مدلها
جهش جدید هاگینگ فیس: مدلهای امبدینگ استاتیک ۴۰۰ برابر سریعتر با هوش مصنوعی
هاگینگ فیس با معرفی روشی نوین، مدلهای امبدینگ استاتیک را تا ۴۰۰ برابر سریعتر روی CPU آموزش داده است. این پیشرفت انقلابی، کاربردهای هوش مصنوعی را روی دستگاههای کمتوان گسترش میدهد.
مدلها
لاما ۳.۲: ورود هوش مصنوعی چندوجهی به دستگاههای شخصی
میتا و هوگینگفیس از لاما ۳.۲ رونمایی کردند؛ نسل جدیدی از مدلهای هوش مصنوعی با قابلیت بینایی و اجرای محلی روی تلفن همراه و筆記دهاری، که دموکراتیزه سازی AI را تسهیل میکند.
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
مدلها
هوش مصنوعی با مدل SmolLM: سرعت بیسابقه و کارایی خارقالعاده
مدل SmolLM، خانواده کوچک و قدرتمندی از هوش مصنوعی با 135M، 360M و 1.7B پارامتر، بر پایه مجموعه داده قوی ساخته شده و امکان اجرا بر دستگاههای محلی را فراهم میکند.
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.
پژوهش
هوش مصنوعی در مسابقه تصویرسازی: لیستبردی متن‑به‑تصویر و ارزیابی انسانی
در ژوئن 2024، هیوگینگ فیس یک لیستبردی متن‑به‑تصویر راهاندازی کرد؛ بر اساس 45 هزار ترجیح انسانی، مدلهای متن‑به‑تصویر از Midjourney، DALL·E، Stable Diffusion و سایر مدلهای متنباز را در جدول رقابتی قرار داده است.
کسبوکار
هوش مصنوعی در دامنه داخلی: Dell Enterprise Hub برای آموزش و استقرار مدلهای باز
دستگاههای Dell Enterprise Hub روی پلتفرم Hugging Face برای آموزش و استقرار مدلهای هوش مصنوعی باز و امن در سرورهای داخلی شرکتها معرفی میشود.
پژوهش
هوش مصنوعی با حریم شخصی: اجرای حوسبهپوشیده در Hugging Face Endpoints
دستگاههای پیشرفتهٔ FHE برای اجرای مدلسازی هوش مصنوعی در محیط امن و معکوسشدهٔ Hugging Face Endpoints معرفی شدند؛ روند و نکات کلیدی برای توسعهدهندگان و پژوهشگران.
مدلها
هوش مصنوعی و SDXL: 4 گام ساده برای تولید تصویر با لایتنس
دستگاههای AI توانایی تولید تصاویر با کیفیت بالا را در واحد زمان کوتاهتر میکنند. در این روند، مدلهای Latent Consistency LoRAs در SDXL نقش کلیدی ایفا میکنند.
پژوهش
هوش مصنوعی در اپل: Swift Transformers برای اجرای LLMهای بر دستگاه
Hugging Face با انتشار Swift Transformers، امکان اجرای LLMهای بزرگ بر روی دستگاههای اپل را فراهم میکند؛ تبدیل مدلهای PyTorch به Core ML را ساده میسازد.