英伟达发布Jetson Thor机器人芯片：128GB显存，性能全面升级
8 月 26 日消息，英伟达今日正式发布专为机器人应用设计的计算平台 Jetson Thor，同步推出开发者套件及量产模块。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
据英伟达官方介绍，Jetson Thor 系列模组为物理 AI 和机器人开发提供出色的平台，可提供高达 2070 FP4 TFLOPS 的 AI 计算性能和 128 GB 显存，功率可配置在 40 W 到 130 W 之间。与 NVIDIA AGX Orin 相比，Jetson Thor 系列模组的 AI 计算性能提高至 7.5 倍以上，能效提高至 3.5 倍。
英伟达表示，Jetson Thor 专为生成式推理模型打造，可支持下一代物理 AI 智能体。这类智能体由大型 transformer 模型、视觉语言模型及视觉语言动作模型驱动，能够在边缘端实时运行，最大限度降低对云端的依赖。
Jetson Thor 通过 Jetson 软件栈优化，可满足实时应用对低延迟与高性能的需求，且支持所有主流生成式 AI 框架与 AI 推理模型。这些模型包括 Cosmos Reason、DeepSeek、Llama、Gemini、Qwen 等通用模型，以及 Isaac GR00T N1.5 等机器人专用模型，开发者可在本地开展模型实验以及运行推理。
依托 NVIDIA CUDA 生态系统对全生命周期的支持，随着未来软件版本更新，Jetson Thor 的吞吐量与响应速度预计将进一步提升。
Jetson Thor 模组还支持运行完整的 NVIDIA AI 软件栈，为几乎所有物理 AI 工作流提速，覆盖的平台包括面向机器人的 NVIDIA Isaac、面向视频分析 AI 智能体的 NVIDIA Metropolis，以及面向传感器处理的 NVIDIA Holoscan。
Jetson Thor 产品系列包含开发者套件与量产级模组。其中，开发者套件包含 Jetson T5000 模组、带有丰富接口的参考载板、带风扇的主动式散热器及电源适配器。
Jetson AGX Thor 开发者套件现已发售，定价 3499 美元（注：现汇率约合 25087 元人民币）。
Jetson T5000 模组也已发售，购买 1000 片以上单价 2999 美元（现汇率约合 21503 元人民币）。
附 Jetson Thor 系列三款产品主要配置如下：
Jetson AGX Thor 开发者套件：14 核 Arm Neoverse-V3AE 64 位 CPU，搭载 96 个第五代 Tensor Core 的 2560 核 NVIDIA Blackwell 架构 GPU，2070 TFLOPS（FP4 — 稀疏）算力
Jetson T5000：14 核 Arm Neoverse-V3AE 64 位 CPU，搭载 96 个第五代 Tensor Core 的 2560 核 NVIDIA Blackwell 架构 GPU，2070 TFLOPS（FP4 — 稀疏）算力
Jetson T4000：12 核 Arm Neoverse-V3AE 64 位 CPU，搭载 64 个第五代 Tensor Core 的 1536 核 NVIDIA Blackwell 架构 GPU，1200 TFLOPS（FP4 — 稀疏）算力
热门专题
热门推荐
领克首款GT概念跑车亮相北京车展，由中欧团队联合打造。新车采用经典GT比例与低趴宽体设计，配备液态金属蓝涂装与2+2座舱，设有高性能模式按键可激活空气动力学套件。车辆采用后驱布局与AI智能运动控制系统，百公里加速约2秒，设计融合瑞典极简美学并参考全球用户反馈。
英伟达推出12GB显存版RTX5070移动GPU，与8GB版同步上市。两者均基于Blackwell架构，核心规格相同，仅显存容量不同。此举旨在缓解GDDR7芯片供应压力，为OEM提供灵活配置，加速笔记本产品布局，更大显存可更好满足游戏与AI应用需求。
微星将于5月15日推出两款26 5英寸雾面WOLED显示器MAG276QRY28和276QRDY54，售价分别为2499元和6299元。均采用第四代WOLED面板，具备QHD分辨率、VESADisplayHDRTrueBlack500认证、1500尼特峰值亮度及99 5%DCI-P3色域覆盖。276QRY28刷新率为280Hz，高阶款276QRDY54支持4
中芯国际2026年第一季度营收176 17亿元，同比增长8 1%；净利润13 61亿元，同比增长0 4%。公司预计第二季度收入环比增长14%至16%，毛利率指引上调至20%至22%。这反映出公司在行业复苏中展现出财务韧性，并通过运营优化增强了短期增长势头。
手机修图、相机降噪、视频去雾……这些我们日常使用的图像处理功能，其背后都离不开人工智能（AI）技术的驱动。通常，AI模型的训练逻辑是：向模型展示大量“低质图像”与“优质图像”的配对数据，让它学习如何将前者转化为后者。然而，天津大学计算机视觉团队近期发表的一项研究（arXiv:2604 08172）揭