پژوهش
سریعاً مدلهای 3D را از رنگدار به بافتدار تبدیل کنید – راهنمای هوش مصنوعی
در این مقاله بهصورت گامبهگام روش تبدیل یک گِرهنشانِ رنگدار به متن بافتدار را معرفی میکنیم؛ از کتابخانه InstantTexture تا نکات کاربردی.
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
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.
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.
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.
پژوهش
لیستبررسی هوش مصنوعی عربی: پیشرفت و شفافسازی مدلهای زبان عربی
یک صفحهجدید از هافینگ فیس کتاب فهرست برتری مدلهای بزرگ زبان عربی را معرفی میکند؛ راهحلی باز برای مقایسه و پیشرفت در هوش مصنوعی عربی.
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.
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.
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.