1.英伟达被黑客攻击,英伟源码源码DLSS源代码泄露,业务会受影响吗?
2.NVIDIA Modulus 23.03安装和使用方法
3.小模型卷起来了：Mistral联合英伟达开源12B小模型，128k上下文
4.极智开发 | 解读英伟达软件生态 一切的达源基础CUDA
5.24行代码完成批量缩星
英伟达被黑客攻击,DLSS源代码泄露,业务会受影响吗?
黑客帝国再起风云：英伟达遭遇大规模数据窃取/
据彭博社、每日电讯报和The码英Verge权威报道，全球科技巨头英伟达近期遭受了黑客的伟达猛烈攻击。据披露，泄露这家南美黑客组织LAP$声称窃取了超过1TB的驱动双轨制直销源码独家技术资料，引发了业界的英伟源码源码广泛关注。幸运的达源是，LAP$已备份数据，码英使得英伟达的伟达反击行动未能得逞。
尽管如此，泄露英伟达在一份针对Hardwarexx德国硬件爱好者网站的驱动声明中坚称，此次事件并未造成业务中断的英伟源码源码威胁。他们迅速采取行动，达源强化网络安全，码英聘请专家应对，并与执法部门保持紧密合作。尽管存在威胁参与者获取员工凭证和部分专有信息的风险，但英伟达团队正在全力以赴进行调查，以确保信息安全。
值得注意的是，TechPower报道称，黑客已将深度学习超级采样(DLSS)的源代码公之于众，这项技术是付费源码和免费源码区别英伟达的看家本领，尤其在游戏性能提升方面发挥关键作用。尽管英伟达曾因封闭源代码引发争议，但现在开源技术如FSR和XeSS的竞争加剧。然而，尽管DLSS的源码泄露，但其2.2版本的技术实力仍被公认为行业领先。
编辑观点：/对于内容创作者，我们尊重知识产权，呼吁所有厂商避免非法使用这些技术。对于大学生来说，这是一个了解行业领先技术的好机会，能够丰富学习内容，提升技能储备。尽管面临挑战，但英伟达的安全意识与持续投资表明，他们将继续在技术保护上保持领先地位。
此次事件提醒我们，网络安全是永恒的话题，每个行业参与者都需加强防护。希望大家从中获益，共同维护科技领域的健康发展。
NVIDIA Modulus .安装和使用方法
如果你对NVIDIA的Modulus .版本感兴趣，以下是源码精灵赤星源码蛋你需要了解的安装和使用指南。从年开始，Modulus将进行重大更新，建议直接从.版本开始，因为它将成为新开发的基础，旧版本将不再维护，所有功能将迁移至此。 Modulus .开源，可在GitHub获取。新版本主要由两个部分组成：Modulus包和modulus-sym包。sym包整合了大量API接口，以下是部分核心模块的导入示例： from modulus.sym.hydra import to_absolute_pathfrom modulus.sym.solver import Solver
from modulus.sym.domain import Domain
...
from modulus.sym.utils.io.plotter import ValidatorPlotter
安装步骤如下：首先，从GitHub下载modulus源代码，确保选择正确的版本，然后构建镜像：
#docker build -t modulus:ci --target ci -f Dockerfile .启动镜像，在其中安装modulus-sym：
#pip install .可能需要额外安装一些依赖，如：
sudo apt-get install libx-6sudo apt install libgl1-mesa-glx
sudo apt-get install libxrender1
完成以上步骤后，你就可以开始编写并运行Modulus .的代码了。对于进一步的技术交流和疑难解答，我们建议加入以下QQ群： 群名称：英伟达Modulus仿真技术交流（PINN）群号：
这里是一个活跃的社区，可以与同行分享经验和解决问题。祝你在使用Modulus .的过程中顺利！小模型卷起来了：Mistral联合英伟达开源B小模型，k上下文
小模型时代来临：Mistral与英伟达联手开源B小模型Mistral NeMo，专业小说源码公众号源码其k的上下文窗口使其在多语言应用和效率上表现出色。这款亿参数的模型旨在提供低成本、易用且高效的AI解决方案，尤其适合计算资源受限和数据安全要求高的场景。
OpenAI的GPT-4o mini以其美分/百万输入token和美分/百万输出token的定价，展示了智能成本的大幅下降，而Mistral NeMo则在性能上与9B的Gemma 2和8B的Llama 3展开竞争，尽管参数量较多，但展示了SOTA级别的推理能力。Mistral NeMo还支持量化感知训练，可进行FP8推理，且拥有更高效的分词器Tekken，压缩文本和源代码的效率显著提升。
英伟达应用深度学习研究副总裁Bryan Catanzaro强调了小模型的便捷性和多样性，指出Mistral NeMo可以轻松部署在本地硬件，如RTX GPU，这对于企业用户特别是关注数据隐私和延迟的企业来说具有吸引力。Mistral NeMo的k上下文窗口对于处理长文档和复杂任务具有显著价值，但主要定位在笔记本和台式电脑而非移动设备上。
这次发布预示着AI软件市场的潜在变革，它可能促使企业更加倾向于本地部署的AI解决方案，从而缓解对数据隐私、成本和延迟的狂风源码40级源码顾虑。对于资源有限的小企业来说，这提供了与大公司竞争的新机会。然而，Mistral NeMo的实际效果和围绕它的生态系统建设将决定其长远影响。总的来说，Mistral NeMo标志着AI在企业环境中的应用正朝着更高效、可部署的方向发展，未来是否会撼动大模型的地位，还需拭目以待。
极智开发 | 解读英伟达软件生态 一切的基础CUDA
欢迎关注我的公众号 [极智视界]，获取我的更多经验分享
大家好，我是极智视界，本文来介绍一下 解读英伟达软件生态 一切的基础CUDA。
邀您加入我的知识星球「极智视界」，星球内有超多好玩的项目实战源码下载，链接： t.zsxq.com/0aiNxERDq
CUDA，全称为 Compute Unified Device Architecture，是英伟达于 年推出的一个平行计算平台和应用编程接口 API 模型。CUDA 之于英伟达的重要性主要体现在下面几个方面：
所以，解读英伟达软件生态，必须要从 CUDA 说起。虽然 CUDA 再往下还有如 PTX 的指令集加速层级，但是PTX 的普及程度其实并不高，甚至可能很多朋友都没听说过 PTX，其实也算正常，因为基本上的 N 卡开发者，根本没必要接触到 PTX，把 CUDA 学好就足够够的了。
把 CUDA 作为标杆，似乎是很多 AI 芯片厂商 "共同的做法"，比较有代表性的是升腾的 Ascend C、寒武纪的 Bang C，但是其实这几个之间有相似但又有不相似的地方。相似的地方在于不管是升腾还是寒武纪都想提供一套类似 CUDA 的可以充分调用自己 NPU 硬件加速的对外接口，提高客制化的灵活性。不相似的地方一方面在于我们是在学人家，很多接口其实是为了贴近 CUDA 的接口而进行的高级封装，毕竟大部分开发者其实已经形成了 CUDA 的开发习惯，这个时候让大家切换起来更加顺手的做法就是 "模仿"，而要做这种程度的 "模仿" 势必要协调好硬件架构和软件接口的映射；不相似的另外一方面体现在软件生态的层次清晰度，这个拿升腾来专门说，升腾 Ascend C 的发布时间在 年 5 月 6 日，而反观英伟达 CUDA 的发布时间是 年。什么意思呢，很明显可以看到英伟达的软件生态是以 CUDA 为基础然后层层往上叠的，而升腾是先有了 CANN，先有了 MindSpore 这些 "高层建筑"，然后往下才有了 Ascend C，这种软件生态的层次结构就没有那么清晰，当然这种说法也只是基于时间上的，这并不影响它在空间上还是具备不错的软件生态层次结构。
再回到 CUDA 本身，需要清楚的一点是，CUDA 其实一开始主要是面向优化计算密集型计算 (Compute-Bound)，因为不管是最开始的通用科学计算还是后来的以 CNN 为主流的深度学习计算都是计算密集型，但是后来 Transformer 又逐渐流行，所以 CUDA 也是不断在 "与时俱进" 在做平衡、做兼顾，比如在 A 开始，CUDA 新增了从 L1 Cache 到 HBM Global Memory 数据直接异步拷贝的指令，其实也是在丰富自身对于访存密集型计算 (Memory-Bound) 的优化。
我之前写过挺多关于 CUDA 的分享，罗列一些，
CUDA 是一种硬件强相关的编程模型，要掌握好 CUDA，需要先看懂 GPU 硬件架构，从而映射到 CUDA 内存模型、线程模型上，这点跟 C 语言、跟 C++ 这类 "高级" 编程语言就很不一样，所以很多朋友会觉得 CUDA C 比较难写，特别是要写出高性能的 CUDA C，比较难。确实，这是事实，特别是对于写出高性能的 CUDA C，会涉及资源的高效调度，比如 Shared Memory、L1 Cache 等的调度；会涉及适应硬件架构超参的配置，比如 Thread、Block、Grid 等的配置。
总之，对于 CUDA 的深入学习，是一门 "稳挣不亏" 的 "买卖"，原因不再过多赘述，主要体现在它的重要性上。
好了，以上分享了 解读英伟达软件生态 一切的基础CUDA，希望我的分享能对你的学习有一点帮助。
公众号传送
行代码完成批量缩星
在星空摄影中，处理大量照片以制作延时视频时，缩星成为了一项挑战。手动在PS中逐一操作或自编图像处理动作，耗时且效率低。本文提供了一种编程解决方案，利用免费工具starnet++ V2批量处理，实现快速批量缩星。
starnet++ V2能有效去除TIFF格式中的星星，只需调用程序即可实现批量操作。对于配备英伟达GPU的电脑，通过CUDA接口加速处理，可显著提升效率，显卡下速度提升可达5至6倍。
在使用代码前，请确保已下载并安装starnet++ V2（官网下载window 位版本），并将其放置于C盘特定目录。
附源代码（代码由AI自动生成），以下为使用方法概述：
首先将包含照片的文件夹命名为output，然后运行脚本nostar.py。脚本将自动处理output文件夹中的所有TIFF文件，将去星后的保存到output/starless目录下，无需人工干预。
处理效果显著，TIFF格式大小约为M，去星过程大约需要2分钟，此阶段主要利用CPU资源。若拥有英伟达显卡，可参考专门网页了解GPU加速方法。
最终成果如下，显示批量处理后的效果。
使用本文提供的方法，星空照片的缩星效率得到极大提升，尤其对处理大量时尤为明显。通过合理利用GPU资源，进一步加速了处理过程，提高了工作效率。值得注意的是，英伟达的CUDA库体积庞大，可能需要手动下载某些dll文件，以确保程序正常运行。
