BERJAYA

面向真实应用场景的模型

获取针对视觉、音频、语言和多模态工作负载优化、可在 Astra 上运行的 AI 模型。探索模型、参考实现和开发资源，加速应用开发，更快地将智能体验推向市场。

视觉

语言

音频

探索模型

从真实的边缘 AI 项目中学习

查看来自 Astra 生态系统的开发指南、应用示例和最佳实践。了解开发者如何优化 AI 模型、部署应用，并将创新的边缘 AI 解决方案变为现实。

CoralboardRaspberry PiDevkits

Synaptics Coralboard™ SL 与 Raspberry Pi 5 对比：如何选择适合边缘 AI 的开发板

Maclain Lobdell

action chunking transformerimitation learningroboticslerobottorq npu

物理 AI 实战：使用 Synaptics Astra® SL2610 实现机械臂自主操作

Nicholas Christoffersen

object detectionyoloultralyticscomputer vision

在 Synaptics Torq NPU 上部署自定义 YOLO 模型

AtharvaAshok Jadhav

探索博客

面向 Astra 开发者的动手学习

通过涵盖平台启动、AI 工作负载、应用开发和部署的实用教程，加速在 Astra 上的开发。

目标检测

在 SL2600 NPU 上使用 YOLO 查找并定位图像中的目标。

Astra 上的 LLM

使用 llama.cpp 在 Astra Machina 上本地运行 TinyLlama。

自带模型

使用 Torq 编译器转换您自己的模型，并在 SL2600 NPU 上运行。

探索教程

为什么选择在 Astra 上构建边缘 AI

覆盖各种功耗级别的智能

Astra 将 NPU、GPU 与可扩展的 MPU/MCU 计算相结合，让你可以根据产品的功耗和性能预算来部署设备端 AI。

面向未来的 AI 架构

Synaptics Torq（搭载 Coral NPU）通过软件更新提升灵活性，无需更换硬件即可支持新模型。

Astra AI 架构：NPU、共享本地内存和本地标量计算，以及主机 CPU、安全核心和处理管线

为边缘而量化与调优

INT8、INT4、混合精度以及超低 1.58 位量化，加上将模型映射到 NPU 和 GPU 的硬件感知工具，帮助你在速度、精度和内存之间取得平衡。

FP32FP32 的 100%
INT8FP32 的 25%
INT4FP32 的 12.5%
1.58-bitFP32 的 4.9%

每个权重的位数，相对于 FP32（示意）

使用现成模型，或引入自有模型

从已针对 Astra 优化的模型中选择，或使用 Torq 或 SyNAP 编译器编译你自己的 PyTorch、ONNX、JAX 或 TFLite 模型。

即刻可用

或使用自有模型

体验真正自由的边缘 AI/ML 开发