（来源：上观新闻）
Goo🌺🐉gle Tur👨🦰0️⃣boQ🤦♂️🗞uant算法通🇧🇩💞过引入“随机旋🙅🦓转（R🛃and🖲om Ro🇵🇭tatio🗿n）”的数学🛅模型与Pol🇸🇳arQuant🐷技术，在零精🗽🤸♀️度损耗🎽🧚♂️的前提下，成⌨功将KV Ca👨👦👦che的内存🌂🥼需求强行🇨🇨缩减至原先的1🤾♂️/6，并将注意☄👨💻力Lo🚹gits的🔻✂计算速度最高🏵📷提升了🇦🇿🏄♀️8倍👼👎。
图文交🖋错生成作为实验功👝能，性能🔟还没追上🦙专用的文生图◽😅流水线🌇，强化学习也尚未☀针对图🥟🛢像编辑、推🦸♀️🐮理和交错🎞🍗任务专项📰👬优化，🖥🐂目前版本基本⏸🚶维持 🇬🇼SFT🥧 模型水平💴🦈。但这种极致的🏙简洁，也让验证T🤭ran🗓👨🚀sfo🕺rmer内部逻辑✈🕉这件事，在计算🦔上变得几乎令人绝💁🐱望🖍*️⃣。
在AI🇹🇨⬅芯片组合上，Tr💞ainium加G🐲ravit🍁🇫🇷on让我👜🤾♀️们处于有👉利位置，同🎆💕时我们与NV🚨IDIA保持深入🇧🇴🥼合作🌾。意思是说，模型在🖱🥏训练阶段就👩👧被刻意练过怎🛐么去拆任务、怎🇧🇸么去调工具🇳🇪、怎么去🖱做多步推🧓理🐇。在 On🇯🇪eIG（EN,🇮🇱 ZH）🎵🌗、Lo🎁ngText（E♈🇬🇼N, ZH）、🧖♀️⏲CVTG🐨、Bi😈🧗♂️zGenEval⬆（Ea🇹🇭sy, Har🚶d）和🇧🇫🐜 IG💣🌭enBe🧙♀️nch 上🥣的预测延🛎🇹🇦迟 vs🇨🇬. 平均性能🚵🙊： 在信息🐏🏏图基准（🇹🇬🍷BizGenE🐳val、IGen🇷🇴Bench）上♉👨👩👧的预测🖥👩⚕️延迟 vs🇯🇵. 平均性能：*️⃣ Sen📇⛑seNov💗🌾a U🇱🇦1 的生成延⭕🐤迟控制在👛很低的水准线上，🦂同时平均🇧🇿性能明显📔🤱领先于此前🇲🇨❄同体量的开源模型🦅🏓。
