उत्तरप्रकाशित4 घंटे पहलेLast edited 3 घंटे पहले13 स्रोत

MTT S5000 और रोबोटिक्स AI: प्रशिक्षण के नतीजे क्या बताते हैं, क्या नहीं

समान प्रशिक्षण सेटिंग में MTT S5000 और एक अंतरराष्ट्रीय मुख्यधारा GPU की प्रशिक्षण वक्रों के बीच r=0.976 सहसंबंध बताया गया; इससे समान प्रशिक्षण गति साबित नहीं होती। [4][10] अपने ही पाइपलाइन में किए गए बदलावों के बाद प्रति स्टेप समय 2.549 से 1.888 सेकंड और GPU का निष्क्रिय समय 18.5% से 3.1% होने की रिपोर्ट है। [4] दो...

प्रकाशितकर्ताGPT-6 Sol से संपादितGPT Image 2 से चित्र बनाए गए

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

समान प्रशिक्षण सेटिंग में MTT S5000 और एक अंतरराष्ट्रीय मुख्यधारा GPU की प्रशिक्षण वक्रों के बीच r=0.976 सहसंबंध बताया गया; इससे समान प्रशिक्षण गति साबित नहीं होती। [4][10]
अपने ही पाइपलाइन में किए गए बदलावों के बाद प्रति स्टेप समय 2.549 से 1.888 सेकंड और GPU का निष्क्रिय समय 18.5% से 3.1% होने की रिपोर्ट है। [4]
दो भुजाओं वाले रोबोट के एक असेंबली कार्य में सफलता लगभग 20% से 92% पहुँची। खरीद का फैसला करने से पहले टीमों को अपने कार्यों पर शुरू से अंत तक परीक्षण करने चाहिए। [4]

Εικονογράφηση για την εκπαίδευση ενσώματης AI σε GPU και τη ρομποτική αξιολόγηση — What embodied-AI performance did Moore Threads report for its MTT S5000 GPU in September 2026, including its reinforcement-learning trainingΕικόνα δημιουργημένη με AI· δεν απεικονίζει τεκμηριωμένη δοκιμή του MTT S5000.
AI संकेत
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
openai.com

रोबोटिक्स में AI मॉडल को प्रशिक्षित करना पूरी कहानी नहीं है। टीमों को दृश्य रेंडर करने, भौतिकी का सिमुलेशन चलाने और सीखी गई नीतियों को परखने की भी ज़रूरत होती है। इसी संदर्भ में Moore Threads ने सितंबर 2026 में अपने MTT S5000 GPU के प्रशिक्षण और वास्तविक रोबोट पर इस्तेमाल के परिणाम पेश किए। ये आँकड़े बताते हैं कि बताई गई सेटिंग में क्या हासिल हुआ; वे दूसरे GPU के मुकाबले पूरी रोबोटिक्स प्रक्रिया का एकसमान बेंचमार्क नहीं हैं। 4 11

प्रशिक्षण वक्र कितनी करीब रहीं?

RLinf फ्रेमवर्क पर WoVR कार्यभार के परीक्षण में 248 समानांतर वातावरण, एक जैसी प्रशिक्षण विधि और एक ही रैंडम सीड इस्तेमाल किए गए। रिपोर्ट के मुताबिक, S5000 और एक अंतरराष्ट्रीय मुख्यधारा GPU की प्रशिक्षण वक्रों में हर स्टेप पर r=0.976 सहसंबंध था। LIBERO-Spatial मूल्यांकन में दोनों पर प्रशिक्षित नीतियों की सफलता दर भी मेल खाने की बात कही गई। लेकिन वक्रों का एक जैसा आगे बढ़ना यह नहीं बताता कि दोनों प्रणालियों ने प्रशिक्षण में बराबर समय लिया। 4 10

सॉफ़्टवेयर सहयोग भी अहम है। रिपोर्ट के अनुसार, RLinf में Moore Threads के MUSA बैकएंड का समर्थन है। संस्करण 0.3 से उसकी आधिकारिक निरंतर एकीकरण प्रक्रिया—यानी मुख्य कोड में बदलाव जोड़ने से पहले चलने वाली स्वचालित जाँच—में MTT S5000 पर परीक्षण शामिल हैं। इससे प्लेटफ़ॉर्म पर कोड जाँचना नियमित प्रक्रिया का हिस्सा बनता है; यह अपने-आप में प्रदर्शन की तुलना नहीं है। 4

26% तेज़ स्टेप किस तुलना में था?

Moore Threads ने अपने प्रोसेसिंग पाइपलाइन में तीन बदलाव बताए: इमेज प्रोसेसिंग को होस्ट कंप्यूटर से GPU पर ले जाना, डीनॉइज़िंग लूप में संख्यात्मक जाँचों को मिलाना और बार-बार चलने वाले कोड में Python scalar की जगह GPU पर मौजूद tensor इस्तेमाल करना। मापी गई सेटिंग में प्रति स्टेप समय 2.549 से 1.888 सेकंड हुआ—लगभग 26% की कमी। GPU का निष्क्रिय समय 18.5% से 3.1% पर आया। यह उसी पाइपलाइन के बदलावों से पहले और बाद की तुलना है, किसी प्रतिस्पर्धी GPU के साथ गति की सीधी तुलना नहीं। 4

कंपनी ने अलग से दावा किया कि GEMM और attention जैसे अलग-अलग गणना कार्यों के परीक्षणों में S5000 का प्रदर्शन अंतरराष्ट्रीय मुख्यधारा GPU के मुकाबले 1.6 से 2 गुना था। ऐसे परीक्षणों के नतीजे पूरे प्रशिक्षण कार्य या रोबोट चलाने की गति पर सीधे लागू नहीं किए जा सकते। 4

वास्तविक रोबोट के नतीजे का दायरा

π0.5 पर आधारित नीति-सुधार प्रक्रिया के साथ दो भुजाओं वाले रोबोट के एक असेंबली कार्य में सफलता लगभग 20% से 92% तक पहुँचने की रिपोर्ट है। बारीक संचालन में लगने वाला समय 39.5% कम बताया गया। ये उसी कार्य और परीक्षण व्यवस्था के परिणाम हैं, सभी रोबोटिक कामों में S5000 की सामान्य सफलता दर नहीं। 4

खरीद पर विचार कर रही रोबोटिक्स टीम के लिए सवाल यह है कि उनका प्रशिक्षण, रेंडरिंग, भौतिकी सिमुलेशन और नीति-मूल्यांकन साथ में कितनी अच्छी तरह चलते हैं। Moore Threads एक से अधिक चरणों को संभालने वाले समाधान बताती है, लेकिन प्रकाशित आँकड़े पूरे विकास चक्र के प्रदर्शन का स्वतंत्र प्रमाण नहीं देते। इसलिए टीमों को अपनी ज़रूरत वाले कार्यों पर दोहराए जा सकने वाले परीक्षण सेटअप, वास्तविक रोबोट पर बार-बार परीक्षण और शुरू से अंत तक की समय व प्रदर्शन माप माँगनी चाहिए। 4 11

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं