与「TPU」相关的搜索结果

原来这就是赛博活佛的含金量！！免费用啊家人们，这得省多少token！！ DeepSeek-V4.1-Flash 最新模型，免费用两周，每天 200 次调用不限速！！ 我一开始还以为看错了，反复确认了三遍 作为一个每天都在跑 Agent 任务的人，我最头疼的事不是模型不够强，是管理成本太高 DeepSeek 一个账号、Kimi 一个账号、GLM 一个账号、Qwen 一个账号，API Key 管了五六把，每个月充值要开四五个后台，对完账才知道这个月到底在 AI 上烧了多少钱 更离谱的是，大部分平台充进去的额度根本用不完，但你不充又没法调用，等于在给每个平台交月租 后来发现了 HiLinkup @HiLinkup_AI ——一个 API Key，直接接 DeepSeek、Qwen、Kimi、GLM、Doubao、MiniMax，文本图像视频音频全覆盖 我试了一下，换个 base URL 就行，代码一行不用改，OpenAI SDK 直接兼容 响应速度很快，关键是价格——大概是官方的 1 折左右！！，没有 TPU 上限 说白了就是：以前我每个月在五六个平台上分别充钱，现在一个账户统一计费，按量走，用多少算多少 关键是它现在每天送 1500 万 token 免费额度，日常跑 Agent 任务完全够用 唯一的门槛就是首充 5 块钱激活一下，充完还送 5 块，而且充进去的钱不消耗，每天只走免费额度 对于我们这种每天都在用国产模型跑各种任务的人来说，这个事的意义不只是省钱——是终于不用当五个平台的出纳了 一个 Key 管所有模型，按任务选型，不被任何一家绑死 说实话这种聚合平台的窗口期不会太长，各家模型迟早会收紧 API 授权，能用的时候赶紧先用起来！！ 链接：

After years of research, Project Suncatcher is scheduled to embark on its first test in orbit, launching a prototype satellite to evaluate how Google Tensor Processing Units (TPUs) perform in space. Learn more about the science behind this moonshot. ⬇️

We partnered with @planet to send a prototype satellite carrying four TPUs into orbit. We’ll be looking to see how well the TPUs withstand the harsh conditions of space to assess whether we can eventually host machine learning in orbit.

We’re sending TPUs to space (yes, really). After years of research, we’re launching a satellite to evaluate if and how Google Tensor Processing Units (TPUs) hold up in orbit. The test mission, as part of our latest moonshot — Project Suncatcher — is designed to gather data exploring how we can one day host machine learning infrastructure in space.

Can our TPUs survive and operate in space? Well, we're going to find out. Project Suncatcher is hitching a ride aboard @SpaceX's Transporter-18 mission, testing a prototype satellite built in partnership with @planet One small step for TPUs....

Anthropic如何用不到90亿美元年化收入，撬动近500亿美元AI基建 1/ Anthropic宣布500亿美元美国AI基建计划时，年化收入还不到90亿美元。 随后，它为超过1GW的TPU和5座数据中心获得近500亿美元债务融资。 这说明前沿AI扩张短期真正稀缺的，可能不是钱，而是能被金融机构接受的长期合同与信用支持。👇

可能很多人对27B模型没什么概念。 27B听起来好像也没多大啊，现在普通玩家128G内存都开始普及了。 但我讲几个冷知识。 Google训练Gemma 3 27B的时候，预训练数据是14万亿Token。 不是140亿，也不是1400亿。 是14万亿。 训练它的集群用了6144颗TPU v5p。 而27B这个数字，只代表它有大约270亿个参数。 光把BF16原始权重放进内存，大概就是54GB。 32K上下文跑起来，加上KV Cache，大概72.7GB。 注意，这还只是推理。 真正训练的时候还要塞梯度，优化器状态，激活值，各种通信Buffer。 所以你看到一个27B模型只有几十GB，很容易产生一种错觉。 这玩意我电脑都装得下，我是不是也能训练。 完全是两回事。 还有一个更离谱的地方。 14万亿Token是什么概念。 假如一个人一天非常夸张地读10万个Token，而且一天不休息。 读完这些训练数据，大概需要38万年。 而机器要做的也不只是把这些字读一遍。 它要一层一层做矩阵运算，算损失，反向传播，再一点一点修改270亿个参数。 所以我现在越来越觉得，本地能跑27B，甚至70B，是一件非常牛逼的事情。 不是因为我们的电脑已经可以训练它们了。 而是因为人类把一个需要几千颗AI芯片训练出来的东西，压缩，量化，优化之后，居然可以塞进一台桌子下面的小电脑里。 这个过程本身就挺赛博朋克的。