مدلها
معماری RWKV؛ ترکیب هوش مصنوعی بازگشتی با توانمندی ترنسفورمر
معماری RWKV با ادغام شبکههای بازگشتی (RNN) و ترنسفورمر، راهکاری نوین و کارآمد برای مدلهای زبانی بزرگ ارائه میدهد. در این مقاله به بررسی ویژگیها، کاربردها و آینده آن میپردازیم.
اخبار
انتخاب Hugging Face توسط نهاد حریم خصوصی فرانسه برای حمایت ویژه
Hugging Face به عنوان یکی از سه شرکت منتخب برنامه حمایت ویژه CNIL، در مسیر انطباق با قوانین حفاظت از دادهها و هوش مصنوعی گام برمیدارد.
پژوهش
سرعتگذاری مدلهای ترنسفورمر به کمک AWS Inferentia2 در هوش مصنوعی
AWS Inferentia2، سختافزار جدید ابری، توانایی شتابزدهسازی مدلهای ترنسفورمر هفینگ فیس را افزایش داده و هزینههای اجرایی را به شکل چشمگیری کاهش میدهد. انطباق با پلتفرم هفینگ فیس امکان استفاده آسان از ترنسفورمری را در پروژههای عملی فراهم میکند.
مدلها
هوش مصنوعی با ابرقابل: طبقهبندی گراف با قدرت ترنسفورمرها
رهنمود گامبهگام برای بهرهگیری از Graphormer در طبقهبندی گرافهای پیچیده، با تأکید بر روشهای متنباز و کاربردی در هوش مصنوعی.
محصولات
هوش مصنوعی در دنیای تصاویر: کنترل بهتر با مدل ControlNet
ControlNet یک چارچوب متن باز برای اضافه کردن کنترل مکانی به مدلهای Diffusion مثل Stable Diffusion است. با استفاده از نقشه عمق، کلید نقطه و سایر ورودیهای فضایی، هنرمندان و توسعهدهندگان میتوانند تصاویر دقیقتر و هدفمندتری ایجاد کنند.
کسبوکار
Witty Works با کمک هوش مصنوعی از Hugging Face رشد چشمگیری داشت
Witty Works با هوش مصنوعی و Acceleration Program از Hugging Face یک ابزار نوشتن کمککننده ایجاد کرد که سرعت انعطافپذیری و پوشش چند زبان را بهطور قابلتوجه بالا میآورد. در مقاله به مزایای این تاسیس پرداختم.
پژوهش
هوش مصنوعی پیشرفته: PEFT با پارامترهای کم برای مدلهای میلیاردی و نرمافزار متنباز
PEFT، روشی نوین در فاینتینینگ مدلهای بزرگ، امکان آموزش با پارامترهای محدود و سختافزار کمسرمایه را میآورد؛ این مقاله به مفاهیم، کاربردها و نکات کلیدی آن میپردازد.
پژوهش
هوش مصنوعی در رقابت: معرفی AI vs. AI بر روی Hugging Face
AI vs. AI یک پلتفورم متنباز است که رقابتهای هوش مصنوعی چند عامل را در فضای هنجفای هفش میزبانی میکند. مدلها بر اساس عملکرد در مسابقات رتبهبندی میشوند.
پژوهش
هوش مصنوعی در شبکههای گراف: آشنایی و کاربردهای نوین
در این مقاله به بررسی بنیادی یادگیری ماشین بر روی گرافها میپردازیم؛ شامل تعریف گراف، روشهای پردازش، شبکههای عصبی گراف و ترنسفورمر گراف، و کاربردهای واقعی در علوم و صنعت.