پژوهش
CinePile 2.0: با بهینهسازی درگیر، دقت دادههای بلندفیلم را به اوج برداشتهاید
CinePile 2.0 بهوسیلهٔ روش درگیرسازی (adversarial refinement) دقت دادههای سوال‑پاسخ بلندفیلم را ارتقا میدهد. 300k نمونه آموزش و 5k تست را داراست.
مدلها
بهینهسازی و استقرار مدلهای هوش مصنوعی با OpenVINO و Optimum-Intel
محبوبترین روش برای استقرار مدلهای ترنسفورمر در لبه (Edge) با استفاده از ابزارهای Optimum-Intel و OpenVINO GenAI را که بهرهوری را افزایش میدهد، بررسی میکنیم.
پژوهش
کوانتیزیشن افراطی هوش مصنوعی: بهینهسازی مدلهای زبانی به ۱.۵۸ بیت
تیم Hugging Face با ارائه فاینتیونینگ مدلهای زبانی در ۱.۵۸ بیت، روشی جدید برای کاهش شدید مصرف منابع و افزایش کارایی هوش مصنوعی در مقیاس گسترده معرفی کرد.
پژوهش
بهینهسازی دیتاستهای روباتیک با رمزگذاری ویدئو: هوش مصنوعی بدون پیچیدگی
مدیریت دیتاست روباتیک با رمزگذاری ویدئو، هزینه ذخیرهسازی را تا 95٪ کاهش میدهد و سرعت پردازش را ارتقا میبخشد؛ این نوآوری در پژوهشهای هوش مصنوعی راهنمایی استاندارد میشود.
پژوهش
بهینهسازی ترجیح برای مدلهای دید-زبان: گام جدیدی در هوش مصنوعی
پیشنیازهای جدیدی برای مدلهای دید-زبان، از طریق بهینهسازی ترجیح و کتابخانه TRL که در هگینگی فیس معرفی شده، امکان آموزش دقیقتر و مقرونبهصرفهتر را فراهم میکند.
مدلها
یکپارچهسازی Hugging Face و KerasHub: گامی مهم برای هوش مصنوعی نویدبخش
لینک دیگیر با ادغام جدید Hugging Face و KerasHub، دسترسی به ۳۰۰ هزار مدل زبانی را ساده میکند و امکان آموزش و بهینهسازی سفارشی مدل در محیط Keras را فراهم میآورد.