英特尔正在按计划实现其“四年五个制程节点”的目标,目前,Intel 7,采用EUV(极紫外光刻)技术的Intel 4和Intel 3均已实现大规模量产。正在顺利推进中的Intel 20A和Intel 18A两个节点,将继续采用EUV技术,并应用RibbonFET全环绕栅极晶体管和PowerVia背面供电技术,助力英特尔于2025年重夺制程领先性。
在“四年五个制程节点”计划之后,英特尔将继续采用创新技术推进未来制程节点的开发和制造,以巩固制程领先性。High NA EUV技术是EUV技术的进一步发展,数值孔径(NA)是衡量收集和集中光线能力的指标。通过升级将掩膜上的电路图形反射到硅晶圆上的光学系统,High NA EUV光刻技术能够大幅提高分辨率,从而有助于晶体管的进一步微缩。
作为Intel 18A之后的下一个先进制程节点,Intel 14A将采用High NA EUV光刻技术。此外,英特尔还公布了Intel 3、Intel 18A和Intel 14A的数个演化版本,以帮助客户开发和交付符合其特定需求的产品。
为了制造出特征尺寸更小的晶体管,在集成High NA EUV光刻技术的同时,英特尔也在同步开发新的晶体管结构,并改进工艺步骤,如通过PowerVia背面供电技术减少步骤、简化流程。
将研究成果转化为可量产、可应用的先进产品,是英特尔50多年来的卓越所在。英特尔将继续致力于通过创新技术推进摩尔定律,以推动AI和其它新兴技术的发展。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。