Pile de calcul IA pour entraînement et inférence | Dweve Core
Dweve Core est une pile de calcul IA complète pour l'entraînement et l'inférence sur les chemins CPU, GPU, FPGA et navigateur pris en charge, avec des...
Choose the audience that matches your question
The page contains three selectable readings of the same subject.
For consumers
La pile de calcul IA derrière les produits Dweve, qui exécute des calculs sur des processeurs ordinaires et du matériel spécialisé sans modifier le produit au-dessus.
For businesses
Une pile de calcul IA complète pour l'entraînement et l'inférence qui maintient la création de modèles, l'optimisation, l'exécution, le service et la vérification dans un seul système d'exploitation.
For engineers
Un registre de cellules d'exécution couvrant plus de 2 900 opérations, 76 catégories, 25 familles de formats et douze familles de backends cibles.
Dweve Core in one sentence
Dweve Core is a complete AI compute stack for training and inference that keeps model authoring, training, numerical representation, execution, serving and verification in one machine across supported CPU, GPU, FPGA and browser paths.
- The implementation registry spans more than 2,900 operations, 76 operation categories and 25 registered numerical format families.
- Core Native is the broad Rust-native execution foundation. Core on Kera is an optional execution foundation available in selected strategic licence packages.
- Each supported execution cell carries an explicit determinism contract: pure Core Native, seeded Core Native or pure supported Core on Kera.
- On supported binary workloads, Core uses 96% less energy than a GPU stack.
Assistance pour agent de codage et opérateur. Les métriques de démonstration sont illustratives.
Terminal, recherche, lint, test, git, et plus.
Se souvient de votre codebase et du contexte de l'équipe.
Des agents spécialisés collaborent sur différents aspects.
Chaque étape est enregistrée avec horodatage.
Les politiques, vérifications et tests s'exécutent toujours.
Examinez les diffs, demandez des modifications, approbation finale.
Rejouez toute session bit pour bit quand une révision est nécessaire.
Lire retry.ts, bug de délai d'attente tracé
Extraire garde + limiter les nouvelles tentatives
Agents autonomes qui écrivent du code et gardent des reçus
pour gérer les délais d'attente réseau, les réponses 5xx et les conditions idempotentes sûres. Helper pur, entièrement testé unitairement.
Capacité et déterminisme indiqués par cellule
Opération directe sur l'infrastructure contrôlée par le client
Un modèle, plusieurs chemins détenus par les fournisseurs
la définition et l'exécution divergent lentement
Fonctionne sur des ordinateurs ordinaires, là où c'est pris en charge
Il peut montrer comment il y est arrivé.
Peut fonctionner hors ligne, là où c'est pris en charge.
Vos affaires peuvent rester à la maison, en Europe.
Pas besoin d'acheter un ordinateur spécial.
Groupes d'algorithmes par type de données
cellule d'exécution et contrat de rejeu enregistrés
mis à l'échelle par bloc et micro-échelle
Le format de stockage n'est pas de type accumulateur
Dweve Core est une pile de calcul IA complète pour l'entraînement et l'inférence. La plupart des plateformes IA ne couvrent qu'une partie et confient le reste à d'autres fournisseurs. Core regroupe la création de modèles, l'entraînement, l'inférence, les kernels, l'ordonnancement et le déploiement dans un système cohérent. Sur les charges de travail binaires prises en charge, Core consomme 96 % d'énergie en moins qu'une pile GPU.
25 familles de formats numériques enregistrées
Sur les charges de travail binaires prises en charge.
Les systèmes partiels créent une dépendance permanente
La définition et l'exécution divergent lentement.
La compression vit dans l'outil de quelqu'un d'autre.
Nouveau matériel, nouveau système de service, nouveau comportement.
La feuille de route du fournisseur devient la vôtre.
Aucun système unique ne peut expliquer le résultat.
La dépendance persiste car l'espace de calcul sous-jacent n'est que partiellement couvert.
L'implémentation est l'actif stratégique
Core maintient les changements de largeur numérique, de conditionnement, de matériel et de déploiement dans un seul système d'implémentation. Un algorithme ne devient pas un produit différent parce qu'il passe d'un serveur x86 à ARM, à un GPU, à un navigateur ou à une cible spécialisée. L'opération reste nommée, inspectable et détenue tout au long du déplacement, et chaque chemin est enregistré plutôt qu'inféré à partir d'une étiquette de format.
Le registre d'implémentation couvre plus de 2 900 opérations, 76 catégories d'opérations et 25 familles de formats numériques enregistrées. Chaque chemin est déterminé selon neuf dimensions : algorithme, type de données, largeur, conditionnement, accumulateur, backend, jeu d'instructions, politique de répartition et mode de déterminisme. Le contrat de représentation maintient ces choix numériques et physiques attachés à l'opération. Le visuel ci-dessous fixe la plupart de ces dimensions afin qu'une petite tranche représentative reste lisible. Le décompte décrit un registre de cellules et de contrats concrets, et non une affirmation selon laquelle une étiquette de format ou un badge de capacité générale expliquerait à lui seul un chemin d'exécution.
ce qui détermine réellement une exécution
Ce qui le transporte, à quelle précision.
Comment c'est stocké, comment c'est additionné.
Où cela s'exécute, sur quel chemin réel.
Quel chemin est choisi, sous quel contrat.
les fonctionnalités sont des coordonnées
L'échantillon est petit car le registre d'implémentation ne l'est pas.
Un algorithme survit à chaque contrainte
Une nouvelle largeur, un nouveau conditionnement, un nouvel hôte ou un nouveau contrat arrive.
La machine choisit le chemin pour la nouvelle cellule.
Quel code a été exécuté, sur quelle machine, déclaré.
Même actif, même propriétaire, nouvelle condition.
La première hypothèse héritée que Core supprime est qu'un seul type de données devrait dominer tout.
Aucune barreau n'est une fonctionnalité de recherche
Le processeur devrait être aussi remplaçable que le type de données.
Core ne traite pas un écosystème d'accélérateurs comme la définition de l'IA et tout le reste comme un portage de second ordre. Ses opérations ont des implémentations de référence scalaires et des chemins spécifiques à chaque cible sur les backends CPU, GPU, FPGA, navigateur et déploiement pris en charge. L'exécution sélectionne une implémentation en fonction de la machine disponible et de la politique associée au travail.
Un processeur x86 moderne peut utiliser ses instructions vectorielles. ARM et les puces Apple peuvent utiliser leurs chemins natifs. Les GPU NVIDIA, AMD et Apple peuvent utiliser leurs backends respectifs. L'exécution dans le navigateur peut utiliser WebAssembly ou WebGPU lorsque cela est approprié. Les programmes de déploiement peuvent cibler du matériel spécialisé. Le processeur est une destination pour l'opération. Il n'est pas le propriétaire du modèle.
Vecteurs x86, chemins natifs ARM et Apple silicon.
GPU NVIDIA, AMD et Apple sur leurs propres backends.
WebAssembly ou WebGPU lorsque cela est approprié.
Matériel spécialisé pour les programmes de déploiement.
Les étiquettes de cibles larges sont faciles. Posséder le chemin réel est plus difficile.
Le type de données n'était pas pris en charge, le matériel cible a changé et le quantificateur nécessitait un autre environnement d'exécution.
La pile de service ne pouvait pas rejouer le résultat. Les achats ont ouvert une autre revue fournisseur.
Le type de données n'était pas pris en charge
Le quantificateur nécessitait un autre environnement d'exécution
Vous n'avez pas ajouté une fonctionnalité. Vous avez exposé un autre trou dans la machine.
Réglé à la main signifie que quelqu'un possède le résultat
Une API large est facile à annoncer. La propriété au niveau de la machine est beaucoup plus difficile. Core ne considère pas une opération comme couverte simplement parce qu'une implémentation générique compile sur une autre cible. Les chemins pris en charge sont implémentés et réglés pour leur combinaison réelle d'opération, de représentation, de conditionnement, de backend et de jeu d'instructions.
La multiplication matricielle binaire sur AVX-512 n'est pas traitée comme une multiplication matricielle en virgule flottante avec des valeurs plus petites. Les opérations sur bits conditionnés utilisent les instructions binaires disponibles sur la machine. Les opérations en nombres entiers et en virgule fixe utilisent le bon accumulateur et le bon comportement de débordement. Les chemins GPU utilisent la structure d'exécution de la cible. Les implémentations scalaires restent présentes comme référence et plancher universel. Cela crée une réponse responsable à une question simple : quel code a réellement exécuté cette opération sur cette machine ? Core peut nommer le chemin.
Écrite pour ce qui est réellement calculé.
Instructions binaires pour les bits, pas des flottants mis à l'échelle.
Comportement de débordement correct, par conception.
Noyaux NEON écrits pour l'architecture vectorielle d'ARM.
Cette propriété doit continuer au-delà du noyau et sur tout le cycle de vie du modèle.
Une seule machine de la définition à l'inférence
les stations que le modèle ne quitte jamais
Entraîné pour la représentation qu'il utilisera.
Exécuté par le système qui l'a entraîné.
Acheminé vers le chemin optimisé pour l'hôte.
les importations et exportations existent
Une fois le cycle de vie cohérent, la variation peut devenir un contrat plutôt qu'un accident.
Core énonce le contrat du chemin réellement exécuté. Les chemins binaires, ternaires, entiers signés et non signés, en virgule fixe, adaptatifs et exacts de Core Native sont purement déterministes là où couverts, sans graine. Les chemins flottants, bfloat, à échelle par blocs et à échelle microscopique de Core Native utilisent une relecture avec graine. Core optionnel sur Kera rend les chemins pris en charge de ces familles flottantes purement déterministes également.
Un flux de travail réglementé à faible précision, en Q-format ou adaptatif peut exiger une relecture Core Native identique au bit près. Un flux de travail en famille flottante peut utiliser une graine épinglée et un enregistrement complet sous Core Native. L'échantillonnage créatif reste un choix de génération distinct. Un déploiement qui exige une exécution flottante purement déterministe en bfloat, à échelle par blocs, à échelle microscopique ou conventionnelle peut utiliser Core sur Kera et supprimer la graine. Ce sont des contrats déclarés différents pour la cellule sélectionnée, pas des noms marketing interchangeables pour chaque réponse répétée.