Hugging Face теперь позволяет связывать организацию с аккаунтом Google Cloud, чтобы расходы отображались в одном счете. Это упрощает процесс оплаты и управления ресурсами для компаний。
Почему это важно: Описание процесса подключения к Google Cloud помогает упростить управление расходами на Hugging Face.
Hugging Face представила модели принятия решений, которые позволяют оценивать входные данные и возвращать вероятностные распределения по заранее определённым ответам. Эти модели предлагают более эффективный способ обработки запросов, чем традиционные большие языковые модели.
Почему это важно: Материал описывает новые подходы к моделям принятия решений и их применение в системах поддержки клиентов.
Авторы представили метод HOPE для обрезки экспертов в моделях Mixture-of-Experts。
Почему это важно: Метод HOPE предлагает улучшенный подход к обрезке экспертов в моделях Mixture-of-Experts, что может значительно повысить эффективность использования памяти.
Hugging Face представил ToyBlocks, открытую симуляционную платформу для обучения роботов。
Почему это важно: Представление ToyBlocks как платформы для обучения роботов открывает новые возможности для исследований в области робототехники.
Hugging Face добавил акценты египетского и нигерийского английского в Open ASR Leaderboard, расширив представление языков и акцентов для более надежных оценок.
Hugging Face представил Phonon, модель текст-в-речь, работающую на устройствах без необходимости в сети. Модель доступна в двух версиях и поддерживает пять языков。
Почему это важно: Описание условий доступа помогает оценить влияние функции на рабочие процессы.
Модель Dharma Field Extractor с 2 миллиардами параметров извлекает заданные поля из любых документов и возвращает их в формате JSON. Она превосходит все протестированные модели и предлагает доступные условия использования.
Почему это важно: Описание возможностей модели помогает понять её применение в бизнес-процессах.
Исследователи представили StateBench, бенчмарк для оценки способности языковых моделей отслеживать изменения состояния в длинных документах. Он включает четыре уровня сложности и показывает, что модели Gated DeltaNet и гибридные архитектуры превосходят трансформеры в задачах отслеживания состояния.
Почему это важно: StateBench предоставляет новый бенчмарк для оценки способности языковых моделей отслеживать изменения состояния в длинных документах.
Разработчики представили Palette, модель, обученную на синтетических данных для создания презентаций в соответствии с языком дизайна IBM. Модель показала высокие результаты на PresentBench。
Почему это важно: Описание условий доступа помогает оценить влияние функции на рабочие процессы.
Hugging Face представил стандарт Model Integration Contracts (MIC) для тестирования моделей。
Запущен проект ProtoStar, который объединяет университеты и исследовательские организации для улучшения доступности научных данных в форматах。
Почему это важно: Инициатива Project ProtoStar направлена на улучшение доступности научных данных для AI-исследований.
Выпущено обновление Granite Switch 4.1.1, которое полностью совместимо с версией 4.1 и включает улучшения。
Hugging Face анонсировала два пакета: AnySpeechRecognizer для распознавания речи с поддержкой нескольких движков и AnyDecisionModel для принятия решений с вероятностными результатами. Оба пакета доступны для загрузки и использования на устройствах Apple.
Почему это важно: Описание новых моделей помогает разработчикам интегрировать функции распознавания речи и принятия решений в приложения на платформах Apple.
Команда из Университета Пенсильвании разработала систему LitPivot, которая помогает исследователям улучшать свои идеи。
Почему это важно: Исследование демонстрирует, как LitPivot помогает улучшить качество научных идей через взаимодействие с литературой.
Hugging Face представил инструмент для проверки совместимости моделей Transformers с AWS Trainium, предоставляя информацию о производительности и необходимых условиях для запуска.
Почему это важно: Информация о поддержке моделей на AWS Trainium поможет разработчикам оптимизировать использование ресурсов.
Microsoft и Hugging Face представили ThinkingBox-Training, инструмент для оценки работы AI-агентов。
Почему это важно: Материал описывает методику оценки и дообучения AI-агентов, что может быть полезно для разработчиков в области AI.
Hugging Face выпустила OlmoEarth v1.3, модель спутниковых эмбеддингов。
Почему это важно: Описание новых возможностей и инструментов помогает понять, как использовать OlmoEarth v1.3 для анализа спутниковых данных.
Исследование VocabX показывает, как специализация словаря для конкретной задачи позволяет сократить затраты на вывод модели на 77%。
Почему это важно: Метод VocabX демонстрирует значительное снижение затрат на вывод модели, что может быть полезно для оптимизации AI-систем.
В первой части серии описывается, как анализировать производительность вывода моделей и выявлять узкие места с использованием AWS Trainium и TorchNeuron. Публикация охватывает настройку профилировщика и анализ результатов, включая сравнение различных реализаций одной операции.
Hugging Face представил SimReady Central, библиотеку с более чем 2000 готовыми к симуляции 3D-ресурсами, что упрощает разработку цифровых двойников AI-фабрик и симуляций робототехники.
Почему это важно: Описание возможностей библиотеки помогает разработчикам быстрее создавать симуляции для робототехники и AI-фабрик.
Hugging Face добавил поддержку TorchTPU, что позволяет использовать TPU как нативное устройство для PyTorch. Теперь модели Transformers и Diffusers могут работать на TPU без дополнительных настроек, что упрощает процесс разработки.
Почему это важно: Описание новых возможностей для работы с TPU в Hugging Face упрощает интеграцию и использование моделей.
ALTK-Evolve использует GPT-4.1 для достижения 67.5% Pass^4 на τ²-bench, превосходя другие модели в обслуживании клиентов. Метод основан на обученной памяти。
Почему это важно: Исследование показывает, как использование обученной памяти может значительно повысить эффективность AI-агентов в задачах обслуживания клиентов.
Представлен FairStress — бенчмарк для измерения демографической справедливости в LLM。
Почему это важно: FairStress предоставляет новый подход к оценке справедливости в принятии решений LLM, что может помочь в разработке более надежных моделей.
Hugging Face выпустил AnyLanguageModel 1.0, который предлагает совместимый API и поддержку локальных и хостинг-моделей. В обновлении добавлены функции вызова инструментов и генерации。
Почему это важно: Обновление AnyLanguageModel 1.0 включает новые функции и поддержку различных моделей, что улучшает разработку приложений.
В PyTorch 2.15 добавлена поддержка FP8 для Mac, что позволяет экономить память и ускоряет декодирование языковых моделей на 5–6.5 раз. Также обновлены требования。
Почему это важно: Обновление PyTorch 2.15 улучшает производительность на Mac, добавляя поддержку FP8 и ускоряя декодирование языковых моделей.
В новой версии Apertus 1.5 добавлены функции мультимодального понимания。
Почему это важно: Обновление Apertus 1.5 включает значительные улучшения в мультимодальном понимании и увеличении контекстного окна.
Разработчики представили HiRO-ACEv2, который может точно воспроизводить редкие погодные явления и генерировать глобальные климатические данные с разрешением 3 км по цене примерно в 300 раз ниже, чем у X-SHiELD.
Почему это важно: Описание новых возможностей HiRO-ACEv2 помогает понять его применение в климатическом моделировании.
Разработчики представили модель LFM2.5-24B-A2B с 24 миллиардами параметров, из которых активно используются только 2 миллиарда。
Почему это важно: Описание условий доступа помогает оценить влияние функции на рабочие процессы.
Автор описал процесс создания модели с помощью ML Intern, который позволяет быстро разрабатывать и обучать модели с низкими затратами. В результате были созданы несколько моделей。
Почему это важно: Подробное руководство по использованию ML Intern помогает пользователям создавать модели с минимальными затратами и высоким качеством.
Hugging Face представила Falcon ASR, модель распознавания речи на арабском с 1.6 миллиарда параметров。
Почему это важно: Описание характеристик модели помогает оценить её производительность в различных языковых контекстах.
Hugging Face представила две открытые модели d1-3B и d1-omni-600M, которые обеспечивают высокую скорость обработки и поддержку текстовых。
Почему это важно: Модели d1-3B и d1-omni-600M предлагают высокую скорость и качество решений для многомодальных задач.
Команда разработчиков адаптировала модель Nemotron для участия в IOI и IMO, достигнув золотых медалей на обоих соревнованиях с использованием методов дообучения и обучения с подкреплением.
Почему это важно: Результаты показывают, как адаптация модели Nemotron позволяет достигать высоких результатов на международных олимпиадах.
Microsoft и Hugging Face совместно опубликовали ThinkingBox — бенчмарк для оценки AI-агентов。
Почему это важно: Microsoft и Hugging Face представили ThinkingBox, оценивающий AI-агентов по реальному изменению состояния базы данных, а не по количеству вызовов инструментов.
Команда ServiceNow CoreAI представила AutoSynthData — систему для создания синтетических задач обучения на основе ошибок целевой модели и успешных примеров более сильной модели-учителя. В экспериментах с EnterpriseOps Gym подход позволил повысить Pass@1 на 7.2 процентных пункта (рост на 35%) при дообучении Gemma-4-26B-A4B-it.
Почему это важно: ServiceNow описывает конвейер AutoSynthData для генерации синтетических данных, демонстрируя рост точности на 35% при дообучении модели.
Hugging Face представил Open TTS Leaderboard — платформу для масштабной оценки открытых многоязычных моделей синтеза речи и клонирования голоса. В отличие от традиционных рейтинговых арен。
Почему это важно: Представлены объективные метрики и инструменты для сравнения моделей, что ускоряет оценку их производительности.
Команда Multiverse Computing представила статью ProvenanceGuard, посвященную проверке фактов для LLM-агентов。
Почему это важно: Представлен метод верификации фактов для MCP-агентов, который отслеживает происхождение утверждений и предотвращает смешение источников.
Holo4 представляет собой новую серию агентных моделей с размерами 27B и 35B-A3B。
Почему это важно: Описание возможностей Holo4 подчеркивает его универсальность и эффективность в бизнес-процессах.