پژوهش هوش مصنوعی بر روی حافظهٔ محلی: معرفی ggml و کاربردهای آن بررسی جامع فریم‌ورک open-source ggml که برای اجرای مدل‌های ترنسفورمر به صورت on-device طراحی شده و متناسب با دستگاه‌های کم‌منبع است و ابزارهای توسعه ۲۳ مرداد ۱۴۰۳ ۲ دقیقه 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. ۲۰ تیر ۱۴۰۳ ۲ دقیقه پژوهش هفینگ‌فیس معرفی می‌کند فیلترهای جستجوی هوش مصنوعی: مودالیتی، اندازه و فرمت دیتاست هفینگ‌فیس با افزودن فیلترهای مودالیتی، اندازه، فرمت و کتابخانه، جستجوی دیتاست را برای پژوهشگران و توسعه‌دهندگان هوش مصنوعی ساده‌تر کرده است. این ابزار جدید امکان انتخاب دقیق تر دیتا را فراهم می‌آورد. ۱۸ تیر ۱۴۰۳ ۲ دقیقه 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. ۱۱ تیر ۱۴۰۳ ۲ دقیقه محصولات کانوا Magic Studio: هوش مصنوعی برای طراحی گرافیک ساده و سریع Canva نسخه هوش مصنوعی Magic Studio را معرفی کرده که با رابط کاربری ساده و کتابخانه‌های جامع، هزاران کاربر را قادر می‌سازد تا محتوای گرافیکی بی‌نقص تولید کنند. ۲۷ اردیبهشت ۱۴۰۳ ۲ دقیقه پژوهش هوش مصنوعی در رباتیک: کتابخانه Pollen‑Vision برای درک بصری بدون آموزش کتابخانه‌ی Pollen‑Vision، رابط یکپارچه‌ای برای مدل‌های Zero‑Shot در رباتیک، با هدف ارتقاء و آسان‌سازی دسترسی به هوش مصنوعی در محیط‌های واقعی ارائه شد. ۶ فروردین ۱۴۰۳ ۲ دقیقه پژوهش آموزش تنظیم دقیق مدل‌های جما با هوش مصنوعی در Hugging Face در این مقاله، روش تنظیم دقیق کارآمد پارامتر (PEFT) مدل‌های جما را با کتابخانه‌های Hugging Face روی GPU و TPU می‌آموزیم؛ راهکاری نوین برای سفارشی‌سازی هوش مصنوعی. ۴ اسفند ۱۴۰۲ ۲ دقیقه مدل‌ها PEFT روش‌های جدیدی برای ادغام مدل‌های هوش مصنوعی معرفی کرد کتابخانه PEFT هگز فیس با افزودن روش‌های جدید ادغام LoRA مانند TIES و DARE، مسیر بهینه‌سازی مدل‌های زبانی بزرگ را هموارتر کرد. با این تکنیک‌ها، مدل‌های قدرتمندتری با مصرف حافظه کمتر بسازید. ۳۰ بهمن ۱۴۰۲ ۳ دقیقه پژوهش نحوه دو بار سریع‌تر کردن آموزش مدل‌های LLM با Unsloth و 🤗 TRL در دنیای هوش مصنوعی Unsloth، کتابخانهٔ سبک‌وزن همراه با 🤗 TRL، عکس‌العمل دو مراتبهٔ سریع‌تر آموزش LLM را با کاهش مصرف حافظهٔ ۴۰٪ و بدون افت دقت ارائه می‌دهد؛ برای علاقه‌مندان به هوش مصنوعی بخوبی عمل می‌کند. ۲۰ دی ۱۴۰۲ ۲ دقیقه محصولات هوش مصنوعی: Optimum‑NVIDIA بر روی پردازنده‌های NVIDIA عملکرد 28× سریع‌تر ارائه می‌دهد Optimum‑NVIDIA، کتابخانه‌ای ساده از هاب هگینگ فیس، عملکرد مدل‌های زبان بزرگ را روی GPUهای NVIDIA تا 28 برابر سرعت می‌دهد و از فرمت FP8 بهره می‌برد. ۱۴ آذر ۱۴۰۲ ۲ دقیقه