سختافزار
همکاری هوش مصنوعی اینتل و AMD برای تسهیل توسعه بر پردازشگرهای x86
اینتل و AMD ابزارهای OneDNN و ZenDNN را یکپارچهسازی کردند تا اجرای مدلهای هوش مصنوعی بر پردازندههای x86 را برای توسعهدهندگان ساده کنند در PyTorch.
پژوهش
فریمورک نوین هوش مصنوعی MIT: طراحی پروتئینهای کارآمد، فراتر از طبیعت
محققان MIT با فریمورک یادگیری ماشین جدیدی، طراحی محاسباتی پروتئین را متحول کردهاند. این رویکرد به هوش مصنوعی امکان میدهد توالیهای نوآورانه را کشف کند، نه فقط بازتولید توالیهای طبیعی، برای ساخت پروتئینهایی با عملکرد بهینه.
پژوهش
توکنسازی در Transformers v5: سادهتر، شفافتر و ماژولارتر – پیشرفت در هوش مصنوعی
در مقالهی جدید منبعی بینالمللی، بهروزرسانیترین نسخهی توکنسازی از Transformers v5 معرفی میشود؛ نحوهی جداکردن ساختار و دیکشنری، امکانات سادهتر، و چگونگی استفاده در پروژههای هوش مصنوعی.
پژوهش
هوش مصنوعی: نحوه همسو سازی مدلهای دید-زبان در TRL جدید و بهروز
در این مقاله به بررسی روشهای نوین همسو سازی مدلهای دید‑زبان در فریمورک TRL پرداخته، مقایسهای بین MPO، GRPO و GSPO ارائه کرده و کاربردهای عملی در علوم و صنعت را بررسی میکنیم.
پژوهش
هوش مصنوعی بدون GPU: چگونگی افزایش کارایی با vLLM هممحور در TRL
این مقاله روش Co‑Located vLLM در TRL را معرفی و نشان میدهد چگونه با استفاده از GPUهای مشترک، کارایی مدلهای LLM را بدون هزینه اضافی به حداکثر میرساند.
پژوهش
Transformers: استانداردسازی مدلهای هوش مصنوعی برای توسعهدهندگان و پژوهشگران
کتابخانه Transformers از Hugging Face، با استانداردسازی تعریف مدلها، یکپارچهسازی در فریمورکهای متعدد و افزودن هر هفته بیش از 3 معماری پشتیبانی شده را ارائه میدهد.
پژوهش
Gradio: فراتر از کتابخانه UI در حوزهٔ هوش مصنوعی برای توسعهدهندگان
Gradio بیش از تنها یک کتابخانه رابط، فریمورک کاملی برای تعامل با مدلهای هوش مصنوعی است؛ از API پویا و امنیت بالا تا مستندسازی جامع و دسترسی آسان برای همه.
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