CMSSW_15_1_0_pre2版本发布:CMS软件框架的重要更新
项目简介
CMSSW(CMS软件框架)是欧洲核子研究中心(CERN)大型强子对撞机(LHC)上紧凑型μ子螺线管(CMS)实验的核心软件系统。作为高能物理实验数据分析的基础平台,CMSSW负责从原始探测器数据到最终物理分析的全流程处理。本次发布的CMSSW_15_1_0_pre2版本是该系列的一个重要预发布版本,包含了大量功能增强、错误修复和性能优化。
主要更新内容
几何描述与探测器模拟改进
本次更新对多个探测器的几何描述进行了重要修正,特别是针对HGCal(高粒度量热计)的V19版本几何描述进行了多项调整。开发团队修正了闪烁体盒的几何描述问题,移除了EE部分的重叠区域,并调整了混合层算法。这些改进确保了探测器模拟的准确性,为后续数据分析提供了可靠基础。
在MTD(精确时间探测器)方面,团队修复了ETL(端盖时间层)v10版本的拓扑参数读取问题,并更新了ETL几何描述以匹配最新工程设计图纸。这些改动解决了先前版本中存在的几何导航问题。
触发系统与数据采集优化
触发系统作为实验数据采集的第一道关卡,本次更新包含了多项重要改进。HLT(高级触发)菜单开发持续推进,团队修复了Diphoton XGBoost MVA过滤器中光子η参数交换的问题,并优化了触发路径配置。
数据采集系统(DAQ)方面,开发团队修复了多个关键问题,包括原始文件生成错误、输入源原始文件删除死锁问题,以及DAQSource中的同步问题。这些改进显著提高了数据采集系统的稳定性和可靠性。
重建算法与轨迹系统增强
重建算法方面,本次更新引入了多项优化。团队恢复了分支less 'and'操作,提高了重建效率;修正了SiStripClusterizer(FromRaw)中的问题;增加了对四个对象组合的支持;并改进了TICL(轨迹与量热计信息组合)能量回归和PID模型加载。
轨迹系统方面,开发人员为LST(大型硅轨迹器)添加了DNN(深度神经网络)来排除异常T3对象,并修复了集合重置问题。这些改进显著提高了轨迹系统的性能和准确性。
数据管理与分析工具升级
在数据管理方面,团队为CondDBESSource添加了transactionId作为可选参数,并提供了fillDescriptions方法。这些改进增强了条件数据库的灵活性和可用性。
分析工具方面,更新包括对NANO和MINIAOD格式的多项改进,如添加缺失的触发器过滤位、修正MET不确定性计算中的TauID选择、添加AK8子jet pT回归节点等。这些改进为物理分析提供了更丰富、更准确的数据。
性能优化与代码质量提升
本次更新包含了大量性能优化措施。团队移除了HCAL解包和局部重建的传统CUDA模块,优化了内存管理,并允许在RelVal工作流中使用RNTuple格式。这些改动显著提高了软件运行效率。
代码质量方面,开发团队修复了多个静态分析器警告,解决了数组边界问题和未初始化变量警告,并优化了多处代码逻辑。这些改进提高了软件的稳定性和可维护性。
技术亮点
-
新型探测器几何支持:对HGCal V19和ETL v10等新型探测器几何的全面支持,为未来实验数据采集做好准备。
-
机器学习集成:在多个子系统中集成了机器学习技术,如TICL中的PFN(粒子流网络)模型和LST中的DNN应用,展示了CMS实验在人工智能应用方面的前沿探索。
-
并行计算优化:通过移除传统CUDA模块和优化内存管理,显著提高了在高性能计算环境下的运行效率。
-
数据格式创新:支持RNTuple等新型数据格式,为处理未来更高亮度实验数据奠定基础。
总结
CMSSW_15_1_0_pre2版本作为CMS软件框架的重要更新,在探测器模拟、触发系统、数据重建和分析工具等多个方面都带来了显著改进。这些更新不仅解决了已知问题,还引入了多项创新功能,为CMS实验未来的数据采集和分析工作提供了更强大、更可靠的技术支持。开发团队持续关注代码质量和性能优化,确保软件框架能够满足高能物理研究日益增长的需求。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00