5月14日，Meta AI旗下FAIR团队与佐治亚理工学院合作推出CATransformers框架，旨在将碳排放纳入AI模型设计的核心考量。该框架通过多目标贝叶斯优化，平衡模型架构、硬件性能与碳足迹之间的关系。研究显示，传统方法仅优化运营效率忽视硬件全生命周期碳排放，而CATransformers可使碳排放降低17%-3%，同时保持低延迟（10-15毫秒）。例如，CarbonCLIP-S与TinyCLIP-39M精度相当，但碳排放减少17%；CarbonCLIP-XS精度提升8%，碳排放减少3%。此框架为AI可持续发展提供新路径，尤其适用于边缘设备推理场景。

清华大学KVCache.AI团队与趋境科技联合发布的KTransformers开源项目取得重大进展，成功在RTX 4090单卡上实现DeepSeek-R1满血运行，解决了大模型本地部署难题。该项目于2月10日成功运行DeepSeek-R1、V3的671B满血版，速度提高3~28倍。KTransformers不仅支持DeepSeek模型，还兼容各类MoE模型，预处理速度最高达286 tokens/s，推理生成速度达14 tokens/s。此技术有望降低AI大模型的运行成本，使其更加普及。

标题：4090单卡跑满血版DeepSeek-R1，清华团队开源项目再破大模型推理门槛 DeepSeek-R1广受关注，但推理服务器常宕机，专享版高昂成本让中小团队望而却步。市面上的“本地部署”方案多为参数量缩水90%的蒸馏版，因671B参数的MoE架构对显存要求极高，即便用8卡A100也难负荷。近期...

标题：“通用大脑”来了！MIT何恺明用大模型思维玩出机器人预训练新花样 在机器人领域，“通用智能”的探索正在火热进行。MIT的何恺明和Lirui Wang等人最近在“通用数据”上取得进展，使机器人离“通用大脑”的目标更近一步。 以往，训练机器人需要针对每种任务和环境单独采集数据，导致数据难以通用，训...

TTT模型可能引领生成式AI新潮流。当前的Transformer架构，如Sora、Claude和GPT-4等，面临计算效率和资源消耗的问题。斯坦福等大学的研究团队开发出TTT，它在处理更多数据时更节能。不同于Transformer的隐藏状态，TTT采用机器学习模型，将数据编码为固定大小的权重，从而避免了重复计算。TTT有潜力处理海量数据，如长视频，且性能不受数据量影响。尽管如此，TTT是否能取代Transformer尚不确定，因其目前仅在小型模型上测试，大型模型的对比还需更多实证。TTT被视作一项创新，但其优势还需更多数据支持和实际应用验证。