【菜科解读】

主板是计算机最基本同时也是最重要的部件之一，其主要的功能是供电、数据传输、数据处理、监控各部件的温度电流等。

对于主板挡片上各式各样的接口，菜叶说说，大部分朋友可能都不太了解，今天小编就给大家讲解一下主板上各种接口的用处。

一、USB接口

USB是大家最熟悉的接口了，我们常用的鼠标键盘U盘之类的都是通过USB接口连接电脑并传输数据。

USB是一个外部串口总线标准，也是一种输入输出接口的技术规范，具有热插拔功能。

同时USB也可以输出电流和电压，我们的手机充电线连接充电头的一端就是USB口。

在1996年推出USB1.0之后，USB也不断地进化出了很多版本，分别是USB1.0，USB2.0，USB3.0和USB3.1。

其中USB2.0颜色为黑白色，理论传输速度为480 Mbps，即60 MB/s，但实际传输速度一般不超过30 MB/s；

USB3.0颜色为蓝色，理论传输速度为5.0Gbps，即500MB/s。

二、图像输出接口

显卡所处理的信息最终都要输出到显示器上，图像输出接口就是负责向显示器输出相应的图像的信号接口。

根据功能和传输原理的不同，分为四种接口：VGA,DVI，HDMI，DP。

VGA接口共有3排15针的信号线，它传输的是一种模拟信号——传输不同电压的信号来控制图像的显示。

由于带宽的限制，显示的分辨率更大图像质量也相对差，同时也容易受到干扰。

为了避免画面受到干扰，最好在1920x1080分辨率下，20英寸及以内使用VGA。

DVI是一种用于高速传输数字信号的接口，目前应用主要以DVI-D(24 1)为主。

DVI接口只支持8bit的RGB信号传输，不能让广色域的显示终端发挥最佳性能。

DVI接口只能传输图像信号，对于数字音频信号的支持完全没有考虑。

由于适用范围和传输能力的局限性，它显然无法适应这个越变越快的市场,估计不久的将来就会被HDMI和DP所取代。

HDMI是一种全数字化视频和声音发送接口，可以发送未压缩的音频及视频信号。

相对于VGA和DVI单一的视频传输功能，HDMI可以同时发送音频和视频信号，由于音频和视频信号采用同一条线材，大大简化系统线路的安装难度，而且HDMI最高数据传输速度为5Gbps。

DP接口是一款数字式视频接口标准，该接口主要用于视频源与显示器等设备的连接，并且也支持携带音频、USB和其他形式的数据。

通过主动或被动适配器，该接口可与传统接口（如HDMI和DVI）向后兼容。

但是DP接口只应用到了显卡上，其他方面应用得不多。

主板本身提供有图像输出接口，若是电脑安装有独立显卡，则主板的接口就会被屏蔽。

显示屏线一定要插在独立显卡的接口上。

三、串口和并口

串行接口主要用于数据传输，一般用于一些特殊的外接设备，比如通讯、自动化控制类的设备。

串口与VGA的区别是，针脚有两排，一共9针。

并口也是一种数据传输接口，主要用于连接主要用于打印机和绘图仪，通常是两排25针。

四、PS/2接口

PS/2接口是一款比较常见的鼠标键盘接口，这是一种鼠标和键盘的专用接口，是一种6针的圆型接口。

PS/2接口的键鼠不支持热插拔，其鼠标的接口为绿色、键盘的接口为紫色，两者不能混插。

五、音频接口

音频接口是电脑音频传输的接口。

其中绿色为音频输出端，接我们常用的耳机和双声道音箱；

粉色为麦克风接口，蓝色为音频输入端口，当电脑需要和电视连接同步音频时用到；

黑色为后置环绕喇叭接口，当使用到四声道以上时需要用到；

橙色为中置/重低音喇叭接口，当使用六声道以上时需要用到；

灰色为侧边环绕喇叭接口，当使用八声道以上时需要用到。

六、网卡接口

网卡接口用来插网线，是我们的电脑和互联网连接的接口。

主板上的常见接口大致分为这几类，希望我的这篇文章对大家有所帮助。

如果有其他想了解的知识，可以留言评论。

英伟达力荐，小团队两个月开源一款「光速级」智能体推理引擎

尤其是在 Coding Agent 爆发之后，算力问题变得前所未有地尖锐。

Claude Code、Codex、Cursor 等产品正在把 AI 从「问答工具」变成「持续运行的软件协作者」，单次会话轻松突破 50K tokens，系统负载转向了更极端、更复杂的智能体负载。

最近有关算力的大新闻层出不穷。

今天的最新消息：马斯克的 SpaceX 与 Anthropic 宣布达成了重磅协议，超过 22 万块英伟达 GPU 将为 Anthropic 所用。

而 Anthropic 对与 SpaceX 合作开发未来的太空算力体系「表示有兴趣」。

在如此庞大的算力需求下，除了开源还有节流。

也是今天的最新消息：OpenAI 发布了多路径可靠连接 (MRC)，可帮助大型 AI 训练集群更快、更可靠地运行，并减少 GPU 时间的浪费。

我们知道，即便只是单 GPU 吞吐率上的微小提升，一旦应用到生产级集群中，也能够在服务持续增长需求的同时，节约相当可观的算力。

来自 LightSeek Foundation 的一个小团队，在两个月时间内打造了一个全新的，号称「光速」的大模型推理引擎 TokenSpeed。

这一引擎拥有 TensorRT LLM 级别的性能，vLLM 级别的易用性。

并且拥有 NVIDIA Blackwell 上最快的 MLA 注意力内核。

一经发布，TokenSpeed 就受到了英伟达发推文力荐。

目前，该引擎已经开源。

让我们参阅其技术博客，来深入了解「光速」引擎的技术细节。

博客标题：TokenSpeed: A Speed-of-Light LLM Inference Engine for Agentic Workloads 博客链接：https://lightseek.org/blog/lightseek-tokenspeed.html Github 链接：https://github.com/lightseekorg/tokenspeed TokenSpeed 技术简介 TokenSpeed 从第一性原理出发，专门为智能体推理场景设计。

它为智能体负载提供接近「光速级」的推理能力，核心包括：基于编译器的并行建模机制、高性能调度器、安全的 KV 资源复用约束、支持异构加速器的可插拔分层 kernel 系统，以及用于低开销 CPU 侧请求入口的 SMG 集成。

建模层采用本地 SPMD（Single Program, Multiple Data，单程序多数据）设计，在性能与易用性之间取得平衡。

TokenSpeed 允许开发者在模块边界指定 I/O placement 注解。

随后，一个轻量级静态编译器会在模型构建过程中自动生成所需的 collective operation，从而无需手动实现通信逻辑。

TokenSpeed 调度器将控制平面（control plane）与执行平面（execution plane）解耦。

控制平面使用 C++ 实现，并被构建为一个有限状态机（FSM），结合类型系统，在编译期而非运行期强制执行安全资源管理，包括 KV cache 状态转移与使用。

请求生命周期、KV cache 资源以及重叠执行时序，都通过显式 FSM 状态迁移与所有权语义进行表示，因此系统正确性并非依赖约定，而是由一个可验证的控制系统来保证。

执行平面则使用 Python 实现，以保持开发效率，使研究人员与工程师能够更快进行功能迭代，并降低整体认知负载。

TokenSpeed 的 kernel 层将 kernel 从核心引擎中解耦，并将其视为一级模块化子系统。

它提供了可移植的公共 API、集中的注册与选择机制、组织良好的实现结构、面向异构加速器的可扩展插件机制、经过整理的依赖体系，以及统一的快速迭代基础设施。

与此同时，团队还针对 NVIDIA Blackwell 架构进行了大量性能优化。

例如，他们构建了当前智能体负载场景下速度最快的 MLA（Multi-head Latent Attention，多头潜在注意力）kernel 之一。

在 decode kernel 中，由于部分场景下「num_heads」较小，团队通过对「q_seqlen」与「num_heads」进行分组，以更充分利用 Tensor Core 的计算能力。

而 binary prefill kernel 则包含了经过精细调优的 softmax 实现。

目前，TokenSpeed MLA 已被 vLLM 采用。

TokenSpeed 性能预览 Coding Agents（编码智能体）带来了异常严苛的推理工作负载，上下文通常会超过 50K tokens，对话也经常跨越数十轮。

大多数公开基准测试并不能充分捕捉这种行为。

研发团队与 EvalScope 团队一起，基于 SWE-smith 轨迹对 TokenSpeed 进行评估，这些轨迹密切反映了生产环境中 Coding Agents 的流量情况。

由于生成速度对 Agent 的用户体验至关重要，因此，团队的目标是在维持单用户 TPS（每秒 token 数）下限的同时，最大化单 GPU 的 TPM（每分钟 token 数）—— 通常是 70 TPS，有时是 200 TPS 或更高。

此外，研发团队针对 TensorRT-LLM（目前 NVIDIA Blackwell 平台上的最高水平）对这一设计进行了基准测试，并在认为针对 Agentic workloads 存在更好权衡的地方，采取了与之不同的设计方案。

下图展示了在不同部署配置下（无 PD 解耦），TokenSpeed 与 TensorRT-LLM 的 Kimi K2.5 性能帕累托曲线（Pareto curves）。

每条曲线都以 TPS/User（横轴）作为延迟指标，以 TPM/GPU（纵轴）作为吞吐指标，并通过扫描并发数绘制而成。

对于 Coding Agents（高于 70 TPS/User），最佳配置是 Attention TP4 + MoE TP4。

在这一配置下，TokenSpeed 在整个帕累托前沿上均优于 TensorRT-LLM：在最低延迟场景下（batch size 1）大约快 9%，在 100 TPS/User 附近吞吐量大约高 11%。

团队表示，他们的核心优化之一是 TokenSpeed MLA。

下图对比了 TokenSpeed MLA 与 TensorRT-LLM 的 MLA，后者是目前 NVIDIA Blackwell 上的 SoTA。

可以看出来，优化后的二进制版本预填充内核（prefill kernel），使用 NVIDIA 内部旋钮来微调 softmax 实现，在 Coding Agents 的五种典型预填充工作负载（带长前缀 KV cache 的 prefill）中，都超过了 TensorRT-LLM 的 MLA。

解码内核则将查询序列轴折叠进头轴，以更好地填充 BMM1 的 M tile，从而提升 Tensor Core 利用率。

结合其他优化，在带有 speculative decoding 的典型解码工作负载中（batch size 为 4、8、16，且带长前缀 KV cache），这使得相对于 TensorRT-LLM 来说，延迟几乎降低了一半。

最后，研发团队也表示，该项目于 2026 年 3 月中旬启动开发，虽然目前展示了惊人的性能，但仍有大量底层代码（如 PD 分离、KV 存储等）正在合并和完善中，接下来将继续推进。

从上述性能表现来看，不难看出，TokenSpeed 的出现旨在通过更现代化的架构设计，打破传统推理框架在易用性与极致性能之间的平衡点，为大规模 Agent 部署提供了一个高性能、开源的底座。

而英伟达的力荐，也说明推理引擎正在成为 Agent 时代基础设施竞争的一个新焦点。

更多信息，请参阅原博客！ 参考链接： https://x.com/lightseekorg/status/2052048105412141376 https://x.com/NVIDIAAI/status/2052061195381911806

“4只皮皮虾1035元”最新进展：当事人称已接到最新回复“市监局说价格没问题”

5月7日上午，记者联系上该网友，其回复称目前已经接到三亚市场监督管理局说价格没问题。

据极目新闻：5月5日，有网友反映，其在三亚一家海鲜店宵夜时，仅4只皮皮虾就花费1035元，价格过高，店家存在宰客行为。

网友发帖 该网友发布的图片显示，其于5月4日晚间前往三亚某海鲜店用餐，点了中号红花蟹、大号泰国濑尿虾、椰子饭及部分酒水饮品，4人共计消费1815元。

账单显示，大号泰国濑尿虾的单价为每千克1512元；

另一张点菜单则标注“大泰虾”4只，单价756元。

该网友在帖子中明确表示，已拨打12345政务服务热线进行投诉。

评论区多名网友称价格过高，并表示在其他地方吃没有这么贵。

账单 6日凌晨，三亚市市场监督管理局微信公众号发布情况通报回应此事：“5月5日，我们关注到有网友反映我市一海鲜店存在价格过高的问题，我局立即联合相关部门介入调查，目前三亚放心游平台已启动先行赔付机制。

一旦查实存在违法违规行为，我们将依法从严处理，绝不姑息。

” ▌来源：大象新闻、极目新闻 ▌编辑：韩明霞 校对：汤琪