【菜科解读】

简介：

在日常使用Sony笔记本时，有时需要通过U盘启动来完成系统重装、病毒查杀或数据恢复等操作。

U盘启动不仅可以快速解决软件方面的问题，还能在某些硬件故障情况下，帮助您恢复重要数据。

在这篇文章中，我们将为您详细介绍如何设置Sony笔记本U盘启动的方法，帮您轻松掌握这项实用技能。

工具原料：

系统版本：Windows 11

品牌型号：Sony VAIO Z (2022)

软件版本：BIOS及UEFI最新版

一、检查和准备工作

1、检查U盘可用性：在开始设置之前，确保U盘已完全格式化，并且其中已经写入了可引导的操作系统镜像文件。

如果没有，请先在另一台电脑上使用Rufus等软件制作一个可启动U盘。

2、备份数据：由于设置U盘启动可能涉及系统文件和引导信息的修改，建议首先备份重要的文件和数据以避免数据丢失。

二、进入BIOS/UEFI设置

1、关机后重启笔记本，在电脑开机自检时按下'F2'或'Delete'键进入BIOS/UEFI设置页面。

不同型号可能会不同，建议查阅产品说明书获取确切的按键信息。

2、在BIOS/UEFI菜单中，使用方向键导航至“Boot”选项卡。

在这里，您将看到系统引导设备的顺序列表。

三、设置U盘作为首选启动项

1、在Boot选项卡中，找到已插入U盘的名称或相关选项，通常会显示为“Removable Devices”或具体的U盘品牌名称。

2、使用“+”和“-”键或其他指令键，将U盘移动到启动顺序的顶部位置，确保其成为首选启动设备。

3、设定完成后，按“F10”键保存修改并退出设置。

确认保存时，系统将自动重启。

四、验证U盘启动成功

1、在重新启动过程中，系统应该从U盘启动。

如果设置正确，您会看到U盘中所存在的操作系统引导画面。

2、若未能成功启动，返回BIOS/UEFI设置页面，确认启动顺序配置是否正确，或尝试插入其他USB接口重新设置。

拓展知识：

1、UEFI与Legacy BIOS区别：多数新型笔记本已支持UEFI启动模式，此模式相较传统BIOS引导更为快速，并支持更大容量硬盘。

然而，有些U盘始牌镜像或旧版系统只支持Legacy BIOS模式启动。

如遇兼容性问题，可尝试在BIOS/UEFI中切换启动模式。

2、制作用于启动的U盘：如果您需要制作一个启动U盘，可以使用免费的Rufus工具。

Rufus支持多种操作系统ISO镜像，如Windows、Linux等，并提供UEFI支持选项。

总结：

设置Sony笔记本的U盘启动是一项非常实用的技巧，它可以帮助您在需要重装系统或进行其他系统维护时节省时间和精力。

通过对系统引导的合理设置，您不仅能够有效解决当前的问题，同时也为未来可能需要的自救手段做好准备。

只需经过几个简单的步骤，您便能对Sony笔记本的启动选项进行调整，为自己提供更加灵活的使用体验。

希望本篇文章对您有所帮助，助您成为IT生活中的能手。

sony笔记本重装系统步骤图文演示

专业的在线重装系统软件 全新设计 / 全新代码编写 / 全新支持所有机型 全新支持Window 11 安装 当使用的电脑时间久后磁盘碎片增多，变得越来越卡顿，经常蓝屏死机的时候，我们可以考虑通过一键重装系统的方法解决。

最近就有使用索尼笔记本的用户想重装但是不知道如何重装系统。

下面小编就给大家演示下sony笔记本重装系统详细步骤。

具体的步骤如下：1、首先在索尼笔记本上搜索“小白系统官网”下载小白三步装机版工具打开，选择需要安装的系统，然后点击立即重装。

2、软件自动开始下载系统镜像等。

3、无需操作，等待软件自动安装部署系统。

4、部署完成后，可以选择立即重启。

5、重启系统后，选择xiaobai-pe系统进入。

6、进入pe后，小白装机工具会自动进行系统安装。

7、等待安装成功后立即重启，重启后等待安装完成进入系统即可。

以上便是通过小白三步装机版工具快速一键重装系统的详细步骤，无需安装软件，操作非常简单，安全可靠。

有需要的小伙伴都可以去下载安装使用。

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

机器之心编辑部 智能体时代的核心是算力。

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