【菜科解读】

简介：

制作U盘启动盘是现代电脑用户和科技爱好者必备的一项技能。

无论是为了安装操作系统、修复系统故障，还是执行一些高级操作，一个U盘启动盘都能大显身手。

本文将详细介绍如何制作U盘启动盘，包括所需的工具和原料、详细步骤以及一些专业技巧，帮助你轻松掌握这项技能。

工具原料：

系统版本：

Windows 10、Windows 11、macOS Ventura

品牌型号：

电脑：Dell XPS 13 (2022), MacBook Pro (2023)

U盘：SanDisk Extreme Pro 64GB, Samsung BAR Plus 128GB

软件版本：

Rufus 3.18, balenaEtcher 1.10.1, macOS内建磁盘工具

一、准备工作

1、选择合适的U盘。

建议选择容量不低于8GB的U盘，例如SanDisk Extreme Pro 64GB和Samsung BAR Plus 128GB，这些U盘的读取和写入速度较快，能够缩短制作时间。

2、下载操作系统镜像文件。

无论你是想制作Windows、Linux还是macOS的启动盘，都需要提前下载相应的操作系统镜像文件（ISO）。

确保下载的文件是官方版本，以免出现兼容性问题。

二、使用Rufus制作Windows启动盘

1、下载并安装Rufus。

Rufus是一个轻量级、易用的启动盘制作工具，适用于Windows平台。

访问[Rufus官网](https://rufus.ie/)下载最新版本的Rufus。

2、插入U盘并运行Rufus。

打开Rufus后，它会自动识别插入的U盘。

选择刚才下载的操作系统镜像文件，通常是ISO格式。

3、设置参数。

在Rufus主界面中，选择“分区类型”为“MBR”或“GPT” （根据目标电脑的硬件配置），“文件系统”选择“NTFS”或“FAT32”，其他选项保持默认即可。

4、点击“开始”按钮。

Rufus会提示你确认操作，点击“确定”后，等待几分钟，直到进度条完成，U盘启动盘制作完成。

三、使用balenaEtcher制作多平台启动盘

1、下载并安装balenaEtcher。

balenaEtcher是一款跨平台的启动盘制作工具，支持Windows、macOS和Linux。

访问[balenaEtcher官网](https://www.balena.io/etcher/)下载并安装最新版本的Etcher。

2、插入U盘并运行balenaEtcher。

启动balenaEtcher后，点击“Flash from file”选择操作系统镜像文件，然后点击“Select target”选择插入的U盘。

3、点击“Flash”按钮。

确认选项无误后，点击“Flash”按钮，Etcher会自动开始制作启动盘。

整个过程大约需要几分钟时间。

四、使用macOS内建磁盘工具制作macOS启动盘

1、下载macOS安装程序。

通过App Store下载最新版本的macOS安装程序，例如macOS Ventura。

2、插入U盘并打开“终端”。

确保U盘已插入并格式化为Mac OS扩展格式。

打开“终端”应用程序，输入以下命令：

`sudo /Applications/Install macOS Ventura.app/Contents/Resources/createinstallmedia --volume /Volumes/MyVolume`

3、执行命令并等待。

根据提示输入管理员密码，按下回车键，等待创建过程完成。

内容延伸：

1、验证启动盘的有效性。

制作完成后，建议在目标电脑上尝试启动，确保启动盘制作成功。

如果出现问题，可以检查U盘的文件系统格式，重新下载操作系统镜像文件，或者更换U盘。

2、备份U盘数据。

制作启动盘会清空U盘上的所有数据，建议在操作前备份U盘中的重要文件。

3、了解启动盘的更多用途。

除了安装操作系统，启动盘还可以用来运行诊断工具、备份和恢复系统、执行数据恢复等高级任务。

总结：

制作U盘启动盘是一项实用且必要的技能，尤其在现代科技生活中。

通过本文介绍的方法和工具，科技爱好者和电脑手机小白用户都可以轻松制作出自己的启动盘。

不仅如此，掌握这些技巧还可以帮助你在各种系统维护和故障修复中游刃有余。

希望这篇文章对你有所帮助，祝你在科技之路上不断进步！

[u盘制作启动盘工具]

本文将介绍U盘制作启动盘工具的相关内容，包括工具原料、使用方法以及其作用和意义。

工具原料：要制作U盘启动盘，我们需要准备以下工具原料：1. 一台电脑：用于操作和制作U盘启动盘。

2. 一个U盘：作为启动盘的载体，需要具备足够的存储空间。

3. 启动盘制作软件：如Rufus、WinToUSB等，用于将操作系统镜像文件写入U盘。

正文：一、展示2023最新的天梯图排行榜天梯图排行榜是一种评估电脑硬件性能的工具，它可以根据不同的硬件配置和性能指标，对电脑进行排名。

通过制作U盘启动盘，我们可以方便地查看最新的天梯图排行榜，了解各种硬件配置的性能表现。

二、介绍或推荐排名前几的产品根据最新的天梯图排行榜，我们可以了解到排名前几的产品。

例如，目前排名第一的显卡是XXX，它具备强大的图形处理能力和稳定的性能表现。

而排名第一的处理器是XXX，它拥有高频率和多核心的优势。

三、介绍U盘制作启动盘的意义或作用制作U盘启动盘的意义在于方便快捷地安装或修复操作系统。

当我们的电脑出现问题或需要重新安装操作系统时，只需插入U盘启动盘，即可进行系统的安装或修复，避免了繁琐的光盘安装过程。

四、自由拓展内容除了安装和修复操作系统，U盘启动盘还可以用于数据备份和恢复。

我们可以将重要的文件和数据存储在U盘中，以备不时之需。

同时，U盘启动盘还可以用于系统的克隆和迁移，方便我们在不同的电脑上使用相同的系统配置。

总结：通过制作U盘启动盘工具，我们可以方便地查看最新的天梯图排行榜，了解各种硬件配置的性能表现。

同时，U盘启动盘还可以用于操作系统的安装、修复、数据备份和系统迁移等多种用途。

在现代科技发展的背景下，U盘制作启动盘工具已经成为越来越多人必备的工具之一。

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