【菜科解读】

简介：

重装系统后未能听到系统声音，是许多使用者常遇到的问题。

这篇文章旨在为大家提供详细的排查步骤，以解决这个常见的困扰。

工具原料：

系统版本：

Windows 11 或 MacOS Ventura。

品牌型号：

戴尔 XPS 13 (2022) 或 MacBook Pro 14寸 (2023)。

软件版本：

Realtek High Definition Audio 驱动程序 (最新版本) 或 iTunes（若使用苹果设备）。

一、检查硬件连接

1、确保音频设备正确连接。

在检查声音问题时，首先需要确认音频设备的连接。

如果使用的是外接音箱或耳机，确认插头是否牢固插入电脑的音频插孔。

2、测试设备自身。

尝试将音频设备连接到其他设备，如手机或平板电脑，确保音频设备本身没有问题。

二、检查系统设置

1、音量设置。

在系统任务栏或苹果菜单中检查音量设置，确保没有静音图标。

如使用Windows，右键音量图标，选择“打开音量混合器”，检查各应用程序的音量设置。

2、音频输出选择。

确认正确的音频输出设备处于启用状态。

在Windows中，右键单击任务栏音量图标，选择“声音设置”并在“输出”选项中确认。

在MacOS中，前往“系统偏好设置”-“声音”，选择正确的输出设备。

三、更新驱动程序或系统补丁

1、更新音频驱动。

在Windows上打开设备管理器，展开“声音、视频和游戏控制器”节点，右键点击音频设备并选择“更新驱动程序”。

选择自动搜索更新的驱动程序软件，更新并重启计算机。

2、系统更新。

确保操作系统的更新是最新的。

在Windows中，前往“设置”-“更新和安全”，检查更新。

在MacOS中，选择“系统偏好设置”-“软件更新”。

四、使用音频故障排除工具

1、Windows音频故障排除工具。

在Windows中，可以使用内置的音频疑难解答工具。

右键单击任务栏的音量图标，选择“故障排除声音问题”，按提示进行操作。

2、MacOS声音设置排查。

如果使用的是MacOS，重置coreaudiod：打开“终端”，输入`sudo killall coreaudiod`，然后按Enter。

系统将重启音频服务，尝试修复音频问题。

拓展知识：

1、音频配置工具的使用

有时音频配置工具可以提供额外的选项。

例如，Realtek Audio Console可以调整扬声器配置，均衡器设置，以及是否启用音效增强功能。

确保正确的扬声器设置被选择并测试不同选项以找出可能的解决方案。

2、对音频服务的更多了解

在Windows系统中，音频功能依赖于Windows Audio服务，如果此服务停止，可能会导致音频失效。

可以通过“服务”命令找到Windows Audio，确保其状态为运行。

总结：

重装系统后无声是一个常见但能够系统化排查解决的问题。

从硬件连接开始，一直到更新驱动程序与使用系统故障排查工具都需一一排查。

这篇文章提供的步骤适用于近两年内新的设备型号和操作系统版本，旨在帮助用户快速解决问题并恢复系统音频功能。

希望本文能够为广大用户在面对类似难题时提供实用的解决方案。

重装系统没有声音教你一步步恢复音频设置技巧

这篇文章将指导您如何一步步恢复音频设置，确保您不再为这样的故障困扰。

工具原料：系统版本：Windows 11品牌型号：Dell XPS 13 9310软件版本：Realtek High Definition Audio Driver 6.0.9205.1一、检查硬件连接1、首先保证电脑的扬声器或耳机与电脑的连接是正确的。

检查耳机插孔和音频线，确保没有因松动或插错孔而导致的硬件问题。

2、如果您使用的是外接扬声器或耳机，尝试重新连接或者更换一个耳机试试，以排除设备本身的问题。

二、确认音频设备启用1、右键点击任务栏的音量图标，选择“声音设置”，确认默认的音频设备已经启用。

2、在“播放”选项卡中，右键点击空白处，选择“显示禁用的设备”，启用被禁用的设备。

三、更新音频驱动1、按下Windows + X组合键，选择“设备管理器”。

2、展开“声音、视频和游戏控制器”节点，右键点击音频驱动（如Realtek High Definition Audio），选择“更新驱动程序”。

3、选择“自动搜索更新的驱动程序软件”，系统将在线查找并安装最新的音频驱动。

四、重启音频服务1、按Windows + R打开“运行”对话框，输入“services.msc”并回车。

2、在服务列表中，找到“Windows Audio”，右键选择“重启”。

3、确保“Windows Audio Endpoint Builder”服务也已启动，若未启动，请右键单击该服务并选择“启动”。

五、检查BIOS设置1、有时，音频输出可能被BIOS设置关闭。

在启动计算机时进入BIOS界面（通常按Del或F2键）。

2、在BIOS设置中，寻找与音频相关的选项，确保已启用音频控制器。

拓展知识：1、音频故障不仅可能是由于系统设置问题造成的，也可能涉及硬件损坏或者应用程序冲突等。

确保在排查软件问题的同时，也检查硬件状态。

2、更新音频驱动程序不仅可以解决无声音问题，还能提高声音质量并解决其他相关故障。

定期检查和更新驱动程序是电脑维护的一个重要方面。

3、部分电脑附带了音频管理软件（如Realtek Audio Console），这些软件可以提供额外的音频调整设置，确保在排查问题时没有被忽略。

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