【菜科解读】

本文介绍了一种采用ADI公司产品设计的智能移动电源充电器，具有设置灵活的特性，能够接受多种输入电源，并在智能管理电池充电的同时为负载供电。

这款新设计将关键功能整合到紧凑的外形尺寸中，使之更适合商业应用，同时保持稳健的性能并拥有智能电源管理系统。

引言

随着便携式电子产品需求的持续增长，开发更高效、更轻便的电源管理系统已成为行业刚需。

移动电源已成为现代生活中不可或缺的配件，为智能手机、平板电脑和其他USB供电设备提供可靠的备用电源。

我们首先使用评估演示板创建了一种模块化移动电源充电解决方案，用于概念验证。

该原型通过多块演示板堆叠组装而成。

随后，设计演进为单板解决方案，在性能方面得到增强并完成了多项改进。

该解决方案接受多种输入源，例如电池、太阳能或直流适配器，并能智能管理功率流，在给电池充电的同时为负载供电。

本文旨在探讨ADI公司的IC如何在紧凑设计中保持出色性能，实现智能电源路径管理。

文章概述了单板解决方案的设计考量、概念和性能评估，并着重介绍了单板相较于多板概念验证的改进。

设计模块布局

在此布局设计中，我们开发了一种紧凑且简化的架构，以支持两种宽范围输入电压：来自太阳能电池板的电压和来自AC转DC适配器的电压。

电源输入通过LTC4416电源路径控制器和LTC4162电源路径降压充电器进行智能管理。

该配置能够高效地为各种锂离子电池充电，最多支持4S1P电池组配置。

图1.单板设计模块

如图1所示，该系统通过降压-升压开关稳压器LTC3115-1动态调节输出到负载的电压，并确保稳定输出最高5 V、2 A的电源，同时LTC4162会监控电池的电量水平。

器件选择和设计布局

三个主要器件根据设计模块的设置来优化系统性能。

选择这些器件是为了提升系统效率、有效降低功率损耗、节省PCB布局空间，并减少整体成本。

其布局示意图参见图2。

图2.单板布局示意图

1.利用LTC4416支持双输入源

双输入电源之间的切换可采用基于二极管的简单“或门”配置实现。

然而，这种方法会产生显著的功率损耗，原因是二极管两端存在固有的正向压降，即便使用低压降肖特基二极管依然如此。

LTC4416能够在两个输入源之间实现无缝切换，压降极低，功率损耗大大降低。

该器件通过控制外部P沟道MOSFET来模拟理想二极管，显著降低了导通损耗，从而提升了整体系统效率和可靠性。

LTC4416有六种不同的工作模式。

具体工作模式取决于E1和E2输入引脚的配置，详见数据手册所述。

此设置选择的模式为：V1大于V2，其中E1设置为检测(Sense)，E2设置为0。

这意味着芯片优先使用V1电源。

在这种工作模式下，IC被配置为优先使用V1，可接受15 V到35 V DC的宽输入电压范围，而V2电源由太阳能电池板提供（3.6 V到15 V），用作备用电源。

当V1大于或等于15 V时，E1使V1源成为主要电源，并关闭V2电源，因为V1大于V2。

当V1降至13.4 V时，V2成为主要电源，而V1与输出断开。

只要太阳能电池板的电压在3.6 V到15 V之间，V2就会持续为输出负载供电，直到V1恢复。

V1的恢复点设置为15 V，如图2所示。

V1的故障点和恢复点可通过更改图2中R1、R2和R3的电阻值来修改。

数据手册中提供了如下计算公式：

确定V1后，便可选择V2以保证最佳配置。

如果V1发生故障或不可用，系统会自动切换到V2以维持供电，直至达到恢复点为止（前提是V1 > V2）。

输出电源始终锁定较高电压源，如果V2 > V1，则不会恢复。

2. 智能电源路径管理

在移动电源和某些设备中，电池的使用和充电可能会同时进行。

针对此类应用，实现电源路径充电是理想解决方案。

这种方法通过高效管理系统与电池之间的电力分配，帮助优化电池性能并延长总使用寿命。

系统会智能地管理电源输入，从三个输入源选择一个：AC转DC适配器、太阳能电池板或电池。

AC转DC适配器或太阳能电池板主要用于给电池充电。

如果AC转DC适配器发生故障，并且太阳能电池板电压降至最低值以下，则系统会自动切换到已充电的备用电池来为负载供电。

来自LTC4416电源路径的输出馈入LTC4162-L，后者支持最高35 V的输入电压。

即使电池电量耗尽或无电池，LTC4162-L也能立即工作。

它集成了最大功率点跟踪(MPPT)功能，可提升太阳能转换效率。

在明亮阳光下，太阳能电池板工作在两个区域：低阻抗时维持恒定电压，高阻抗时维持恒定电流。

这种行为可确保设备在较低阻抗（例如较高电压区域）下工作时，控制环路也能保持稳定。

然而，该IC使用输入电压来寻找MPPT，故太阳能电池板电压会因较高阻抗（例如较低电压区域）而下降，使得控制环路变得不稳定。

在设计中，太阳能电池板输入工作在高阻抗状态(<12 V)。

为了解决这一问题，我们使用了图2所示的R-C网络（R4和C1），使得控制环路即使在多变的光照条件下也能保持稳定。

对于低功率太阳能电池板，建议使用更高的C1电容值（范围从100 µF到1000 µF），以确保MPPT性能稳健。

3. 备用锂离子电池

LTC4162电池充电器支持多达八个串联(8S)锂离子电芯配置，并针对多种电池化学特性提供了相应的版本：LTC4162-L适用于锂离子电池，LTC4162-F适用于磷酸铁锂(LiFePO)电池，LTC4162-S适用于铅酸电池。

该设计可支持最多4S配置（涵盖1S至4S供电方案）的堆叠锂离子电芯，如表1所示。

表1.电池配置设置

该配置通过CELLS1和CELLS0引脚定义，具体映射规则参照表1。

4. 开关稳压器

LTC4162-L的输出随后通过同步降压-升压开关稳压器进行调节。

LTC3115-1是一款高效率单芯片同步降压-升压DC-DC转换器，专为需要宽输入电压范围和低噪声的应用而设计。

它采用2.7 V到40 V电压供电，可提供高达2 A的连续电流。

该开关稳压器还具有可编程输出电压、降压与升压模式之间无缝转换、稳健的保护功能等特性，适用于工业和电池供电应用。

本设计之所以选择该器件，是因为它具有高效率和低噪声的优势。

该转换器可灵活适应不同的电源条件：当输入电压超过6 V时，它能提供高达2 A的电流；

当输入电压超过3.6 V时，它能提供1 A的电流。

针对所有电池配置（1S、2S、3S、4S），可通过连接器配置欠压保护(UVLO)，如图2所示（J5连接器）。

5. USB Type-C输出

输出采用了处于非功率传输(PD)模式的USB Type C配置，以便为任何需要5 V稳压输出、最高2 A电流的便携式设备充电。

表2给出了针对USB端口不同电流源的电阻值选择。

表2.非PD USB Type C的拉电流

单板性能

该板专门设计为4层PCB，以确保稳定、无噪声、高效运行，如图3所示。

布局采用“SIG/电源–GND–GND–SIG/电源”的堆叠配置，并遵循数据手册中关于器件布置的建议。

该板从V1和V2两个输入接收电源，用于给电池充电和为负载供电。

如果主要电源失效，且太阳光强度较高，则太阳能电池板将接管，一边为负载供电，一边给电池充电。

在夜间或太阳光强度较弱时，太阳能电池板电压会下降，系统会自动检测到这种情况，并切换到电池供电以保持负载运行。

图3.正常工作并经过测试的单板解决方案

图4.阶跃和瞬态响应分析

假设使用1S电池配置，如果电池电压降至3.3 V以下，LTC3115-1将自动关闭，通过激活UVLO功能来保护电池。

该机制有助于防止电池深度放电，避免损坏电池或缩短电池使用寿命。

UVLO阈值可针对每种电池配置，通过更改R7、R19、R27和R21电阻值进行微调。

具体实现方式可参考LTC3115-1数据手册中的UVLO公式。

根据应用要求，最低电压限值可设置为3.0 V。

为了在电池连接错误的情况下保护电路，我们采用二极管(D3)和熔丝(FUSE1)实现极性反接保护。

此外，MOSFET Q1、Q4和Q3的体二极管可作为物理屏障，有效阻断异常电流，从而在反向电压情况下进一步保护输入。

图4展示了系统在不同负载条件下的阶跃响应和瞬态响应特性，直观呈现了系统的动态行为。

实验结果证实了控制环路的性能，并验证了补偿网络在多种工况下的有效性。

图5展示了当V1从较高电压降至15 V时，LTC4416输出的优先切换行为。

该器件的输出无缝过渡到8 V的V2，确保输出负载不受电压变化的影响。

同时，V1恢复点设置为16.8 V。

图5.LTC4416的优先级切换：从V1 (15V)切换到V2 (8V)，输出负载电压恒定（固定VOUT = 5V；

负载电流 = 1 A，R1 = 281 kΩ，R3 = 24.9 kΩ）

堆叠演示板与单板的比较

本节对原型设计的多演示板设置与新开发的单板解决方案进行了全面比较。

原型设计利用了三个独立的演示板：LTC4416（用于理想二极管电源路径控制）、LTC4162-L（用于电池充电和电源管理）以及CN0509 USB充电器板。

CN0509特别值得注意的是，它支持5 V到100 V的宽输入电压范围，并且能够提供高达2 A、5 V的稳定输出。

它集LTC7103降压转换器与LT8302隔离式反激转换器于一体，输入和输出之间实现了电气隔离。

图6.原型设计的堆叠演示板与单板的尺寸对比

相比之下，单板将这些功能整合到一起，用单个器件LTC3115-1取代了LTC7103和LT8302。

这一变化旨在提升整体系统性能和效率，减小物理尺寸，并降低物料成本。

虽然牺牲了一些特性，如隔离输出，但这种折中使得设计更加精简和实用，适合需要扩展的应用场景。

电路板尺寸

单板解决方案显著简化了整体系统设计，物料清单(BOM)数量减少大约30%，尺寸如图6所示。

此外，单板解决方案的紧凑性有助于实现更高效的电源系统架构。

通过将多种功能集成到统一平台中，这种设计提升了空间利用率，在保持高性能的同时实现了更紧凑的外形。

这一优势在便携式电子设备等空间受限的应用中尤为重要。

效率

该板最显著的改进之一是能够高效率供电。

优化的功率传输能够减少能耗，进而延长运行时间并改善散热表现。

高效率对于电池供电设备非常重要，因为能耗越低，电池续航时间越长。

单板解决方案通过减少电力浪费和提升能源利用效率，显著增强了系统性能。

图7显示，单板解决方案在8 V输入时的峰值效率为92.94%，在10 V时达到91%。

相比之下，原型堆叠演示板在10 V输入时的峰值效率仅为73.79%。

原型堆叠演示板效率偏低，主要原因显然在于连接多个电路板的线缆存在能量损耗，同时反激式转换器部分也有额外损耗。

5

当两个输入源都失效时，电池会自动为负载供电。

采用标称电压为7.4 V的2S电池配置时，单板解决方案实现了94.52%的峰值效率，而原型堆叠演示板仅为77.12%。

这表明，单板设计在系统运行期间能够更有效地节省电池电力，如图7所示。

单板优化解决方案在6 V输入电压下实现最大2A的输出电流，而之前的原型板在12 V输入电压下实现最大2 A电流，如图7所示。

图7.输出电流调节和效率（单板与原型堆叠演示板对比）

结语

我们利用ADI器件开发了一种紧凑且集成的单板移动电源解决方案。

这种优化设计布局简洁，能够提升整体效率并减小系统物理尺寸。

所采用的架构灵活且适应性强，适合各种涉及电池供电设备的应用。

解决方案支持智能电源路径管理，有助于延长电池续航时间。

此概念可用于嵌入式汽车电子系统，在大规模生产中将光伏输入与其他电源和备用电池相结合，构建高效的混合供电体系。

在此类配置中，可使用具有高功率需求的ADI产品，如LTC4020。

来源：电子工程世界（EEWorld）

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

“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”

网友质疑“4只皮皮虾1035元”最新进展。

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