利用 NVIDIA Nemotron 开放式推理模型推进 Agentic AI
随着 AI 向着更大的自主性发展，能够独立决策的 AI 代理的出现标志着一个重要的里程碑。为了在复杂的现实环境中有效地运行，这些代理必须超越模式识别和统计预测。这是由采用推理模型驱动的，这些模型旨在处理信息、应用逻辑和做出决策，从而实现更智能和适应性更强的行为。
通过将结构化思维与上下文意识相结合，推理模型为代理提供了具有类似人类理解能力的动态任务导航的认知基础。
企业需要在任何平台上运行完全控制的高级推理模型，以最大限度地发挥其代理的能力。为了加速企业采用 AI 代理，NVIDIA 正在构建 NVIDIA Nemotron 系列开放模型。这些模型在推理和代理任务方面实现了领先的准确性，并在从边缘到数据中心和云的加速计算领域的开放推理模型中提供了最高的计算效率。
这篇文章解释了构建 Nemotron 模型的过程，从可用的最佳基础模型开始。然后对这些模型进行扩充，以提高推理和代理性能，并最大化计算效率、吞吐量和延迟性能。
全文链接：
/https://developer.nvidia.com/blog/advancing-agentic-ai-with-nvidia-nemotron-open-reasoning-models/
使用开源 NVIDIA cuOpt 加速决策优化
企业每天都要做出成千上万的决定 — 生产什么、运送到哪里、如何分配资源。在规模上，优化这些决策成为一项计算挑战。线性规划 (LP)、混合整数规划 (MIP) 和车辆路由问题 (VRP) 提供了结构，但如何快速解决它们是瓶颈所在。
NVIDIA cuOpt 为决策优化带来了 GPU 加速，为现实世界的 LP、MIP 和VRP 工作负载提供大量加速。cuOpt 现在在 Apache 2.0 许可下作为开放源提供，它使在本地或云中采用、调整和扩展工作流中的优化变得比以往任何时候都更容易。
对于开发人员来说，最好的部分是建模语言的变化几乎为零。您可以将cuOpt 放入使用 PuLP 和 AMPL 构建的现有模型中，只需进行最少的重构。它快速、灵活，可以用于实验或生产。
想看到 cuOpt 的大规模应用吗？
查看加速优化：由 FICO 和 NVIDIA 提供支持的 Artelys 如何扩展能量模型，其中展示了 cuOpt 在实现大规模机组承诺问题中高达 20 倍的加速方面的作用。
这篇文章解释了 cuOpt 如何在建模语言（如 PuLP 和 AMPL）中几乎不改变的情况下解决 LP 和 MIP 问题。您将学习如何：
♦ 在本地或云中使用 Python、REST API 或 CLI，几分钟内就可以开始使用开源 cuOpt 优化
♦ 用 cuOpt GPU 加速解决 VRP 问题
全文链接：
https://developer.nvidia.com/blog/accelerate-decision-optimization-using-open-source-nvidia-cuopt/
点击“阅读原文”查看更多开发者新闻