اخبار
هوش مصنوعی: نسخه به‌روز مدل‌های Diffusion و رویداد زنده ۳۰ نوامبر
در این مقاله به‌روزرسانی‌های اخیر مدل‌های Diffusion و برگزاری رویداد زنده Hugging Face در حوزهٔ هوش مصنوعی را برمی‌گردانیم. فهرست محاور، سخنرانان و امکانات آموزشی ارائه می‌شود.
مدل‌ها
هوش مصنوعی در راه‌حل‌های استنتاج: دیدگاه‌های Hugging Face و ادغام مدل‌ها
این مقاله به‌روز رسانی‌های Hugging Face درباره راه‌حل‌های استنتاج پیشرفته، ابزارها و قابلیت‌های رایگان CPU، و ادغام مدل‌های زبانی را بررسی می‌کند.
کسب‌وکار
هوش مصنوعی در اسناد: چگونه شرکت‌ها با مدل‌های متن‌باز، داده‌پذیر می‌شوند
در این مقاله، به بررسی راه‌حل‌های مبتنی بر هوش مصنوعی برای استخراج و ساختاردهی اطلاعات از اسناد سنتی می‌پردازیم. از مدل‌های متن‌باز و تکنیک‌های جدید ریزپردازشی تا چالش‌های عملی شرکت‌ها.
پژوهش
هوش مصنوعی در نتایج: هابینگ فیس و arXiv در نمایش‌دعم‌کد‌های متن‌به‌عکس
همکاری Hugging Face و arXiv برای نمایش‌دموهای مبتنی بر مدل‌های متن‌به‌عکس را معرفی می‌کند؛ کاربران می‌توانند با یک کلیک به دموهای نمونه دسترسی پیدا کنند و سریعاً تعامل کنند.
پژوهش
هوش مصنوعی در Hugging Face: جایگزین جدید برای قیمت‌گذاری و امکانات اینکشاف
Hugging Face با معرفی طرح قیمت‌گذاری جدید، API درایج و امکانات فضاهای ابری را برای شرکت‌ها به‌روزرسانی کرده و به سوی هوش مصنوعی دموکراسی‌سازی پیش می‌رود.
پژوهش
هوش مصنوعی: با روش Contrastive Search، متن‌های انسانی تولید کنیم
در این مقاله به بررسی روش Contrastive Search در تولید متن انسانی می‌پردازیم؛ کاربرد آن در مدل‌های زبانی و دسترسی از طریق Hugging Face را به صورت کامل می‌فهمید.
محصولات
همه چیز درباره‌ی شتاب‌دهی مدل‌های هوش مصنوعی با OpenVINO و 🤗 Optimum
به‌دنبال بهبود سرعت مدل‌های هوش مصنوعی؟ با یکپارچگی 🤗 Optimum Intel و OpenVINO، می‌توانید مدل‌های Transformers را در پردازندۀ Intel به‌صورت سریع و کم‌یادگیری راه‌اندازی کنید.
پژوهش
هوش مصنوعی در برابر سوگیری: چگونه کتابخانه‌ی 🤗 Evaluate سوگیری مدل‌های زبانی را بررسی می‌کند
کتابخانه‌ی🤗 Evaluate از Hugging Face بر پایه معیارهای جدید، امکان سنجش سوگیری مدل‌های زبانی را فراهم کرده است؛ به سوی هوش مصنوعی بدون تبعیض پیش می‌رود.
آموزش
تسلط بر آموزش توزیع‌شده در هوش مصنوعی با PyTorch DDP و Accelerate
در این مقاله مراحل آموزش توزیع‌شده با PyTorch DDP و ابزارهای Accelerate و Trainer بررسی می‌شود، به‌منظور تسهیل فراگیری توسعه مدل‌های هوش مصنوعی بزرگ.
پژوهش
هوش مصنوعی: محدودیت های شناسایی بیش از حد مدل پاداش در آموزش RLHF
قانون مقیاس در هوش مصنوعی نشان می‌دهد که بیشینه‌سازی مدل‌های پاداش می‌تواند کارایی را کاهش دهد. این مقاله به بررسی چالش‌ها و راهکارهای کاهش این ناهماهنگی می‌پردازد.