baruAnda sekarang dapat mendengarkan artikel Fox News!

Mantan bintang Philadelphia Eagles Jason Kelce mempermasalahkan kemungkinan pemain menghadapi denda karena mengkritik wasit setelah pertandingan dan menunjuk pada komentar edge rusher New York Giants Kayvon Thibodeau dari pertandingan hari Minggu.

Thibodeau kesal karena ofisial melakukan permainan mati ketika dia mengambil bola dari gelandang Eagles Jalen Hurts dalam perjalanan cepat. Thibodeau semakin bersemangat ketika dia menyebut peluit itu “banteng—” tetapi rekan setimnya Brian Burns mengingatkannya bahwa dia akan didenda atas ucapannya.

KLIK DI SINI UNTUK CAKUPAN OLAHRAGA LEBIH LANJUT DI FOXNEWS.COM

Jason Kelce bereaksi di atas panggung selama Big Slick Celebrity Weekend untuk memberi manfaat kepada Children’s Mercy Hospital pada 31 Mei 2025, di Kansas City, Missouri. (Kyle Rivas/Getty Images)

Pemain bertahan muda Giants dengan cepat mengubah nadanya.

“Saya tidak setuju dengan itu. Dengar, Anda kenal saya, saya tidak suka mengeluh tentang pejabat. Saya tidak pernah melakukan itu. Itu bukan cara saya bekerja. Saya rasa Anda tidak seharusnya didenda. Menurut saya itu omong kosong—secara pribadi,” kata Jason Kelce di episode terbaru acaranya. “Ketinggian Baru.”

Travis Kelce bertanya: “Saya tidak bisa memberikan pendapat saya tentang pendapat saya tentang panggilan tersebut?”

Bintang Giants Dexter Lawrence membantah klaim tim legendaris bahwa pemain NFL tidak lagi menghormatinya: ‘Palsu’

Penyiar ESPN Jason Kelce sebelum pertandingan antara Kansas City Chiefs dan Jacksonville Jaguars di Stadion Everbank pada 6 Oktober 2025. (Morgan Tencza/Bayangkan Gambar)

Jason Kelce menekankan bahwa dia bukanlah orang yang akan mempertanyakan manajemen tetapi dia tidak bisa menyalahkan orang lain jika melakukan hal tersebut.

Dia menambahkan: “Ya, apa ini? Ini kebebasan berbicara, sayangku! Apa yang kita lakukan di sini? Saya rasa Anda tidak seharusnya didenda karenanya. Menurut saya ini tidak masuk akal. Dan saya biasanya mendukung pejabat pendukung.” “Tapi dengar, itu keputusan yang buruk. Apa yang kamu ingin aku katakan?”

Gelandang New York Giants Kaivon Thibodeau (5) mengumpulkan apa yang tampaknya merupakan kesalahan dari gelandang Philadelphia Eagles Jalen Hurts (1) saat menjalankan Tush Push selama pertandingan antara New York Giants dan Philadelphia Eagles. Pertandingan tersebut diadakan di Lincoln Financial Field di Philadelphia, Pennsylvania, pada tanggal 26 Oktober 2025. (Terrence Lewis/Ikon Sportswire melalui Getty Images)

Klik di sini untuk mengunduh aplikasi FOX NEWS

Keduanya juga menyinggung telepon yang membuat Thibodeau kesal.

Jason Kelce berpendapat bahwa ketidakmampuan ofisial untuk melakukan panggilan dengan benar bisa menjadi alasan liga melarang pers.

Ikuti Fox News Digital Liputan olahraga di X Dan berlangganan Buletin Huddle Olahraga Fox News.

Ryan Gaydos adalah editor senior di Fox News Digital.

Tautan sumber

Dikembangkan oleh para peneliti di Nvidia Pendekatan baru Untuk melatih model bahasa besar (LLM) dalam format kuantum 4-bit dengan tetap menjaga stabilitas dan akurasinya pada tingkat model fidelitas tinggi. Teknologi mereka, NVFP4, memungkinkan pelatihan model yang tidak hanya mengungguli format 4-bit terkemuka lainnya namun juga menyamai performa format FP8 8-bit yang lebih besar, semuanya menggunakan separuh memori dan sebagian kecil komputasi.

Keberhasilan NVFP4 menunjukkan bahwa organisasi dapat terus mengurangi biaya inferensi dengan menjalankan model yang lebih kecil yang sesuai dengan performa model yang lebih besar. Hal ini juga menunjukkan masa depan di mana biaya pelatihan LLM akan turun ke titik di mana banyak institusi dapat melatih model kustom mereka sendiri dari awal dibandingkan hanya menyempurnakan model yang sudah ada.

Tantangan kuantitatif

Kuantisasi model Ini adalah teknik yang digunakan untuk mengurangi biaya komputasi dan memori dalam menjalankan dan melatih model AI. Ia bekerja dengan mengonversi parameter model, atau bobot, dari format presisi tinggi seperti floating point 16 dan 32-bit (BF16 dan FP32) ke format presisi lebih rendah. Tantangan utama kuantisasi adalah mengurangi ukuran model sambil mempertahankan sebanyak mungkin pengetahuan dan kemampuan.

Dalam beberapa tahun terakhir, format floating point 8-bit (FP8) telah menjadi standar industri yang populer, memberikan keseimbangan yang baik antara kinerja dan efisiensi. Ini secara signifikan mengurangi biaya komputasi dan kebutuhan memori pelatihan LLM tanpa penurunan akurasi yang signifikan.

Langkah logis berikutnya adalah floating point 4-bit (FP4), yang menjanjikan pengurangan setengah penggunaan memori lagi dan meningkatkan kinerja pada perangkat keras kelas atas. Namun transisi ini sulit. Format 4-bit saat ini, seperti MXFP4, sering kali kesulitan mempertahankan tingkat presisi yang sama dengan format 8-bit, sehingga memaksa adanya trade-off yang sulit antara biaya dan kinerja.

Bagaimana NVFP4 bekerja

NVFP4 mengatasi tantangan stabilitas dan akurasi yang dihadapi oleh teknologi FP4 lainnya melalui desain yang lebih cerdas dan metodologi pelatihan yang ditargetkan. Masalah utama dengan presisi 4-bit adalah jangkauannya yang sangat terbatas: ia hanya dapat mewakili 16 nilai berbeda. Saat mengonversi dari format resolusi tinggi, outlier dapat mendistorsi seluruh kumpulan data, sehingga merusak keakuratan model. NVFP4 menggunakan pendekatan multi-level yang lebih kompleks untuk menangani outlier ini dengan lebih baik, sehingga memungkinkan "Representasi nilai tensor yang lebih akurat dan tepat selama pelatihan," Menurut Nvidia.

Di luar formatnya, para peneliti menyajikan resep pelatihan 4-bit yang mencapai akurasi sebanding dengan FP8. Salah satu elemen kuncinya adalah “strategi presisi campuran”. Alih-alih mengonversi seluruh model menjadi NVFP4, sebagian besar lapisan dikuantisasi sementara sebagian kecil lapisan yang sensitif secara digital dipertahankan dalam format resolusi tinggi seperti BF16. Hal ini menjaga stabilitas di tempat yang paling penting. Metodologi ini juga menyesuaikan cara penghitungan gradien selama propagasi mundur — atau fase pembelajaran model — untuk mengurangi bias yang dapat terakumulasi dari penghitungan presisi rendah.

NVFP4 dalam praktiknya

Untuk menguji pendekatan mereka, tim Nvidia melatih hibrida yang kuat dengan 12 miliar parameter Model Transformer Mamba Lebih dari 10 triliun token. Mereka kemudian membandingkan performanya secara langsung dengan model dasar yang dilatih dalam format FP8 yang sangat populer. Hasilnya menunjukkan bahwa hilangnya pelatihan model NVFP4 dan keakuratan tugas akhir sangat mirip dengan versi FP8 di seluruh proses.

Kinerja dipertahankan di berbagai domain, termasuk penalaran intensif kognitif, matematika, dan tugas-tugas penalaran, dengan hanya sedikit penurunan dalam parameter pengkodean di akhir pelatihan.

"Sepengetahuan kami, hal ini merupakan demonstrasi pertama yang berhasil dalam melatih model bahasa miliaran parameter dengan presisi 4-bit pada cakrawala multi-triliun simbol, yang meletakkan dasar bagi pelatihan model parametrik masa depan yang lebih cepat dan efisien.

Menurut Manajer Produk Nvidia untuk AI dan GPU Pusat Data Nvidia Shar Narasimhan, dalam praktiknya, format presisi 4-bit NVFP4 memungkinkan pengembang dan perusahaan untuk melatih dan menerapkan model AI dengan presisi yang kurang lebih sama dengan format 8-bit tradisional.

“Dengan melatih bobot model secara langsung dalam format 4-bit sambil menjaga akurasi, hal ini memungkinkan pengembang untuk mencoba arsitektur baru, melakukan iterasi lebih cepat, dan menemukan wawasan tanpa terhambat oleh kendala sumber daya,” katanya kepada VentureBeat.

Sebaliknya, FP8 (walaupun merupakan lompatan maju dari FP16) masih memberikan batasan pada ukuran model dan performa inferensi karena kebutuhan memori dan bandwidth yang lebih tinggi. “NVFP4 melampaui batasan ini, menawarkan kualitas setara dengan lebih banyak ruang untuk pertumbuhan dan eksperimen,” kata Narasimhan.

Jika dibandingkan dengan format 4-bit alternatif, MXFP4, keunggulan NVFP4 menjadi lebih nyata. Dalam percobaan dengan model parameter 8 miliar, NVFP4 menghasilkan kerugian yang lebih baik daripada MXFP4. Untuk mencapai tingkat performa yang sama dengan model NVFP4, model MXFP4 harus dilatih dengan data 36% lebih banyak, yang menunjukkan peningkatan signifikan dalam waktu dan biaya pelatihan.

Selain membuat pra-pelatihan menjadi lebih efisien, NVFP4 juga mendefinisikan ulang apa yang mungkin dilakukan. “Menunjukkan bahwa presisi 4-bit dapat menjaga kualitas model dalam skala besar membuka pintu ke masa depan di mana model yang sangat terspesialisasi dapat dilatih dari awal oleh perusahaan skala menengah atau startup, bukan hanya perusahaan skala besar,” kata Narasimhan, seraya menambahkan bahwa seiring berjalannya waktu, kita dapat mengharapkan pergeseran dari pengembangan model MBA tujuan umum menjadi “ekosistem beragam model kustom berkinerja tinggi yang dibangun oleh berbagai inovator.”

Di luar pelatihan sebelumnya

Meskipun makalah ini berfokus pada keunggulan NVFP4 selama pra-pelatihan, dampaknya juga meluas hingga inferensi.

“Model yang dilatih menggunakan NVFP4 tidak hanya dapat menghasilkan inferensi yang lebih cepat dan throughput yang lebih tinggi, namun juga dapat mengurangi waktu yang dibutuhkan pabrik AI untuk mencapai ROI – mempercepat siklus dari pengembangan model hingga penerapan di dunia nyata,” kata Narasimhan.

Karena model ini lebih kecil dan lebih efisien, model ini membuka kemungkinan baru untuk memberikan respons yang kompleks dan berkualitas tinggi secara real-time, bahkan dalam aplikasi agen yang intensif kode, tanpa meningkatkan biaya energi dan komputasi.

Narasimhan mengatakan dia menantikan masa depan efisiensi model yang tidak hanya mengurangi akurasi, tetapi juga membangun sistem yang lebih cerdas.

“Ada banyak peluang untuk memperluas penelitian ke resolusi yang lebih rendah serta memodifikasi arsitektur untuk mengatasi komponen yang semakin mendominasi komputasi dalam model skala besar,” ujarnya. “Area-area ini kaya akan peluang, terutama ketika kita bergerak menuju sistem agen yang memerlukan throughput tinggi, latensi rendah, dan penalaran adaptif. NVFP4 membuktikan bahwa akurasi dapat ditingkatkan tanpa mengorbankan kualitas, dan membuka jalan bagi era baru desain AI yang cerdas dan efisien.”

Tautan sumber

baruAnda sekarang dapat mendengarkan artikel Fox News!

Menteri Pertahanan Pakistan pada hari Rabu mengancam untuk “menghilangkan” gerakan Taliban yang menguasai negara tetangga Afghanistan, setelah kegagalan negosiasi yang bertujuan untuk mencapai perdamaian abadi antara kedua belah pihak.

Pembicaraan damai di Istanbul, Turki, berakhir tanpa “solusi yang bisa diterapkan,” menurut Menteri Penerangan Pakistan Ataullah Tarar, setelah bentrokan berdarah bulan ini. Lusinan orang tewas di sepanjang perbatasan antara Pakistan dan Afghanistan dalam kekerasan terburuk yang pernah terjadi di kawasan itu sejak Taliban menguasai Kabul pada tahun 2021.

Perundingan berakhir dengan perselisihan mengenai kelompok teroris yang diduga menggunakan Afghanistan sebagai basis untuk menyerang pasukan keamanan di sepanjang perbatasan Pakistan.

Menteri Pertahanan Pakistan Khawaja Asif mengatakan dalam sambutannya di Channel

Pakistan dan Taliban menyetujui gencatan senjata 48 jam setelah pertempuran baru yang menewaskan puluhan orang

Seorang pejuang Taliban Afghanistan duduk di sebuah tank dekat perbatasan Afghanistan-Pakistan di Spin Boldak, Provinsi Kandahar, setelah baku tembak antara pasukan Pakistan dan Afghanistan di Afghanistan pada 15 Oktober 2025. (Reuters)

Kedua negara menyetujui gencatan senjata yang dicapai di Doha, Qatar, pada 19 Oktober, namun tidak dapat menemukan titik temu dalam pembicaraan putaran kedua yang dimediasi oleh Turki dan Qatar di Istanbul, menurut Reuters.

Kedua negara saling menyalahkan atas gagalnya perundingan tersebut.

Menteri Penerangan Pakistan mengatakan pada hari Rabu bahwa “pihak Afghanistan terus menyimpang dari isu inti… yang menjadi dasar proses dialog,” dan menuduh Taliban terlibat dalam pengalihan perhatian, tipu daya dan memainkan “permainan saling menyalahkan.”

Dia menambahkan, “Dialog tersebut gagal mencapai solusi praktis apa pun.”

Trump mengancam Hamas jika gencatan senjata di Gaza gagal saat Dinar mengunjungi Israel

Personel keamanan Taliban berjalan melewati mobil yang hancur di distrik Spin Boldak di provinsi Kandahar pada 16 Oktober 2025, setelah seharian bentrokan lintas batas antara Afghanistan dan Pakistan. (Gambar Getty)

Sumber keamanan Pakistan mengatakan kepada Reuters bahwa Taliban tidak siap untuk menyetujui pengendalian Taliban Pakistan, kelompok teroris terpisah yang menurut Pakistan beroperasi dari dalam Afghanistan tanpa konsekuensi.

Sumber Afghanistan yang mengetahui perundingan tersebut mengatakan bahwa negosiasi tersebut berakhir setelah “pertengkaran yang menegangkan” mengenai masalah ini, dan mencatat bahwa Afghanistan mengklaim bahwa mereka tidak mengendalikan Taliban Pakistan.

Taliban Pakistan telah melancarkan serangan terhadap tentara Pakistan dalam beberapa pekan terakhir.

Bentrokan dimulai awal bulan ini setelah serangan udara Pakistan menargetkan pemimpin Taliban Pakistan di Kabul dan lokasi lainnya.

Seorang personel keamanan Taliban berdiri di sepanjang jalan dekat titik nol perbatasan Ghulam Khan yang melintasi antara Afghanistan dan Pakistan di distrik Gurbuz di provinsi Khost tenggara pada 20 Oktober 2025. (Gambar Getty)

Klik di sini untuk mengunduh aplikasi FOX NEWS

Taliban membalasnya dengan serangan terhadap posisi militer Pakistan di sepanjang perbatasan sepanjang 1.600 mil yang masih ditutup.

Menteri Pertahanan Pakistan mengatakan pada hari Sabtu bahwa dia yakin Afghanistan sedang mengupayakan perdamaian tetapi kegagalan untuk mencapai kesepakatan di Istanbul berarti “perang terbuka.”

Meskipun ada gencatan senjata antara Pakistan dan Taliban, bentrokan yang terjadi selama akhir pekan mengakibatkan kematian lima tentara Pakistan dan 25 anggota Taliban Pakistan di dekat perbatasan dengan Afghanistan.

Reuters berkontribusi pada laporan ini.

Tautan sumber