im Kommentarbereich dort; Ich empfehle Sie Schauen Sie mal rein. Einige der Kommentatoren argumentierten, dass Cuomo aufgrund seines schrecklichen Wahlkampfs verloren habe, andere vertraten die gegenteilige Ansicht, dass er nie eine Likelihood gehabt habe.

Eine Frage, die sich stellt, ist: Hätte Cuomo gewonnen, wenn er gegen Mamdani hätte antreten können?

Ich bezweifle es.

Zunächst erhielt Mamdani 50,4 % der Stimmen, während seine republikanischen und von den Republikanern unterstützten Gegner 48,7 % erhielten. Das ist richtig, selbst wenn alle Stimmen von Sliwa an Cuomo gegangen wären, gewinnt Mamdani immer noch mit 1,7 % der Stimmen:

Aber nein, könnte man argumentieren, ohne den Spoiler wären die fehlenden 35.000 Stimmen aus dem Nichts gekommen, motiviert durch die Enge des Rennens. Vielleicht – aber in diesem Fall denke ich, dass dieselbe größere Nähe dazu geführt hätte, dass auch mehr Mamdani-Anhänger herausgekommen wären und gewählt hätten. In dem Maße, in dem es eine Begeisterungslücke gab – viele Menschen stimmten positiv für Mamdani, aber die Wählerlisten waren nicht mit Cuomo-Stans gefüllt –, ist das in der Tat ein Grund dafür der Kandidat Die Kandidatur für die Wahllinie „Struggle and Ship“ hat verloren.

Erinnern Sie sich auch daran, dass Sliwa einige Tage vor der Wahl bei den Umfragen bei 16 % lag. Eine Kombination aus taktischer Abstimmung und der Unterstützung von Cuomo durch nationale republikanische Führer hat offenbar etwas mehr als die Hälfte dieser Sliwa-Anhänger davon überzeugt, zu Cuomo zu wechseln oder sich der Stimme zu enthalten (und ich vermute, dass einige wenige beschlossen haben, den Hebel für Mamdani zu betätigen). Was wäre, wenn Sliwa ganz ausgestiegen wäre? Mir ist nicht klar, ob diese verbleibenden 7 % ihre Stimme für Cuomo abgegeben hätten. Schließlich hatten sie bereits die Gelegenheit und die Ermutigung dazu, taten es aber nicht. Ich vermute, dass sie ohne einen Republikaner auf dem Stimmzettel die Wahl größtenteils ausgelassen hätten. Ich glaube nicht, dass Cuomo auf diese Weise einen Sieg erringen kann.

Aber es gibt noch eine andere Möglichkeit: Was wäre, wenn Cuomo beschlossen hätte, als Republikaner zu kandidieren? Mit der begehrten Unterstützung von Donald Trump, Ted Cruz, Stephen Miller usw. – okay, diese Leute sind in NYC nicht so beliebt, aber ihre Stimmen hätten durchaus republikanische Vorwahlwähler beeinflussen können, die einen wirklich konkurrenzfähigen Kandidaten für das Bürgermeisteramt begrüßt hätten – hätte Cuomo sich durchaus die Nominierung der Republikaner sichern können. „Ich habe die Demokratische Partei nicht verlassen, die Partei hat mich verlassen“ usw. In diesem Szenario ist nicht klar, wer die Vorwahlen der Demokraten gewinnt, aber es hätte durchaus Mamdani sein können. In diesem Fall glaube ich jedoch nicht, dass Cuomo den Sieg bei den Parlamentswahlen erringen kann, da es in diesem Fall um Mamdani, den Demokraten, und Cuomo, den von Trump unterstützten Republikaner, geht, und das scheint in dieser Stadt in diesem Jahr kein Erfolgsrezept zu sein.

So sehe ich es additionally. Angesichts der vor dem Wahlkampf verfügbaren Informationen hatte Cuomo gute Chancen, die Parlamentswahlen zu gewinnen – aber nur, weil er die Rolle des vernünftigen Gemäßigten spielen konnte, der von Verrückten auf allen Seiten flankiert wurde: Mamdani, der wilde Linke, Adams, der korrupte Versager und Trump-Mitarbeiter, und Sliwa, der Scherzkandidat. Entfernen Sie Cuomos republikanische Folie oder setzen Sie Cuomo auf die Wahllinie der Republikaner, und seine gemäßigten Referenzen verschwinden. Er ist nur ein weiterer geriatrischer, heruntergekommener Politiker.

Das sage ich nicht, Cuomo konnte nicht haben gewonnen. Vor allem die Vorwahlen verliefen sehr unruhig, und wenn ersterer einen energischeren Wahlkampf geführt hätte und bereit gewesen wäre, Kompromisse einzugehen – eigentlich überhaupt keine Kompromisse –, hätte er eine Likelihood gehabt. Während des Parlamentswahlkampfs lösten sich die Räder, als Mamdanis Popularität das Cuomo-Staff in völlige Negativität versetzte: Soviel zum Thema „vernünftig moderat“. Aus den oben genannten Gründen glaube ich nicht, dass er ein direktes Duell gewonnen hätte. Zumindest nicht in dieser Stadt in diesem Jahr. Vielleicht kommt er 2029 zurück, um sich zu rächen. Es sind seltsamere Dinge passiert. Er wird erst 71 Jahre alt sein, mehr als 15 Jahre jünger als Ruth Bader Ginsburg, als sie in den Ruhestand ging. Oh, warte, sie ist nie in den Ruhestand gegangen. Ich habe vergessen.

[ad_2]

Meta-AI-Forscher Launch Mapanything: Eine Finish-to-Finish-Transformatorarchitektur, die die faktorisierte, metrische 3D-Szene-Geometrie direkt zurückbaut

admin — Wed, 17 Sep 2025 22:11:04 +0000

[ad_1]

Ein Workforce von Forschern der Meta -Actuality -Labors und der Carnegie Mellon College hat eingeführt MapanythingEine Finish-to-Finish-Transformatorarchitektur, die die faktorisierte metrische 3D-Szene-Geometrie direkt aus Bildern und optionalen Sensoreingängen zurückbaut. Mapanything wird unter Apache 2.0 mit vollem Trainings- und Benchmarking-Code veröffentlicht und rechnet über spezialisierte Pipelines hinaus, indem sie über 12 verschiedene 3D-Sichtaufgaben in einem einzigen Futtermittelpass unterstützt.

https://map-anything.github.io/belongings/mapanything.pdf

Warum ein universelles Modell für die 3D -Rekonstruktion?

Die bildbasierte 3D-Rekonstruktion stützte sich historisch auf fragmentierte Pipelines: Merkmalserkennung, Zwei-View-Pose-Schätzung, Bündelanpassung, Multi-View-Stereoanlage oder monokulare Tiefeninferenz. Diese modularen Lösungen erfordern zwar wirksam, erfordern zwar eine aufgabenspezifische Abstimmung, Optimierung und eine starke Nachbearbeitung.

Neuere transformatorbasierte Feed-Ahead-Modelle wie Dust3R, MAST3R und VGGT vereinfachen Teile dieser Pipeline, blieben jedoch begrenzt: Feste Anzahl von Ansichten, starre Kameraannahmen oder Abhängigkeit von gekoppelten Darstellungen, die eine teure Optimierung benötigten.

Mapanything überwindet diese Einschränkungen von:

Akzeptieren 2.000 Eingangsbilder in einem einzigen Inferenzlauf.
Flexibel mit Hilfsdaten wie z. Kameraintrinsik, Posen und Tiefenkarten.
Produzieren Direkte metrische 3D -Rekonstruktionen ohne Bündelanpassung.

Die faktorisierte Szenenrepräsentation des Modells – die Strahlkarten, Tiefe, Posen und ein globaler Skalierungsfaktor – Modularität und Allgemeingültigkeit, die durch vorherige Ansätze unübertroffen sind, bereitstellen.

Architektur und Darstellung

Im Kern verwendet Mapanything a Multi-View-Alternationsbekämpfungstransformator. Jedes Eingabebild ist codiert mit Dinov2 Vit-L Merkmale, während optionale Eingänge (Strahlen, Tiefe, Posen) über flache CNNs oder MLPs in denselben latenten Raum codiert werden. A Lernbarer Maßstabs -Token Ermöglicht die Metriknormalisierung über Ansichten hinweg.

Das Netzwerk gibt a aus berücksichtigte Darstellung:

Per-View Strahlen Richtung (Kamera -Kalibrierung).
Tiefe entlang von Strahlenvorhergesagt.
Kamera posiert relativ zu einer Referenzansicht.
Eine Single Metrischer Skalierungsfaktor Umwandlung lokaler Rekonstruktionen in einen world konsistenten Rahmen.

Diese explizite Faktorisierung vermeidet Redundanz, so dass dasselbe Modell die Schätzung der monokularen Tiefe, die Multi-View-Stereoanlage, die Struktur-FROM-Movement (SFM) oder die Tiefenabschluss ohne spezialisierte Köpfe verarbeiten kann.

https://map-anything.github.io/belongings/mapanything.pdf

Trainingsstrategie

Mapanything wurde über trainiert 13 verschiedene Datensätze Spannung in Innen-, Außen- und synthetischen Domänen, einschließlich BlendedMVs, Mapillary Planet-Scale-Tiefe, Scannet ++ und Tartanairv2. Zwei Varianten werden veröffentlicht:

Apache 2.0 lizenziert Modell, das auf sechs Datensätzen trainiert wird.
CC BY-NC-Modell Ausgebildet auf allen dreizehn Datensätzen für eine stärkere Leistung.

Zu den wichtigsten Schulungsstrategien gehören:

Probabilistische Eingabeabbrecher: Während des Trainings sind geometrische Eingaben (Strahlen, Tiefe, Pose) mit unterschiedlichen Wahrscheinlichkeiten versorgt, die Robustheit über heterogene Konfigurationen hinweg ermöglichen.
Kovisibilitätsbasierte Stichprobe: Stellen Sie sicher, dass die Eingabeansichten eine sinnvolle Überlappung haben und die Rekonstruktion bis zu 100+ Ansichten unterstützen.
Faktorierte Verluste im Protokollraum: Tiefe, Skala und Pose werden unter Verwendung von skalierungsinvarianten und robusten Regressionsverlusten optimiert, um die Stabilität zu verbessern.

Das Coaching wurde an durchgeführt 64 H200 GPUs mit gemischter Präzision, Gradientenprüfung und Lehrplanplanung, Skalierung von 4 auf 24 Eingangsansichten.

Benchmarking -Ergebnisse

Multi-View-Dense Rekonstruktion

Auf ETH3D, Scannet ++ V2 und Tartanairv2-wb, Mapanything erreicht Stand der Technik (SOTA) Leistung über Punktmaps, Tiefe, Pose und Strahlenschätzung. Es übertrifft Baselines wie VGGT und POW3R, selbst wenn es nur auf Bilder beschränkt ist, und verbessert sich weiter mit Kalibrierung oder Pose Priors.

Zum Beispiel:

Pointmap -relativer Fehler (rel) verbessert sich mit nur Bildern auf 0,16, verglichen mit 0,20 für VGGT.
Mit Bildern + Intrinsics + Posen + Tiefe fällt der Fehler auf 0,01während er> 90% Inlierverhältnisse erzielt.

Zwei-View-Rekonstruktion

Gegen Dust3r, MAST3R und POW3R übertrifft Mapanything konsequent über Skalen-, Tiefen- und Posegenauigkeit. Bemerkenswerterweise erreicht es mit zusätzlichen Priors > 92% Inlierverhältnisse Bei Zwei-View-Aufgaben, die deutlich über frühere Feed-Ahead-Modelle hinausgehen.

Einzelansichtskalibrierung

Obwohl Mapanything nicht speziell für die Kalibrierung von Einzel im Bild ausgebildet wurde, erreicht er eine durchschnittlicher Winkelfehler von 1,18 °übertreffen Anycalib (2,01 °) und MOGE-2 (1,95 °).

Tiefenschätzung

Auf dem robusten MVD-Benchmark:

Mapanything setzt neue SOTA für Multi-View-Metriktiefe Schätzung.
Mit Hilfseingängen konkurrieren die Fehlerraten mit den Modellen der speziellen Tiefen wie MVSA und Metric3D V2.

Insgesamt bestätigen Benchmarks 2 × Verbesserung gegenüber früheren SOTA -Methoden In vielen Aufgaben validieren Sie die Vorteile eines einheitlichen Trainings.

Schlüsselbeiträge

Das Forschungsteam hebt vier Hauptbeiträge hervor:

Einheitliches Vorwärtsmodell In der Lage, mehr als 12 Problemeinstellungen zu bearbeiten, von monokularer Tiefe bis hin zu SFM und Stereo.
Faktorisierte Szenenrepräsentation Ermöglichen der explizite Trennung von Strahlen, Tiefe, Pose und metrischen Skala.
Hochmoderne Leistung über verschiedene Benchmarks mit weniger Entlassungen und höherer Skalierbarkeit.
Open-Supply-Veröffentlichung einschließlich Datenverarbeitung, Trainingsskripte, Benchmarks und vorbereiteten Gewichten unter Apache 2.0.

Abschluss

Mapanything legt einen neuen Benchmark in 3D -Sehvermögen fest, indem mehrere Rekonstruktionsaufgaben – SFM, Stereo, Tiefenschätzung und Kalibrierung – unter einem einzelnen Transformatormodell mit einer faktorisierten Szenenrepräsentation vereint sind. Es übertrifft nicht nur Spezialmethoden über Benchmarks hinweg, sondern passt sich auch nahtlos an heterogene Eingaben an, einschließlich Intrinsik, Posen und Tiefe. Mit Open-Supply-Code, vorgefertigten Modellen und Unterstützung für über 12 Aufgaben legt Mapanything die Grundlage für ein wirklich allgemeines 3D-Rekonstruktion zurück.

Schauen Sie sich das an PapierAnwesend Codes Und Projektseite. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Michal Sutter ist ein Datenwissenschaftler bei einem Grasp of Science in Knowledge Science von der College of Padova. Mit einer soliden Grundlage für statistische Analyse, maschinelles Lernen und Datentechnik setzt Michal aus, um komplexe Datensätze in umsetzbare Erkenntnisse umzuwandeln.

(empfohlene Lesen) Nvidia AI Open-Sources Vipe (Video Pose Engine): Ein leistungsstarkes und vielseitiges 3D-Videoannotationsinstrument für die räumliche KI

[ad_2]

Opera Lanserar en a-Agent Som Körs Direkt I Webbläsaren

admin — Tue, 04 Mar 2025 03:24:18 +0000

[ad_1]

https://www.youtube.com/watch?v=_llvslaekyk

Opern “Browser -Operator»Är en ny ai-Agent Integrerad Direkt i Opera-Webbläsaren som kan utföra uppgifter Åt Använder, som att köpa Strumpor eller boka biljetter, Genom att förstå naturligt Språk och Interagera medbsidans Knowledge.

Denna Funktion är Unik Eftersom den Körs Lokalt På Användarens Enhet, Vilket Säkerställer Integritet Och Snabbhet Eftersom Ingen Knowledge Skickas TREDJE Teil Och Inte Förlitar Sig PåKämdumpar Videoklipp. Opera Positionerar Sig Som en

Browser -Operator förstår naturligt Språk Och ANVENDER AI COMPOSER MOTOR FEr ATT SLUTFÖRA UPGIFTER INOM Webbläsaren. Bis Skillnad Från Andra Lösinningar Körs Browser -Operator Lokalt På Använders Enhet, Vilket Ökar Integriteten Och Hastighten.

Browser-Operator ANVANDER DOM-TRÖDET OCH LAYOUTDATA FEr ATT Förstå webbsidans Kontext Istället för att förlita sig på skärmdumpar eller videor.

ANVAndaren Har Altid Kontroll Och Kan Avbryta Eller Ta Över Från Browser -Operator När Som Helst unter Verfahren. Opera Har Tidigare Integrerat ai-funktioner I Sin Webbläsare, inklusive Aria, Och Fortsätter Att utforska Nya Ai-Möjligheter.

Opera har Investerat I Avancerad Infrastuktur För att Stödja Sina ai-initiativer. Förretaget Har Nyligen öppnat ett ai-datacenter i iceland, som Använder Nvidia H100 GPU: Er för att hantera Sina ai-dhov. Denna Datacenter är utformat för att Använder Grön Energi, Vilket Understryker Opern Engagemang För Hållbarhet.

Browser-Operator Och de Tillhörande ai-funktionerna är Opera PERERAR ATT LANSERA DESSA FUNKTIONER MER ALLMÄNT INOM KORT, VILKET KOMMER ATT PLOMALA Dem I Framkant AV Webbläsarinnovationer.

Opera-Browser-Operator-ai-Agentics

Opera.com/obtain

Lassen Sie die neuesten Beiträge direkt in Ihren Posteingang geliefert

[ad_2]

Diese Korrekturmitteilungen, vollständig. (Ja, es ist möglich, Fehler direkt einzugestehen und daraus zu lernen.)

admin — Tue, 26 Nov 2024 02:37:14 +0000

[ad_1]

Angesichts unsere jüngste Diskussion über die Unwilligkeit Ich wollte die Autoren veröffentlichter Arbeiten dazu auffordern, ihre Fehler anzuerkennen. Ich dachte, ich würde die vier Korrekturhinweise veröffentlichen, die ich für notwendig erachtet habe.

Von 1999Korrektur eines erschienenen Artikels im Jahr 1993:

Aus 2013Korrektur eines erschienenen Artikels im Jahr 2008:

Ab 2017Korrektur eines erschienenen Artikels im Jahr 2006:

Endlich warfare es da diese Notiz aus dem Jahr 2014 Korrektur eines Artikels aus dem Jahr 1996, der in einem Band und nicht in einer Zeitschrift veröffentlicht wurde. Es gab keine Möglichkeit, eine formelle Korrekturmitteilung für ein bereits veröffentlichtes Buch herauszugeben, daher habe ich die Korrektur im Weblog veröffentlicht. Es ist eine interessante Geschichte – kurz gesagt, wir haben in der Zeitung gesagt, wir hätten etwas getan, was wir nie getan hätten, und wir haben eine falsche Aussage gemacht. Im Korrekturhinweis habe ich mit einer einfachen Simulation in R bestätigt, dass wir tatsächlich einen Fehler gemacht hatten.

Diskussion

Mir gefällt, wie klar und ohne Absicherung die Korrekturhinweise sind. Wir haben es falsch verstanden, das ist die Geschichte!

Das Einzige, was ich an diesen Hinweisen bedaure, ist, dass ich nicht erforsche, wie es zu den Fehlern kam. Wenn ich alles noch einmal machen könnte, würde ich jedem einen Satz darüber hinzufügen, welcher Aspekt unseres Workflows fehlgeschlagen ist, um den Fehler zu aktivieren.

Hier geht es als Anhang zu den oben veröffentlichten Korrekturmitteilungen:

1999: Uns ist im Allgemeinen nicht klar, wie wir diese Artwork von falschen Beweisen vermeiden können. Das Drawback besteht darin, dass uns die falschen Aussagen so natürlich vorkamen, dass wir nicht daran dachten, sie sorgfältig zu prüfen.

2013: Es ist wahrscheinlich, dass wir diesen Fehler mit einem besseren Datenanalyse-Workflow hätten vermeiden können, der Diagramme der Korrelationen zwischen allen Variablenpaaren erstellt hätte, zusammen mit einem rechnerischen Workflow, der die Behebung des Issues erleichtert hätte.

2017: Dieses Drawback wäre uns möglicherweise aufgefallen, wenn der Artikel ein vollständig ausgearbeitetes Beispiel mit Code enthalten hätte.

Nicht perfekt, aber Sie bekommen die Idee.

[ad_2]