پژوهش
نکات برجسته امنیتی ۲۰۲۴
ما در مسیر پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق متنباز و علم آزاد هستیم.
پژوهش
گوگل Gemma 2 2B، ShieldGemma و Gemma Scope را منتشر کرد
ما در مسیر پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق متنباز و علم آزاد هستیم.
مدلها
کوانتایز دیفیوژن ترنسفورمر با Quanto: کاهش مصرف حافظه در هوش مصنوعی
با معرفی ابزارهای Quanto و Diffusers، اجرا کردن مدلهای سنگین تولید تصویر با هوش مصنوعی بر روی سختافزارهای محدودتر بدون افت عملکرد محسوس اکنون امکانپذیر است.
پژوهش
LAVE: ارزیابی VQA بدون محدودیت زمانی روی Docmatix با LLMها
ما در مسیر پیشرفت و دموکراتیزه کردن هوش مصنوعی از طریق متنباز و علم آزاد هستیم.
پژوهش
هوش مصنوعی: دیتاست Docmatix، ۲۴۰برابر بزرگتر از DocVQA برای پاسخگویی به سوالات تصویری در مستندات
در حالی که دیتاست DocVQA با ۱۰٬۰۰۰ تصویر کمبود داشت، Hugging Face دیتاستی تحت عنوان Docmatix را معرفی کرد؛ ۲.۴ میلیون تصویر و ۹.۵ میلیونپایهپاسخ برای پیشبینیهای عکس‑متن در مستندات PDF.
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 Prezi: چگونه همکاری با Hugging Face مسیر چندمتد را پیش میبرد
Prezi در راهاندازی هوش مصنوعی چندمدلی با پشتیبانی از برنامهی Expert Support Hugging Face. همکاری جدید، مدلهای متن-تصویر، متودهای نوین.
پژوهش
DeepSpeed و FSDP: با یکدیگر در پشتیبان هوش مصنوعی Hugging Face
دستگاههای DeepSpeed و FSDP در Hugging Face بهصورت متناظر در پردازش دادههای هوش مصنوعی به کار گرفته میشوند؛ مقاله اینبار تفاوتهای میان دو معماری و بهینهسازی در بحث توانمندسازی مدلها را بررسی میکند.
اخبار
هوش مصنوعی در اختیار توسعهدهندگان: کانتینر Embedding در سیگمتر هاجینگ فیس و ساجماکر
کانتینر Embedding جدید هاجینگ فیس اکنون در AWS SageMaker در دسترس است؛ این ابزار به توسعهدهندگان اجازه میدهد مدلهای embedding را برای ساخت برنامههای هوش مصنوعی نسل بعدی پیادهسازی کنند.
اخبار
هوش مصنوعی: ارتقای مستندات Hugging Face برای تجربه کاربر
در ۲۰۲۴، Hugging Face مستندات Transformers را بازسازی کرد؛ ساختار یکنواخت، دسترسی سادهتر و پوشش مدلهای جدید را تضمین میکند. این تغییر، تجربه کاربر را بهبود داده و انتشار دانش متن باز را تسهیل میکند.