بلغ معامل الارتباط بين منحنيات تدريب MTT S5000 وبطاقة رسوميات أخرى r=0.976 في تجربة مضبوطة؛ وهذا لا يثبت تساوي سرعة التدريب. خفضت تحسينات مسار التنفيذ زمن الخطوة بنحو 26% ومعدل خمول المعالج من 18.5% إلى 3.1%، وفق النتائج المنشورة.
نشر بواسطةتم التحرير باستخدام GPT-6 Solتم إنشاء الصور باستخدام GPT Image 2
إجابة البحث

Create a landscape editorial hero image for this Studio Global article: What embodied-AI performance did Moore Threads report for its MTT S5000 GPU in September 2026, including its reinforcement-learning training. Article summary: Moore Threads reported that its MTT S5000 could reproduce an embodied-AI reinforcement-learning run with a training curve closely matching a mainstream GPU, while substantially reducing idle time in its own optimized pip. Topic tags: general, general web, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
إذا كانت فرق الروبوتات تبحث عن منصة تجمع تدريب النماذج مع المحاكاة وتقييمها، فإن نتائج MTT S5000 تستحق الفحص. لكن الأرقام التي عرضتها Moore Threads في سبتمبر 2026 تصف تجارب وإعدادات بعينها، ولا تشكّل اختبارًا موحدًا يحسم أداء البطاقة أمام المنافسين في دورة تطوير الروبوت كاملة. 4
في حمل العمل WoVR ضمن إطار التعلم المعزز RLinf، استُخدمت 248 بيئة متوازية، مع وصفة التدريب والبذرة العشوائية نفسيهما. وبلغ معامل الارتباط بين منحنيات تدريب S5000 وبطاقة رسوميات دولية شائعة r=0.976 عند المقارنة خطوة بخطوة. كما أُبلغ عن تقارب معدلات نجاح السياسات الناتجة في تقييم LIBERO-Spatial. يقيس الارتباط تشابه مسار التدريب، لا الزمن الذي استغرقه كل نظام لإنجازه. 4
10
ولفرق التطوير، لا تقتصر المسألة على تشغيل تجربة واحدة: تشير التقارير إلى دعم RLinf لواجهة MUSA البرمجية، وإلى إدراج اختبارات آلية على S5000 في نظام التكامل المستمر، أو CI، ابتداءً من إصدار RLinf 0.3 وقبل دمج التغييرات في الفرع الرئيسي. 4
تقول الشركة إنها نقلت معالجة الصور من الحاسوب المضيف إلى معالج الرسوميات، وجمعت فحوصًا عددية في حلقة إزالة الضجيج، واستبدلت قيم Python المفردة بعناصر tensor على الجهاز في جزء كثير التنفيذ من البرنامج. في الإعداد المقاس، انخفض زمن الخطوة من ٢٥٤٩ إلى ١٨٨٨ ثانية، أي بنحو 26%، وتراجع معدل خمول المعالج من 18.5% إلى 3.1%. هذه مقارنة للمسار نفسه قبل التحسينات وبعدها، وليست مقارنة سرعة مع بطاقة منافسة. 4
وفي اختبارات منفصلة على مستوى العمليات الحسابية، ذكرت الشركة أن أداء S5000 في ضرب المصفوفات GEMM وآلية الانتباه بلغ 1.6 إلى مرتين أداء بطاقات دولية شائعة. لا تعني هذه النسبة أن تدريب النموذج كاملًا، أو تشغيل تطبيق روبوتي، أسرع بالمقدار نفسه. 4
في مهمة تجميع فعلية باستخدام ذراعين آليتين ونهج لتطوير سياسة التحكم قائم على π0.5، ارتفع معدل النجاح المبلّغ عنه من نحو 20% إلى 92%، وانخفض زمن المناورات الدقيقة 39.5%. النتيجة تخص تلك المهمة وإعدادها، وليست معدل نجاح عامًّا للبطاقة في الروبوتات. 4
السؤال العملي للمشتري هو أداء المنصة عبر التدريب وتوليد الصور والمحاكاة الفيزيائية وتقييم السياسات معًا. تصف Moore Threads حلولًا تغطي أكثر من مرحلة، لكن الأرقام المنشورة لا تثبت بصورة مستقلة أداء دورة التطوير من بدايتها إلى نهايتها. لذلك، يجدر بالفرق طلب إعدادات قابلة لإعادة الإنتاج، وتجارب متكررة على روبوتات فعلية، وقياسات شاملة لمهامها هي قبل اتخاذ قرار الشراء. 4
11
Studio Global AI
تتضمن هذه الصفحة إجابة مدعومة بالمصدر يمكنك المتابعة داخل Studio Global.
بلغ معامل الارتباط بين منحنيات تدريب MTT S5000 وبطاقة رسوميات أخرى r=0.976 في تجربة مضبوطة؛ وهذا لا يثبت تساوي سرعة التدريب.
بلغ معامل الارتباط بين منحنيات تدريب MTT S5000 وبطاقة رسوميات أخرى r=0.976 في تجربة مضبوطة؛ وهذا لا يثبت تساوي سرعة التدريب. خفضت تحسينات مسار التنفيذ زمن الخطوة بنحو 26% ومعدل خمول المعالج من 18.5% إلى 3.1%، وفق النتائج المنشورة.
وصل نجاح روبوت بذراعين في مهمة تجميع محددة إلى نحو 92%؛ ولا يجوز تعميم النسبة على مهام الروبوتات الأخرى.