Lanxin Computing apresenta supernó baseado em seu chip de inferência LX500 com arquitetura RISC-V

A equipe de modelos globais da ShengShu Technology iniciou uma transmissão ao vivo do processo completo de treinamento do Motubrain 2.0, a próxima versão de seu modelo de inteligência artificial encarnada para robôs. A transmissão começou em 21 de outubro e está programada para durar cerca de duas semanas.

A empresa informou que o Motubrain 2.0 será lançado em acesso aberto em breve e decidiu demonstrar o processo de treinamento antes desse lançamento.

Os modelos Motubrain representam uma família de modelos fundamentais de robôs da ShengShu, cujo objetivo é fornecer aos robôs um cérebro universal capaz de aplicar habilidades em diferentes tarefas, cenários e tipos de robôs. A primeira versão do Motubrain foi apresentada em abril como um modelo de alcance global. Vale ressaltar que a ShengShu é mais conhecida por seus modelos de geração de vídeo Vidu.

Estrutura da Transmissão

A transmissão ao vivo está dividida em quatro fases. A fase de pré-treinamento explora como a escala do treinamento afeta o desempenho e a capacidade de generalização em condições de tiro zero. O treinamento subsequente foca na execução de tarefas específicas para melhorar a performance. Em seguida, há a fase de tarefas do agente, que verifica se o modelo pode transferir o conhecimento adquirido para outras tarefas. A fase final é dedicada à autoaperfeiçoamento recursivo, para determinar se o modelo é capaz de avaliar suas ações com base no feedback da execução e melhorá-las.

Na página de transmissão em tempo real, os passos de treinamento e as métricas de sucesso da avaliação são exibidos à medida que são atualizados.

A ideia principal desta demonstração é a transparência. Geralmente, o progresso na IA encarnada é avaliado por observadores externos através de demonstrações polidas de robôs, tabelas de benchmarks e artigos científicos, que pouco revelam como exatamente as capacidades são formadas durante o treinamento ou quais problemas surgem. A ShengShu afirma que a transmissão mostrará não apenas sucessos, mas também erros, o processo de tentativa e erro, bem como correções, e espera compartilhar com outros pesquisadores questões abertas relativas à escalabilidade, generalização entre tarefas e melhoria autônoma.

Este passo está alinhado com uma tendência mais ampla entre equipes chinesas de IA, que compartilham publicamente o progresso do treinamento. Anteriormente, Luo Fuli, líder dos modelos MiMo da Xiaomi, publicou detalhes da fase de treinamento por reforço para o MiMo-V2.6.

No entanto, existem limitações ao que uma transmissão ao vivo pode provar. Os pesos do modelo ainda não foram lançados, e a própria empresa declara que a pesquisa permanece em caráter experimental, e os resultados exigirão experimentos e avaliações subsequentes para confirmação. O anúncio foi fornecido pela ShengShu e noticiado pela mídia tecnológica chinesa. O verdadeiro teste será o lançamento em acesso aberto e a conformidade de seus benchmarks com o que foi mostrado na transmissão.

A Tongyan Lingzhi, uma subsidiária da plataforma industrial do Instituto de Inteligência Artificial Geral de Pequim (BIGAI), apresentou sua abordagem ao conceito de IA pessoal. Essa abordagem envolve a criação de modelos que aprendem continuamente com base nos dados de um indivíduo, projeto ou empresa específico, em vez de depender apenas de consultas e busca de informações.

A maioria dos sistemas de IA corporativos existentes hoje se adapta aos usuários externos. Eles usam consultas para estabelecer regras, extraem documentos através de busca, armazenam o estado na memória e empacotam etapas reutilizáveis. No entanto, os pesos do modelo raramente são alterados após a interação.

A Tongyan Lingzhi afirma que hábitos estáveis, como padrões de engenharia de uma equipe ou disciplina de gestão de riscos de um grupo de investimento, podem ser integrados diretamente nos parâmetros do modelo. A arquitetura da empresa prevê a manutenção de um modelo base geral para processar conhecimentos e raciocínios comuns, ao qual são adicionados adaptadores Personal LoRA leves para cada usuário, projeto ou organização individual. A empresa observa que essas capacidades individuais devem ser mantidas mesmo em caso de substituição do modelo base.

Para manter o treinamento desses adaptadores, a equipe desenvolve um mecanismo de autoaperfeiçoamento recursivo, ou RSI. Rastreamentos de tarefas, correções humanas e resultados obtidos tornam-se dados potenciais para treinamento. Um avaliador especial, configurado de acordo com os padrões de cada usuário ou empresa, seleciona os sinais que devem ser estudados antes de aplicar uma atualização incremental LoRA. O modelo atualizado é então executado nas mesmas tarefas da versão anterior, e apenas as melhorias são lançadas no ambiente de trabalho, enquanto as regressões são revertidas.

O diretor técnico Chu Bingbin enfatizou que uma variação desviada é apenas um sinal, e apenas padrões recorrentes devem se tornar dados de treinamento. Além disso, a empresa está trabalhando na criação de infraestrutura para tornar milhares desses adaptadores acessíveis. O sistema TIP executa treinamento e inferência paralelamente nos mesmos GPUs, e o Paged LoRA gerencia a memória do adaptador em páginas. Em uma fase de teste usando Qwen2.5-72B-Instruct em oito GPUs Nvidia H800 e um orçamento de memória de adaptador de 5,79 GB, o Paged LoRA demonstrou menor latência e melhor comportamento na 'cauda' em comparação com o layout plano, quando as consultas LoRA variavam de 1% a 30% do tráfego, embora o desempenho tenha diminuído ao atingir 50%.

A Tongyan Lingzhi reconhece que o trabalho ainda está em estágio inicial. Embora o caminho técnico do RSI e a arquitetura do produto estejam definidos, e os módulos estejam em fase de design, o ciclo de treinamento totalmente automatizado ainda está em desenvolvimento. Problemas abertos incluem esquecimento catastrófico, contaminação por feedback e deriva do modelo.

A Beijing Academy of Artificial Intelligence (BAAI) apresentou o FlagOS 2.2, a versão mais recente de seu stack de software de código aberto projetado para executar modelos de inteligência artificial em diversas arquiteturas de chips. Este lançamento ocorreu em 30 de setembro e foi demonstrado na Conferência de Computação Aberta de IA em Pequim em 17 de outubro de 2026. A BAAI caracteriza esta atualização como uma transição da adaptação de modelos para múltiplos chips para a otimização do código geral para eles.

O principal feito é a escala. O FlagOS 2.2 abrange nove bibliotecas de operadores, e o número de operadores públicos no FlagGems e bibliotecas relacionadas aumentou de 564 para 1454, representando um aumento de 890 unidades. A nova biblioteca FlagGems-SGLang adicionou 40 operadores multi-chip que cobrem funções como atenção, atualizações de estado Mamba, método de mistura de especialistas, LoRA, amostragem e quantização. A BAAI afirma que, graças a mais de mil operadores em 10 tipos de hardware de IA, o desempenho geral dos operadores aumentou em aproximadamente 27%.

Uma parte significativa desse crescimento é devida à automação. O gerador de operadores KernelGen da BAAI agora suporta nove tipos de chips de IA e criou 765 novos operadores neste trimestre. Desses, 416 passaram por testes de precisão em pelo menos cinco chips domésticos, atingindo mais de 80% do desempenho dos operadores nativos. Além disso, a ferramenta de depuração e perfilamento unificado FlagPrism conecta dados de código-fonte Triton, representação intermediária do compilador e dados de execução no dispositivo, suportando Huawei Ascend, Iluvatar CoreX, Moore Threads, Nvidia e Enflame.

O lançamento também inclui o FlagOS-Compressor para conversão de pesos e quantização entre chips. A BAAI relatou que a aplicação de W8A8 ao modelo Qwen3.5-397B-A17B permitiu reduzir o tamanho dos arquivos do modelo de 751,41 GB para 382,45 GB, o que representa uma redução de 49,1%, enquanto o modelo alcançou 84,85% no GPQA-Diamond. Em combinação com plugins de frameworks para vLLM, Megatron-LM, SGLang e outros, novos modelos podem ser adaptados para até 12 plataformas de chips em apenas um dia após o lançamento.

Pesquisas em equipamentos antigos demonstram sucessos. Em servidores Ascend 910B, a BAAI observou que a largura de banda de serviço lógico do modelo GLM-5.3-Flash no teste de reprodução de agente aumentou 2,04 vezes em comparação com o nível antes da otimização, subindo de 8,52 mil para 17,36 mil tokens por segundo. O modelo Xing4.0-29B-A4B da China Telecom foi adaptado para 10 plataformas de chips, resultando em uma redução de 19,87% no tempo de primeiro token em testes de entrada longa em comparação com os operadores nativos.

A BAAI acredita que o problema reside nos prazos: mais de 80% dos cálculos de IA implantados pertencem a gerações não mais recentes, enquanto os modelos mudam rapidamente. Vale ressaltar que todos os números apresentados são baseados em testes internos da BAAI, e a empresa enfatiza que o desempenho real durante o serviço ainda depende da carga de trabalho.