עקומות האימון של MTT S5000 ושל GPU מתחרה הציגו מתאם של r=0.976 בניסוי מבוקר; הנתון אינו מעיד על זמן אימון זהה. אופטימיזציות באותו מערך הרצה קיצרו את הזמן לצעד מ־2.549 ל־1.888 שניות, והפחיתו את שיעור הזמן שבו ה־GPU לא היה פעיל מ־18.5% ל־3.1%.
פורסם על ידינערך באמצעות GPT-6 Solהתמונות נוצרו באמצעות GPT Image 2
Research answer

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
כשמפתחים מערכת AI שפועלת בעולם הפיזי, אימון המודל הוא רק חלק מהעבודה: צריך גם להפיק תמונות, להריץ סימולציות פיזיקליות ולבדוק אם המדיניות שנלמדה מצליחה להפעיל רובוט. על הרקע הזה הציגה Moore Threads בספטמבר 2026 תוצאות ל־MTT S5000. הן מספקות נקודת פתיחה להערכה של הפלטפורמה, אך אינן מבחן אחיד שמשווה בינה לבין GPU אחרים לאורך כל תהליך הפיתוח. 4
11
בניסוי למידת חיזוק מסוג WoVR במסגרת RLinf, עם 248 סביבות מקבילות, אותה שיטת אימון ואותו גרעין אקראי, התקבל מתאם של r=0.976 בין עקומות האימון של S5000 לאלה של GPU נפוץ אחר, במדידה צעד אחר צעד. דווח גם על שיעורי הצלחה דומים של המדיניות שנלמדה בהערכת LIBERO-Spatial. זו אינדיקציה לדמיון בהתקדמות האימון בתנאים שנבדקו — לא לכך ששני המערכים השלימו את האימון באותו זמן. 4
10
יש גם היבט תוכנתי: לפי הדיווחים, RLinf תומכת ב־MUSA, סביבת התוכנה של Moore Threads. החל מגרסה 0.3, תהליך הבדיקות האוטומטיות של הפרויקט לפני מיזוג קוד לענף הראשי כולל בדיקות על MTT S5000. תמיכה כזו חשובה לצוותים שרוצים לשחזר ניסויים ולתחזק את סביבת העבודה לאורך זמן. 4
Moore Threads דיווחה על שלושה שינויים באותו מערך הרצה: העברת עיבוד התמונה מהמחשב המארח ל־GPU, איחוד בדיקות מספריות בלולאת הסרת הרעש, והחלפת ערכי Python בטנזורים שנשמרים על המאיץ בחלק קוד שמופעל לעיתים קרובות. בתצורה שנמדדה, הזמן לצעד ירד מ־2.549 ל־1.888 שניות, קיצור של כ־26%; שיעור הזמן שבו ה־GPU לא היה פעיל ירד מ־18.5% ל־3.1%. זו השוואה לפני ואחרי אופטימיזציה של אותו מערך, לא השוואת מהירות ל־GPU מתחרה. 4
בנפרד טענה החברה כי במבחנים של פעולות חישוב בודדות — GEMM ו־attention — הביצועים היו גבוהים פי 1.6–2 מאלה של GPU נפוצים מחוץ לסין. תוצאה ברמת פעולה בודדת אינה מוכיחה יתרון מהירות באימון כולו או בהפעלת רובוט. 4
במשימת הרכבה באמצעות רובוט בעל שתי זרועות, בתהליך שיפור מדיניות המבוסס על π0.5, דווח ששיעור ההצלחה עלה מכ־20% ל־92%, ושזמן הביצוע של פעולות עדינות התקצר ב־39.5%. אלה תוצאות של משימה ומערך ניסוי מסוימים, לא שיעור הצלחה כללי של S5000 ברובוטיקה. 4
עבור צוות ששוקל רכישה, השאלה המעשית אינה רק כמה מהר המאיץ מבצע חישוב מסוים, אלא כיצד הוא משרת יחד אימון, רינדור, סימולציה פיזיקלית והערכת מדיניות. Moore Threads מתארת פתרונות לכמה מהשלבים האלה, אך המספרים שפורסמו אינם מאמתים באופן עצמאי את ביצועי התהליך כולו. לפני החלטה כדאי לבקש הגדרות ניסוי שניתן לשחזר, ניסויים חוזרים ברובוט פיזי ומדידות מתחילת התהליך ועד סופו במשימות שהצוות מתכוון לבצע. 4
11
Studio Global AI
This page includes a source-backed answer you can continue inside Studio Global.
עקומות האימון של MTT S5000 ושל GPU מתחרה הציגו מתאם של r=0.976 בניסוי מבוקר; הנתון אינו מעיד על זמן אימון זהה.
עקומות האימון של MTT S5000 ושל GPU מתחרה הציגו מתאם של r=0.976 בניסוי מבוקר; הנתון אינו מעיד על זמן אימון זהה. אופטימיזציות באותו מערך הרצה קיצרו את הזמן לצעד מ־2.549 ל־1.888 שניות, והפחיתו את שיעור הזמן שבו ה־GPU לא היה פעיל מ־18.5% ל־3.1%.
בניסוי הרכבה מסוים עם רובוט דו־זרועי דווחה הצלחה של כ־92%. לפני רכישה כדאי לבחון את כל תהליך הפיתוח על המשימות הרלוונטיות.