Sakhanda Wire
NVDA $154.00 -1.37% MSFT $506.28 -2.26% GOOGL $280.87 -1.00% META $620.34 -0.97% AMZN $256.88 -0.34%

Hugging Face

111 новини · всички източници

Hugging Face

Mistral Large 4 с мултимодални възможности вече е в Hugging Face

Mistral Large 4, известен и като Le Chonk, е публикуван в Hugging Face като мултимодален и многоезичен модел от типа Mixture-of-Experts. Той приема текст и изображения и генерира текст, като разполага с около 1T общи параметри, 49B активни параметри и контекстен прозорец от 1M токена. Официалните варианти са FP8 и NVFP4, а Unsloth и екипът на llama.cpp са създали и GGUF версии. Моделът се разпространява по лиценза Mistral Ecosystem Open-Weight License, производен на MIT, с ограничения за предложенията тип model-as-a-service.

Hugging Face

Project ProtoStar ще подготвя публично финансираната наука за AI

Project ProtoStar обединява университети, научни организации, индустрията и общността на отворената наука, за да направи публично финансираните научни набори от данни, модели и код по-лесни за откриване, повторна употреба и комбиниране. Инициативата насърчава публикуването им в готови за AI и машинно обработваеми формати върху отворена инфраструктура. Сред основателите са Carnegie Mellon University, Purdue University, Georgia Institute of Technology, Arizona State University, The George Washington University, Astera Institute, Hugging Face и Open Research Community Accelerator.

Hugging Face

AnySpeechRecognizer и AnyDecisionModel разширяват моделите за платформите на Apple

Два нови Swift пакета, AnySpeechRecognizer и AnyDecisionModel, предлагат по-голям избор на модели за разпознаване на реч и структурирани решения в платформите на Apple. AnySpeechRecognizer следва API интерфейса около SpeechAnalyzer на Apple, но позволява избор на друг двигател. Пакетът поддържа Parakeet на NVIDIA и Qwen3-ASR на Alibaba, които работят локално чрез Core ML, както и стандартния двигател на Apple.

Hugging Face

NVIDIA представи многоезичния модел Nemotron 3.5 Transcribe

NVIDIA представи Nemotron 3.5 Transcribe — модел с отворени тегла, достъпен в Hugging Face и ModelScope. Един и същ контролен пункт съчетава транскрипция, разпознаване на говорещите, превод и въпроси към аудио. Моделът транскрибира 40 езика, превежда 31 от тях към или от английски, разпознава говорещи на 13 езика, обработва записи с дължина до един час и може да обозначи до осем говорещи.

Hugging Face

LFM3 обединява специализирани мултимодални модели в обща основа

LiquidAI представи LFM3 — ново поколение Liquid Foundation Models, предназначено да служи като основа за специализиран изкуствен интелект. Семейството обхваща текст, изображения, аудио, комбинирани входове и задачи за вземане на решения. Шест модела от клас 2B произлизат от LFM3-1.7B-Base, а разработчиците могат да ги дообучават със собствените си данни на един графичен процесор и да ги разгръщат локално.

Hugging Face

Проучване откри нестабилност при оценката на новост от езикови модели

Ново изследване на Ai2 разглежда доколко надеждно големите езикови модели определят дали научна изследователска идея е нова. Екипът публикува набора Old Ideas, Novel Problems, данни и код, както и автоматизиран процес за създаване на допълнителни тестови набори. Той проверява както абсолютни оценки на новостта, така и сравнения между две идеи.

Hugging Face

LitPivot свързва разработването на идеи с научната литература

Ai2 и изследователи от Университета на Пенсилвания разработиха LitPivot — система за развитие на ранни научноизследователски идеи чрез постоянно сравнение с академичната литература. Инструментът използва статии, намерени чрез Asta Paper Finder, и ги подрежда според частта от предложението, която се редактира: проблем, предлаган принос или план за оценяване.

Hugging Face

Нов Space проверява модели на Transformers за AWS Trainium

Hugging Face представи Space за поддръжка на модели чрез torch-neuronx, който проверява дали избрани модели на Transformers работят без промени върху AWS Trainium. Първоначалният изглед включва модели, подбрани сред най-изтеглянте и най-популярните в момента модели в Hub, а отделни изгледи следват тези класации. При търсене потребителят вижда резултата, броя използвани ядра Trainium, времето за изпълнение с включена компилация и пиковата памет на устройството. Могат да се избират и версии на компилатора и Transformers.

Hugging Face

ThinkingBox превръща проверките на бази данни в награди за обучение

Microsoft и Hugging Face съобщават, че ThinkingBox-Training вече е достъпен в GitHub. Системата оценява работата на агентите чрез крайното състояние на базата данни, а не само чрез извършените извиквания на инструменти или твърдението, че задачата е завършена. Изпълнимите проверки могат да служат като двоична награда при обучение с подсилване.

Hugging Face

OlmoEarth v1.3 предлага глобални сателитни ембединг модели

OlmoEarth v1.3 е модел за сателитни ембединги, който превръща времеви редове от радарни и мултиспектрални данни в готови за повторна употреба характеристики. Той обработва годишни данни от Sentinel-1, Sentinel-2 и Landsat и създава 128-мерен вектор за всеки 10-метров пиксел на Земята. Първите 64 измерения могат да се използват и като по-компактен ембединг. Предварително изчислените ембединги за цялата планета се публикуват в двата размера.

Hugging Face

Енсамбълът IBM Granite обединява четири модела за времеви редове

IBM представи Granite Timeseries Ensemble — рецепта за прогнозиране, която обединява четири предварително обучени модела за времеви редове чрез общ интерфейс. Подходът генерира точкова прогноза под формата на медиана и квантилни прогнози, без дообучаване на моделите и без изчисляване на тегла от исторически грешки. Конфигурацията по подразбиране включва Granite PatchTST-FM-r1, Granite PatchTST-FM-r2, Granite FlowState-r1.1 и Granite TTM-r3, базирани съответно на различни Transformer, Conformer, пространствено-състояниен и MLP-mixer архитектури.

Hugging Face

Kumo Relational отчита по-добри резултати без специално обучение

NVIDIA представи Kumo Relational — предварително обучен фундаментален модел, който прави прогнози директно върху релационни бази данни. Чрез предиктивна заявка той използва до 10 000 исторически примера като контекст, за да оценява например отлив на клиенти, търсене и измами. Моделът не изисква обучение за конкретна задача, инженеринг на признаци или преобразуване на таблиците в една плоска таблица, макар че може да бъде дообучен за максимална точност.