NVIDIA 英伟达

llama.cpp b11065：为 Gemma 4 调优 CUDA Flash Attention

llama.cpp 发布 b11065 版本，主要变更为针对 Gemma 4 在 Ampere 及更新架构 GPU 上调整 Flash Attention（FA）的 CUDA 实现（PR #29152）。该版本同时提供覆盖 macOS/iOS、Linux、Windows、Android 及 openEuler 的多平台预编译二进制包，支持 CUDA、Vulk

MinerU 4.0.5 发布：表格模型支持 CUDA ONNX

MinerU 发布 4.0.5 版本，为表格模型新增可选 CUDA ONNX session，在可用时自动启用并加入推理阶段计时；同时统一 ONNX session 线程配置并支持环境变量回退，更新物化素材图片命名规范并改进图片分辨率处理，且将 docvortex 最低版本要求提升至 0.4.20。

llama.cpp b11062：CUDA 为 qwen4 启用稀疏 flash attention

llama.cpp 发布 b11062 版本，主要变更是为 qwen4 在 CUDA 后端启用稀疏 flash attention（sparse fa），对应 PR #28770。该版本同时提供覆盖 macOS/iOS、Linux、Android、Windows 及 openEuler 的多平台预编译二进制，包含 CUDA 12/13、Vulkan、ROCm

Runway 发布 Gen-4.5 视频生成模型，称登顶文生视频基准

Runway 发布视频生成模型 Gen-4.5，官方称其在 Artificial Analysis 文生视频基准上以 1247 Elo 分排名第一，在运动质量、提示词遵循和视觉保真度上达到领先水平。该模型基于 NVIDIA Hopper 和 Blackwell GPU 构建，在预训练数据效率与后训练技术上取得进展，并保持与 Gen-4 相当的速度、效率和订阅

llama.cpp b11047 修复 CUDA CUB argsort 原地键损坏问题

llama.cpp 发布 b11047 版本，修复了 CUDA 后端中 CUB argsort 因原地键缓冲区导致的排序损坏问题。原实现将 d keys in 与 d keys out 指向同一缓冲区，违反 CUB 双缓冲要求，导致排序结果错乱并引发下游 get rows 越界读取。修复方案是在全部六个调用点使用独立的 keys-out 缓冲区，并同步提供各

Dario Amodei 等 AI 领袖想“Pace the Frontier”，但如何实现？

Anthropic CEO Dario Amodei 提出“Pace the Frontier”计划，主张依靠独立安全评估机构以及民主国家 AI 实验室之间的协调来推进 AI 发展。该提案已获得部分行业支持，但也遭到 Nvidia CEO Jensen Huang 的尖锐反对。TechCrunch 的 Equity 播客讨论了各公司能否就“放缓”的定义达成一

Anthropic CEO 提出放缓 AI 发展计划，Nvidia 黄仁勋反对

Anthropic CEO Dario Amodei 提出“pace the frontier”计划，主张依靠独立安全评估机构和民主国家 AI 实验室之间的协调来放缓 AI 发展，该提议已获得部分行业支持，但遭到 Nvidia CEO Jensen Huang 的尖锐反对。TechCrunch Equity 播客讨论了各公司能否就“放缓”的定义达成一致以及由

Crusoe 融资 39 亿美元，估值达 309 亿，建模块化 AI 工厂

数据中心开发商 Crusoe 完成 39 亿美元 F 轮融资，估值升至 309 亿美元，由 Atreides Management、Mubadala Capital 和 Valor Equity Partners 联合领投，英伟达、Founders Fund、GIC、QIA、TPG 等参投。资金将用于现有数据中心项目（包括得州 Abilene 为 OpenA

AI实验室数据信任危机：企业限制使用Fable等模型

据The Information报道，英伟达和Booz Allen Hamilton等公司因Anthropic在6月更改政策、将Fable使用日志保留30天，而限制该模型用于敏感工作，英伟达转而使用自研Nemotron模型。Palantir也阻止客户通过其软件部署Fable，直到获得不可撤销的零数据保留保证。OpenAI和Anthropic随后推出让客户自行

llama.cpp b10984：CUDA 支持行连续 SUM ROWS

llama.cpp 发布 b10984 版本，主要更新为 CUDA 后端支持行连续的 SUM ROWS 操作，并整理代码、新增 GGML OP MEAN 以复用同一共享内核处理行连续张量，同时为 MEAN 的 permute/slice 添加测试。该版本同步提供 macOS、Linux、Windows、Android 等多平台预编译二进制包。

Agility Robotics 发布 Digit 5 人形机器人，无需安全围栏即可与人协同

Agility Robotics 发布新一代人形机器人 Digit 5，可在仓库和工厂中无需安全围栏与人协同工作，依靠 AI 和传感器识别人员并停止或让开，同时发出视觉和音频警示。Digit 5 是 Nvidia 机器人安全平台 Halos 的首个合作伙伴，载重提升至 22.7 公斤，电池 9 分钟充电可运行 90 分钟，支持每天超 20 小时工作。公司称

llama.cpp b10977：Windows CUDA 构建升级至 13.4.1

llama.cpp 发布 b10977 版本，主要变更是将 Windows x64 平台的 CUDA 构建版本升级到 13.4.1。该版本同时提供 macOS、Linux、Android、Windows 等多平台预编译包，覆盖 CPU、CUDA、Vulkan、ROCm、OpenVINO、SYCL 等多种后端。

黄仁勋现场接特朗普电话，还秀出未发布苹果折叠机

英伟达CEO黄仁勋在洛杉矶All-In大会上现场接到特朗普的电话，两人就AI安全话题交谈，特朗普称对AI的担忧是“骗局”，认为真正的赢家是中国和“政治人物”，并称AI“比互联网还大”不应放缓。黄仁勋用来接电话的是苹果尚未发售的新款折叠手机，售价1999美元，距上市还有五周。文章指出，英伟达的商业模式依赖AI实验室购买更多芯片，因此淡化AI风险符合其利益，而苹

黄仁勋台上免提连线特朗普：机器人不会接管世界

英伟达 CEO 黄仁勋在 All-In Summit 舞台上用免提电话连线美国总统特朗普。特朗普在通话中将近期对 AI 发展的担忧称为“骗局”，并宣称“机器人不会接管世界”。此前 Anthropic CEO Dario Amodei 发表长文《We Must Pace the Frontier》呼吁放缓 AI 发展并加强政府协调，特朗普随后在 Truth S

另有 1 家信源报道

llama.cpp b10950：CUDA 后端在无 BF16 硬件加速设备上回退 F32

llama.cpp 发布 b10950 版本，主要变更是 ggml-cuda 后端在不支持 BF16 硬件加速的设备上回退到 F32 计算，覆盖 NVIDIA（Ampere 之前）以及 AMD（RDNA3 之前或 CDNA 之外）的 GPU。该改动由 Johannes Gäßler 贡献，并同时适用于 NVIDIA 平台。发布包涵盖 macOS、Linux、

llama.cpp b10905：CUDA/HIP Flash Attention 调优

llama.cpp 发布 b10905 版本，主要更新为 CUDA/HIP 上的 Flash Attention 调优（针对 gfx1201）。该改动在 RDNA4 上为 head size 256 启用 mma Flash Attention 并调整配置，同时在 AMD WMMA 上优先使用整块 tile 的 FA 网格而非 stream-k，并修订了 s

优化跨部署栈的AI推理

戴尔技术团队发表论文，提出跨部署栈的AI推理优化统一分析框架。作者将部署分解为模型层（量化、剪枝、蒸馏）、编译器层（图融合、布局优化、内核自动调优）和系统层（动态批处理、准入控制、内存分层）三层分类法，并将部署形式化为精度、延迟、吞吐、内存和能耗的多目标约束优化问题。论文还提出证据协议以解决现有基准测试条件不可比的问题，并综合了边缘平台与数据中心GPU的实证

llama.cpp 发布 b10897：WoA CUDA 13.4 升级至 13.4.1 GA

llama.cpp 发布 b10897 版本，主要更新是将 Windows ARM64 平台的 CUDA 13.4 构建从 Developer Preview 归档迁移到 13.4.1 GA 可再发行组件。该版本同时提供 macOS、iOS、Linux、Android、Windows 等多平台预编译二进制包，涵盖 CUDA、Vulkan、ROCm、OpenV

NVIDIA 流式语音识别模型 nemotron-speech 发布 GGUF 量化版

Hugging Face 用户 handy-computer 发布了 NVIDIA nemotron-speech-streaming-en-0.6b 的 GGUF 量化版本，供 transcribe.cpp 推理框架使用。该模型是 0.6B 参数的缓存感知流式 FastConformer-RNNT 英文语音识别模型，支持离线与流式两种模式，并提供 F32

llama.cpp b10876 发布：CUDA 量化编译控制优化

llama.cpp 发布 b10876 版本，主要更新为 CUDA 后端将 GGML FA ALL QUANTS 替换为 GGML FA QUANTS，提供更细粒度的编译控制，并为未编译的组合添加运行时回退与警告。该版本同时提供了面向多平台（macOS、Linux、Windows、Android 等）的预编译二进制文件。