AMD计划推出统一人工智能软件栈，使用LLVM的MLIR中间表示法将人工智能工作卸载到不同设备上。MLIR转换为SPIR-V的工作正在进行中，一旦完成，可用于其他显卡/设备。这将使AMD的AI软件堆栈适用于非AMD GPU。这是AMD创新软件时代的一部分。

研究论文提出了Quasar-ViT，一个面向硬件的量化感知架构搜索框架，用于设计高效ViT模型并保持准确性。通过训练超网络，使用适应性的量化方案和超网络层缩放技术，确定一系列最优的子网络。在FPGA平台上实现了高速推理和较高的准确性。

本文介绍了.NET9 PreView6的性能优化，包括硬件内部生成和恒定折叠。硬件内部生成通过传递常量参数来优化API，恒定折叠则在编译时将可计算的表达式替换为常量。这些优化可以提高代码执行速度。

本文提出了一种使用序列到序列模型来预测 TensorFlow 计算图中哪些操作应该在哪些可用设备上运行的方法，并以预测的放置方式的执行时间作为奖励信号来优化序列到序列模型参数。结果表明该模型在不同任务中能够发现优于手动设置和传统算法方法的设备放置方案。

本研究提出了一种自动化设计数据增强框架，通过生成与Verilog和EDA脚本对齐的高质量自然语言，改善了LLM在Verilog代码生成和EDA脚本生成任务中的表现。实验结果显示，使用该增强方法对Llama2-13B和Llama2-7B模型进行微调后，Verilog生成的准确性从58.8％提高到70.6％。与GPT-3.5相比，13B模型（ChipGPT-FT）在Verilog生成和EDA脚本生成方面表现更好。

飞桨于6月27日发布了PaddleX 3.0-beta开源版本，聚焦7大主流AI场景，提供低代码开发工具，支持多硬件纯离线使用。

本研究探讨了神经形态计算和边缘计算相结合的潜力，创建了一个适用于处理动态视觉传感器捕获数据的多功能机器学习系统。通过混合使用PyTorch和Lava框架构建和训练了混合模型，融合脉冲神经网络（SNNs）和人工神经网络（ANNs）。研究结果表明，混合脉冲神经网络在所有指标上均优于基准人工神经网络模型，并在准确性和延迟方面优于基准脉冲神经网络模型。

本文综述了YOLO目标检测算法的演进，重点介绍了YOLOv5、YOLOv8和YOLOv10，分析了它们的架构改进、性能提升和边缘部署适用性。研究结果显示YOLO在准确性、效率和实时性能方面取得了进展，并强调了在资源受限环境中的适用性。提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的YOLO版本提供指导。

谷歌在Chromium预留了私有API，可以读取更多PC硬件信息，可能违反了欧盟最新的数字市场法案。谷歌可以利用这个API优化Google Meet在PC上的表现效果，而Zoom无法获得详细的CPU/GPU使用信息。

五月份，Meta黑客松上的开源项目Open Glass受到了广泛关注。该项目利用低成本硬件和多模态模型实现了多种功能。项目已在github.com/BasedHardware/OpenGlass开源，提供代码和介绍。只需配置硬件和安装Arduino开发环境，即可上传示例固件代码到开发板。