Sakhanda Wire
NVDA $153.77 -1.52% MSFT $504.91 -2.53% GOOGL $281.52 -0.78% META $620.99 -0.87% AMZN $256.80 -0.37%

Hugging Face

111 новини · всички източници

Hugging Face

Демонстрация в Isaac Sim показва роботизирано преместване на кен

Ново ръководство представя задача за вземане и преместване на кен за напитка в Isaac Sim с рамото UR17G, захвата Robotiq 2F-140 и модел на кен. Трите компонента се обединяват в сцена, проверяват се и се управляват за захващане, повдигане, преместване до целева позиция и освобождаване. Примерът използва Isaac Sim 6.2 и агент, който генерира управляващия код. В демонстрацията е използван GPT-6 Sol, но е възможна и друга комбинация от агент и модел.

Hugging Face

XYBench проверява дали AI асистентите решават същинския проблем

Изследователи представиха XYBench — набор за оценяване с 8 115 въпроса от реалния свят, който проверява дали AI асистентите разпознават погрешни предположения и се насочват към действителната цел на потребителя. Въпросите обхващат програмиране и ежедневни дейности като готвене и домашни ремонти. XYBench получи наградата за най-добър ресурсен доклад на EMNLP 2026.

Hugging Face

llama.cpp и ggml достигнаха версия 1.0.0

Проектът llama.cpp пусна библиотеката си във версия 1.0.0, а едновременно с това беше представена и версия 1.0.0 на ggml — библиотека за тензорни операции в машинното обучение. Екипът посочва, че изданието отразява нарастващия брой приложения, които зависят от интерфейсите на проектите. Занапред несъвместимите промени в публичния API или ABI на llama.cpp и ggml ще се обозначават с увеличаване на основния номер на версията.

Hugging Face

Пуснати са експериментални модели LLMON за Granite 4.1

Изследователи на IBM представиха два експериментални модела за предварителен преглед — granite-4.1-3b-LLMON-preview и granite-4.1-8b-LLMON-preview. Те са базирани на базовите модели Granite 4.1 и са обучени да разчитат и създават текст с LLMON, или LLM Object Notation — маркиращ език, разработен за големи езикови модели.

Hugging Face

Ръководство описва LoRA дообучаване на 3D модела TRELLIS.2

Ново ръководство представя скриптове и Docker контейнери за адаптиране на TRELLIS.2 към специализирани колекции от 3D обекти. Работният процес може да се изпълнява локално или чрез Hugging Face Jobs, ако мешовете от набора са качени в Hugging Face Hub. Експериментът е насочен към подобряване на геометрията на обувки чрез 188 обекта, избрани от набора Google Scanned Objects, който съдържа 1 030 обекта.

Hugging Face

BotPsy предлага локален агент с 0,8 милиарда параметъра

Tether AI Research представи BotPsy — езиков модел с 0,8 милиарда параметъра, изграден върху Qwen3.5-0.8B за извикване на функции и агентни работни процеси. Моделът е предназначен за локални задачи на личен асистент, включително уеб проучване, пътувания, търговия, финанси, управление на устройства, файлове, календари и съобщения. Разработчиците посочват, че е най-подходящ за задачи с ниска до средна сложност и не е предназначен за критични приложения.

Hugging Face

Обучение с отчитане на обединяването подобрява компресираното търсене

Многовекторните модели за вграждане представят документа с отделни контекстуални вектори за неговите токени. Това позволява различни думи от заявката да намират съответствия в различни части на документа, но увеличава изискванията за съхранение. Обединяването на токени намалява разхода, като слива сходни вектори. HierarchicalTokenPooling използва йерархично клъстеризиране по метода на Ward и представя всяка група със средния ѝ вектор.

Hugging Face

Hugging Face добави таксуване през Google Cloud

Организациите в Hugging Face вече могат да свържат профилите си с Google Cloud чрез Google Cloud Marketplace. След свързването разходите за използване на Hugging Face се добавят към съществуващата фактура на организацията в Google Cloud, вместо да се плащат с кредитна карта.

Hugging Face

Hugging Face представя модели за структурирани решения

Hugging Face публикува обзор на моделите за решения — подход за приложения, които се нуждаят от структурирани избори, а не от генериран текст. На базата на състояние, набор от въпроси и предварително зададени отговори такъв модел връща решения заедно с вероятностни разпределения. В статията интерфейсът е обобщен като „Състояние + Въпроси + Допустими отговори → Решения + Вероятности“.

Hugging Face

Синтетичен набор от данни описва демографията и финансите на Япония

Elith и NVIDIA представиха Nemotron-Personas-Finance-Japan — синтетичен набор от данни за разработване на финансов изкуствен интелект в Япония. Той съчетава официална демографска и трудова статистика с информация за финансите на домакинствата и финансовата грамотност. Целта е екипите да създават и оценяват системи, без да използват реални клиентски записи. Наборът е достъпен за търговска и нетърговска употреба по лиценза CC BY 4.0.

Hugging Face

HOPE съкращава MoE експерти, като запазва кооперативните групи

Методът HOPE цели да намали изискванията за памет на езиковите модели с mixture-of-experts (MoE), като премахва по-малко полезни експерти и едновременно отчита връзките между тях. В MoE моделите могат да има стотици експерти, но за всеки токен се активира само малка част. В Qwen3.5-122B например във всеки от 48-те MoE слоя има 256 експерта, а за отделен токен се използват осем. Експертните MLP модули заемат около 95% от приблизително 250 GB памет за параметрите на модела.