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.
کسبوکار
هوش مصنوعی در برنامهنویسی پایدار: همکاری فرانسوی برای بازسازی مدارس
این همکاری بین بانک دیسکونت، Polyconseil و Hugging Face، با استفاده از هوش مصنوعی در سطح دادههای حاکم، برنامه بزرگ بازسازی محیطی مدارس در فرانسه را بهروزمیکند.
سختافزار
گوگل TPU به هافِینگ فِیج معرفی شد: سرعت و مقیاسپذیری هوش مصنوعی نوین
هفتتویهای هافِینگ فِیج به بهرهگیری از TPUs گوگل Cloud پرداخته و امکانات جدیدی برای گسترش مدلهای هوش مصنوعی فراهم میکند؛ توضیحات کامل در این خبر.
پژوهش
تجزیه و تحلیل پروتئین با هوش مصنوعی و پردازش Gaudi 2: تسریع مدل ProtST
مدلزبانمحور ProtST بر پایه Gaudi 2 شرکت Intel با سرعت بالا، مکان زیرسلولی پروتئینها را با دقت بالاتر پیشبینی میکند و مسیر پژوهشهای زیستفناوری را تسریع میدهد.
پژوهش
هوش مصنوعی مبتنی بر کد: رقیب GAIA را شکست داد و آینده را بازکرد
کود-عامل هیپینگ فیس، با بهرهگیری از معماری Transformer و کتابخانه smolagents، بر چالش GAIA بعنوان تمامسریترین معیارهای هوش مصنوعی ایستاد و اولین جایزه را به دست آورد. این دستاورد به سوی توسعهٔ هوش نمایی هوشمندانه افتاد.
مدلها
گوگل معرفی میکند Gemma 2: آخرین مدل هوش مصنوعی متنباز
با معرفی Gemma 2، گوگل اولین مدل زبان متنباز نسل جدیدش را باز کرده و با امکانات پیشرفتهای نظیر sliding window attention و knowledge distillation، متنسازی را به سطح بالاتری برده است.
پژوهش
هوش مصنوعی در ثبت اختراع: XLSCOUT ارائه کرد ParaEmbed 2.0 با ۲۳٪ افزایش دقت
XLSCOUT با همکاری Hugging Face معرفی ParaEmbed 2.0، مدل پیشرفتهای برای استخراج و همراستاسازی متون ثبت اختراع، با دقت ۲۳٪ بالاتر. این پیشرفت به عنوان گام مهمی در دیجیتالیسازی مالکیت فکری مطرح میشود.
اخبار
هوش مصنوعی بهتر: نقش کلیدی کیفیت داده در ساخت مدلهای پیشرفته
نوشتهای درباره اهمیت کیفیت داده در توسعه هوش مصنوعی: تأثیر بر عملکرد مدل، نمایندگی، حاکمیت، تعمیم و قابلیتتکرار علمی.
پژوهش
هوش مصنوعی در سرپرستی Microsoft: Fine-tuning Florence‑2 برای پاسخگویی به اسناد
مدل Florence‑2 شرکت مایکروسافت با عملکرد بالا و اندازه کوچک، امکان fine‑tuning برای DocVQA را فراهم کرده؛ این مقاله مراحل و نتایج این فرآیند را توضیح میدهد.