MTT S5000 στην ενσώματη AI: καμπύλες εκπαίδευσης, βελτιστοποιήσεις και δοκιμές σε ρομπότ

Τον Σεπτέμβριο του 2026, η Moore Threads παρουσίασε αποτελέσματα για το MTT S5000 σε εκπαίδευση ενισχυτικής μάθησης και σε εφαρμογή με πραγματικό ρομπότ. Οι αριθμοί δείχνουν τι πέτυχε η συγκεκριμένη υλοποίηση· δεν αποτελούν ενιαίο benchmark απέναντι σε άλλες GPU. 4

Πόσο κοντά ήταν οι καμπύλες εκπαίδευσης;

Σε φορτίο WoVR του RLinf με 248 παράλληλα περιβάλλοντα, ίδια συνταγή εκπαίδευσης και ίδιο τυχαίο σπόρο, οι καμπύλες του S5000 και μιας διεθνούς mainstream GPU εμφάνισαν συσχέτιση ανά βήμα r=0,976. Αναφέρθηκε επίσης ευθυγράμμιση της επιτυχίας των πολιτικών σε αξιολόγηση LIBERO-Spatial. Η υψηλή συσχέτιση αφορά την εξέλιξη της εκπαίδευσης, όχι κατ’ ανάγκη τον χρόνο που χρειάστηκε κάθε σύστημα. 410

Για την επαναληψιμότητα των δοκιμών, έχει σημασία και η υποστήριξη λογισμικού: σύμφωνα με τις σχετικές αναφορές, το RLinf υποστηρίζει το backend MUSA και, από την έκδοση 0.3, η επίσημη διαδικασία συνεχούς ολοκλήρωσης (CI) περιλαμβάνει αυτοματοποιημένους ελέγχους στο MTT S5000 πριν συγχωνευτεί κώδικας στον κύριο κλάδο. 4

Τι άλλαξε στον χρόνο βήματος;

Η Moore Threads ανέφερε τρεις παρεμβάσεις στον αγωγό εκτέλεσης: μεταφορά της επεξεργασίας εικόνας από τον υπολογιστή-ξενιστή στη GPU, συγχώνευση αριθμητικών ελέγχων στον βρόχο αποθορυβοποίησης και αντικατάσταση Python scalars με tensors στη συσκευή σε διαδρομή συχνής εκτέλεσης. Στη μετρημένη διαμόρφωση, ο χρόνος ανά βήμα μειώθηκε από 2.549 σε 1.888 δευτερόλεπτα — περίπου 26% — και ο χρόνος αδράνειας της GPU από 18,5% σε 3,1%. Πρόκειται για σύγκριση πριν και μετά τις βελτιστοποιήσεις του ίδιου αγωγού, όχι για μέτρηση ταχύτητας απέναντι σε ανταγωνιστική GPU. 4

Ξεχωριστά, η εταιρεία ανέφερε επίδοση 1,6–2 φορές εκείνης διεθνών mainstream GPU σε δοκιμές επιπέδου τελεστή για GEMM και attention. Αυτός ο ισχυρισμός δεν μεταφέρεται αυτομάτως στην ταχύτητα ολόκληρης της εκπαίδευσης ή της ρομποτικής εφαρμογής. 4

Τι έδειξε το πραγματικό ρομπότ — και τι πρέπει να ελέγξουν οι αγοραστές;

Σε εφαρμογή συναρμολόγησης με δύο ρομποτικούς βραχίονες και διαδικασία εξέλιξης πολιτικής βασισμένη στο π0.5, αναφέρθηκε αύξηση της επιτυχίας από περίπου 20% σε 92%, μαζί με 39,5% μικρότερο χρόνο για λεπτούς χειρισμούς. Τα ποσοστά αφορούν τη συγκεκριμένη εργασία και δεν περιγράφουν τη γενική επιτυχία του S5000 σε ρομπότ. 4

Για μια ομάδα ρομποτικής, το πρακτικό ερώτημα είναι αν η πλατφόρμα εξυπηρετεί μαζί εκπαίδευση, απόδοση εικόνας και προσομοίωση φυσικής, καθώς και την αξιολόγηση των πολιτικών. Η Moore Threads περιγράφει λύσεις που καλύπτουν περισσότερα από ένα τέτοια στάδια, αλλά οι δημοσιευμένοι αριθμοί δεν αποδεικνύουν ανεξάρτητα την απόδοση ολόκληρου του κύκλου ανάπτυξης. Πριν από αγορά, αξίζει να ζητηθούν αναπαραγώγιμες ρυθμίσεις, επαναλαμβανόμενες δοκιμές σε πραγματικό ρομπότ και μετρήσεις από άκρο σε άκρο στις εργασίες που ενδιαφέρουν την ομάδα. 411