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.
Ирэн Солайман из Hugging Face предупредила о рисках кибератак на открытые AI-платформы。
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.
Открытые модели ИИ становятся все более распространенными, поскольку предприятия。
Ирина Солайман, директор по политике и старший вице-президент по стратегии Hugging Face。
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。
Министерство юстиции США изучает сделку Nvidia по приобретению Hugging Face на сумму $12.93 миллиарда。
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.
Nvidia анонсировала роботов Microduck, предзаказы на которые превысили 20,000 единиц после демонстрации на конференции GTC Berlin. Ожидается, что они будут доставлены к Рождеству.
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.
Генеральный директор Hugging Face, Клем Деланж, заявил, что документальный фильм Netflix "AI Gone Rogue" искажает факты о хакерской атаке на его компанию。
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.