سختافزار
هوش مصنوعی در هاب Hugging Face: انتقال به Xet مقیاسپذیری را ارتقا میدهد
در جولای ۲۰۲۵، Hugging Face از Git LFS به Xet مهاجرت کرد، با بیش از ۱ میلیون کاربر، ۵۰۰ هزار مخزن و ۲۰ پیبیت داده، سرعت و مقیاسپذیری را گسترش داد.
پژوهش
هوش مصنوعی در Liger GRPO: تقویت TRL با بهینهسازی حافظه و مقیاسپذیری
در این خبر، Liger GRPO با کاهش مصرف حافظه ۴۰٪ و افزودن امکانات FSDP و PEFT، آموزش RL را برای مدلهای بزرگ بهینه میکند و به تسهیل مقیاسپذیری در چند گپ تبدیل میشود.
پژوهش
Falcon‑Edge: مدلهای هوش مصنوعی 1.58bit برای زیرساختهای کوچک و راههای مقیاسپذیری جدید
در این گزارش به معرفی Falcon‑Edge، مجموعهای از مدلهای زبان قدرتمند 1.58bit میپردازیم که بر معماری BitNet بنا شدهاند و در قالب سهنیتی قابل تنظیم و مقیاسپذیر هستند.
محصولات
هوش مصنوعی با HUGS: راهکار نوین برای توسعه سریع مدلهای متن باز و مقیاسپذیر
HUGS (Hugging Face Generative AI Services) امکانات Zero‑Configuration inference را برای مدلهای متن باز فراهم کرده و سرعت و مقیاسپذیری توسعه AI را به سطح جدیدی میبرد.
پژوهش
معرفی راهکار مقیاسپذیری دادههای هوش مصنوعی با Hugging Face و Dask
در این مقاله بهطور عملی، بررسی میکنیم چگونه با ترکیب Hugging Face و Dask، پردازشی مقیاسپذیر و سریع روی دادههای عظیم (مثل FineWeb) انجام دهیم و مدلهای pretrained را بهینهتر اجرا کنیم.
پژوهش
هوش مصنوعی در مالی: Open FinLLM Leaderboard با نتایج شگفتانگیز
Open FinLLM Leaderboard، یک نمونه از پیشرفت هوش مصنوعی در حوزه مالی، با ارزیابی دقیق مدلهای یادگیری عمیق بر اساس معیارهای مالی خاص، در دسترس پژوهشگران و صنایع است.
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.
مدلها
هوش مصنوعی و Mixture of Experts: چگونگی تغییر پردازش زبان
Mixture of Experts (MoE) به عنوانفرایندهای ترکیبی پیشرفته، با کاهش مصرف حافظه و افزایش سرعت، آیندهٔ مدلهای زبانی را شکل میدهد. مقایسه با مدلهای چگال، چالشها، نواحی استفاده و راهکارهای بهینهسازی را بررسی میکنیم.