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 новостей · все источники

Hugging Face

В Isaac Sim показали симуляцию захвата и перемещения банки

В новом руководстве описана задача по захвату и перемещению банки с напитком в Isaac Sim. В сцене используются манипулятор UR17G, захват Robotiq 2F-140 и модель банки. Их объединяют, проверяют, а затем управляют роботом для захвата банки, подъема, переноса к целевой точке и освобождения. В примере применяются Isaac Sim 6.2 и агент, который помогает создавать управляющий код. Авторы использовали GPT-6 Sol, однако допускают другие сочетания агента и модели.

Hugging Face

XYBench проверяет, решают ли ИИ-ассистенты истинскую проблему пользователя

Исследователи представили XYBench — бенчмарк с 8 115 реальными вопросами для проверки того, умеют ли ИИ-ассистенты замечать ошибочные предположения и отвечать на основную цель пользователя. Вопросы посвящены программированию и повседневным занятиям, включая приготовление пищи и ремонт дома. XYBench получил награду за лучшую ресурсную статью на EMNLP 2026.

Hugging Face

llama.cpp и ggml выпустили версии 1.0.0

Проект llama.cpp выпустил библиотеку версии 1.0.0, одновременно представив версию 1.0.0 библиотеки ggml для тензорных операций в машинном обучении. Команда объясняет этот шаг ростом числа сторонних приложений, зависящих от интерфейсов проектов. В дальнейшем несовместимые изменения публичного API или ABI в llama.cpp и ggml будут обозначаться повышением мажорной версии.

Hugging Face

Выпущены экспериментальные модели LLMON для Granite 4.1

Исследователи IBM представили две экспериментальные предварительные версии моделей — granite-4.1-3b-LLMON-preview и granite-4.1-8b-LLMON-preview. Они созданы на основе базовых моделей Granite 4.1 и обучены читать и генерировать текст в формате LLMON, или LLM Object Notation, разработанном специально для больших языковых моделей.

Hugging Face

Руководство описывает дообучение TRELLIS.2 для 3D-генерации

В новом руководстве представлены скрипты и Docker-контейнеры для адаптации TRELLIS.2 к специализированным наборам 3D-объектов. Процесс можно запускать локально или через Hugging Face Jobs, предварительно загрузив меши набора данных в Hugging Face Hub. Эксперимент посвящён повышению точности геометрии обуви и использует 188 объектов из Google Scanned Objects, где всего насчитывается 1 030 объектов.

Hugging Face

BotPsy запускает локального агента с 0,8 миллиарда параметров

Tether AI Research представила BotPsy — языковую модель с 0,8 миллиарда параметров на базе Qwen3.5-0.8B. Она предназначена для вызова функций и агентных сценариев на устройстве. Модель может выполнять задачи персонального помощника, связанные с поиском и исследованием в интернете, поездками, торговлей и финансами, управлением устройствами, файлами, календарём, электронной почтой и сообщениями. Разработчики отмечают, что BotPsy лучше подходит для задач низкой и средней сложности и не рассчитана на критически важные применения.

Hugging Face

Обучение с учетом объединения повышает качество сжатого поиска

Многовекторные модели эмбеддингов представляют документ набором контекстных векторов его токенов. Благодаря этому разные элементы запроса могут сопоставляться с разными фрагментами документа, однако объем хранения быстро растет. Токен-пулинг уменьшает его, объединяя похожие векторы. HierarchicalTokenPooling применяет иерархическую кластеризацию Уорда и заменяет каждую группу ее средним вектором.

Hugging Face

Hugging Face подключила оплату через Google Cloud

Организации в Hugging Face теперь могут связать свои аккаунты с Google Cloud через Google Cloud Marketplace. После подключения расходы за использование Hugging Face отображаются в уже существующем счёте Google Cloud, а не списываются с банковской карты.

Hugging Face

Hugging Face представила модели для структурированных решений

Hugging Face опубликовала обзор моделей решений — подхода для приложений, которым нужны структурированные варианты выбора, а не сгенерированный текст. Получая состояние, набор вопросов и заранее определённые ответы, такая модель возвращает решения вместе с распределениями вероятностей. В статье интерфейс описан формулой «Состояние + Вопросы + Допустимые ответы → Решения + Вероятности».

Hugging Face

Синтетический набор данных описывает демографию и финансы Японии

Elith и NVIDIA выпустили Nemotron-Personas-Finance-Japan — синтетический набор данных для разработки финансового искусственного интеллекта в Японии. Он объединяет официальную демографическую и трудовую статистику со сведениями о финансах домохозяйств и финансовой грамотности. Это позволяет создавать и проверять системы без использования реальных клиентских записей. Набор доступен для коммерческого и некоммерческого применения по лицензии CC BY 4.0.

Hugging Face

HOPE сокращает экспертов MoE, сохраняя их рабочие связи

Метод HOPE предназначен для уменьшения требований к памяти языковых моделей с mixture-of-experts (MoE): он удаляет менее полезных экспертов, учитывая взаимодействия между ними. В MoE-моделях могут быть сотни экспертов, однако для каждого токена активируется лишь небольшая часть. Например, в Qwen3.5-122B в каждом из 48 MoE-слоёв находятся 256 экспертов, а для отдельного токена используются восемь. Экспертные MLP-модули занимают около 95% примерно 250 ГБ памяти, необходимой для параметров модели.