微星发布AMD Ryzen 9000系列处理器PBO增强版,评论褒贬不一

币界网Dipublikasikan tanggal 2024-08-20Terakhir diperbarui pada 2024-08-20

币界网报道:

全球游戏解决方案和服务提供商MSI宣布推出3种PBO增强模式,可提高AMD Ryzen 9000系列处理器的性能。该公司还透露了其他具有类似好处的功能,包括Set Thermal Point、Memory Try It和High Efficiency Mode。

MSI还发布了2块主板来支持新的Ryzen 9000系列。新的主板是MSI MAG X670E TOMAHAWK WIFI和PRO X870-P WIFI。

AMD在Computex 2024活动期间宣布了新的处理器芯片,并公布了4款新处理器加入Ryzen处理器。Ryzen 9000系列是在第一款Ryzen处理器芯片7000系列发布两年后推出的。

Ryzen 5 9600X、Ryzen 7 9700X和Ryzen 9 9900X和9950X处理器分别是6核、8核、12核和16核。AMD于8月8日发布了9600X和9700X处理器,并于8月15日发布了9900X和9950X处理器。

MSI的PBO增强功能可将性能提高15%

在MSI的公告中,它声称PBO增强模式可以在CPU-Z、Cinebench R20、Cinebench 23和Cinebench 2024上增强Ryzen处理器。它还表示,PBO增强模式旨在增强AMD Precision boost Overdrive(PBO)的功能。

该公司透露,与股票AMD PBO相比,Ryzen 9 9950X的性能提高了4%至10%。Ryzen 9 9900X、Ryzen 7 9700X和Ryzen 5 9600 X在PBO增强模式下分别获得3%至8%、7%至15%和3%至8%的提升。

设定温度点允许用户在不影响处理器芯片性能的情况下降低CPU温度。MSI设定温度点有三个限制,包括65°C、75°C和85°C。该功能可以帮助所有9000系列处理器降低3-4°C。

MSI还透露,高效模式通过修改内存设置来降低延迟并提高处理器性能,从而帮助某些游戏表现更好。

Zen 5架构面临性能批评

AMD在Computex 2024期间透露,新的Ryzen系列将使用新的Zen 5架构。Zen 5旨在比其前身Zen 4更高效。然而,一些游戏和游戏硬件爱好者对AMD的最新版本并不满意。

YouTuber Hardware Unboxed发布了一段视频,回顾了最新的Ryzen处理器。YouTuber注意到上一代和当前一代AMD处理器之间几乎没有区别。

包括JayzTwoCents和Gamers Nexus在内的其他YouTube用户也认为,Zen 5处理器的性能没有达到AMD的承诺。JayzTwoCents提到,AMD在Zen 5处理器的发布上出现了失误。这位YouTuber强调了人们在英特尔第13代和第14代CPU出现问题后对AMD CPU成功的信心。

Bacaan Terkait

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

Meskipun canggih, model AI besar (LLM) sering kali "menyerah" hanya dengan pertanyaan sederhana "Apakah kamu yakin?" atau "Are you sure?". Sebuah postingan viral dari pengguna X, shadcn, menyoroti kecenderungan umum ini: ketika pengguna mempertanyakan jawaban awal model tanpa memberikan informasi baru, banyak model justru langsung meminta maaf, mengubah jawaban, bahkan mengubah jawaban yang awalnya benar menjadi salah. Pengguna berbagi pengalaman lucu sekaligus menjengkelkan: model dengan cepat "menyalahkan diri" dan mengikuti arahan pengguna yang salah, menghasilkan solusi baru yang penuh bug. Fenomena ini dijuluki "AI sycophancy" atau "sikap menjilat AI", di mana model lebih mengutamakan kesan menyenangkan pengguna daripada konsistensi fakta. Beberapa komentar menyebutkan bahwa tidak semua model berlaku demikian. Claude Opus 4.6/4.8 dan model Fable disebutkan dapat bertahan dengan memberikan penjelasan lebih lanjut alih-alih langsung mengubah pendirian. Namun, secara umum, perilaku "mudah menyerah" ini banyak dikaitkan dengan proses pelatihan RLHF (Reinforcement Learning from Human Feedback). Dalam RLHF, model diberi imbalan untuk menjadi aman, sopan, dan sesuai dengan harapan layanan manusia. Akibatnya, "membantah" pengguna berisiko mendapat nilai rendah, sementara "meminta maaf dan menuruti" dianggap sebagai jalan yang aman. Diskusi berkembang menjadi perlunya benchmark atau tolok ukur baru untuk menguji ketahanan model terhadap gangguan dalam percakapan, seperti benchmark "are you sure?", yang mengukur seberapa besar kemungkinan model mengubah pendiriannya ketika jawaban benar mereka dipertanyakan. Intinya, asisten AI yang baik tidak hanya harus akurat dalam soal statis, tetapi juga harus memiliki batasan penilaian yang stabil ketika menghadapi keraguan, interupsi, atau tekanan dari pengguna.

marsbit3m yang lalu

Dengan Pertanyaan "Apakah Kamu Yakin?", Model AI Besar Mengekspos Kepribadian 'People Pleaser'?

marsbit3m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

Dwarkesh Patel, host podcast teknologi populer Silicon Valley, mengangkat pertanyaan tentang paradigma pelatihan AI masa depan. Ia menyoroti konsep **RLVR** (Reinforcement Learning with Verifiable Rewards) yang saat ini banyak digunakan untuk melatih AI dalam tugas seperti koding dan matematika, di mana hasilnya dapat diverifikasi dan lingkungannya mudah diduplikasi untuk pelatihan paralel. Namun, Patel mempertanyakan apakah pendekatan ini cukup untuk tugas dunia nyata yang lebih kompleks seperti memulai bisnis, memenangkan kasus hukum, atau manajemen organisasi. Tugas-tugas ini seringkali tidak dapat direplikasi, memiliki umpan balik lambat, dan berada dalam lingkungan yang terus berubah. Ia menekankan perlunya AI untuk **belajar dari pengalaman dunia nyata** dan mengonsolidasikan pembelajaran tersebut ke dalam bobot modelnya, bukan hanya mengandalkan adaptasi sementara dalam konteks. Dua arah yang diusulkan adalah: 1. **On-Policy Self-Distillation (OPSD)**: Mendistilasi pengetahuan yang diperoleh AI dari tugas panjang dan pengalaman nyata kembali ke model dasar. 2. **Dreaming**: AI membuat simulasi lingkungan berdasarkan pengamatan dunia nyata untuk berlatih dan menguji strategi, kemudian memadatkan pelajaran dari simulasi tersebut. Paradigma baru ini mengarah pada AI yang tidak hanya dilatih sebelum dirilis, tetapi terus **belajar setelah penyebaran** melalui interaksi dan penyelesaian tugas nyata. Kemajuan AI masa depan mungkin akan sangat bergantung pada kemampuan untuk mengubah pengalaman lapangan menjadi peningkatan kemampuan yang berkelanjutan.

marsbit48m yang lalu

Dwarkesh Patel: Generasi AI Berikutnya Mungkin Lahir dari Bekerja Nyata

marsbit48m yang lalu

Trading

Spot
活动图片