Sakhanda Wire
NVDA $153.73 -1.54% MSFT $506.30 -2.26% GOOGL $280.09 -1.28% META $619.28 -1.14% AMZN $256.62 -0.44%

Hugging Face

111 новостей · все источники

Hugging Face

Политика ходьбы Microduck переносится из симуляции на реального робота

Pollen Robotics и Hugging Face описали процесс обучения двуногого робота с открытым исходным кодом Microduck в симуляции и переноса политики ходьбы на физическое устройство. В руководстве используются NVIDIA Isaac Lab 3.0 и Newton, которые моделируют отклик сервоприводов, трение, задержки и люфт редукторов — параметры, влияющие на работу робота вне симуляции.

Hugging Face

VocabX снизил стоимость вывода модели на 77%

Метод специализации словаря VocabX снизил измеренную стоимость вывода системы для проверки португальских эссе на 77,0%, говорится в результатах пока не опубликованной рецензируемой статьи. Система работает на Qwen3-4B, однако исходный токенизатор создавался для множества языков и предметных областей. В задаче проверки эссе он использовал словарь из 151 669 элементов и разбивал повторяющиеся структуры JSON на большее число токенов, чем требовалось.

Hugging Face

Профилирование TorchNeuron сравнивает три реализации RMSNorm на AWS Trainium

В руководстве, опубликованном 21 октября 2026 года, рассматривается анализ производительности инференса с TorchNeuron — нативным open source-бэкендом PyTorch для AWS Trainium. Первая часть рассчитана на читателей без опыта профилирования и показывает настройку torch.profiler для Neuron, запись трассировки и сопоставление времени работы CPU и ускорителя.

Hugging Face

IBM обновила Granite Speech для точности, скорости и атрибуции говорителей

IBM выпустила три обновления коллекции Granite Speech: новую модель granite-speech-5.0-2b и пересмотренные версии granite-speech-5.0-470m-turboctc и granite-speech-4.1-2b-plus. Они предназначены для многоязычной транскрипции и перевода, быстрой обработки на периферийных устройствах, а также анализа записей с несколькими говорителями.

Hugging Face

NVIDIA представила Kumo Forecast для прогнозирования временных рядов

NVIDIA Kumo Forecast, ранее называвшаяся NV-Tesseract Forecasting, представляет собой многомерную модель прогнозирования временных рядов. Она объединяет представления, полученные при предварительном обучении, с шаблонами из исторических данных. В основе используется Transformer MOMENT-1-large: энкодер примерно на 340 миллионов параметров остается предварительно обученным, а для задачи прогнозирования обучается отдельная голова. В прямом режиме модель прогнозирует будущие значения по последним наблюдениям, тогда как Domain-Aware Representation and Retrieval (DARR) добавляет похожие исторические фрагменты, найденные методом ближайших соседей.

Hugging Face

SimReady Central объединяет более 2 000 3D-ассетов для симуляций

SimReady Central, новая библиотека на Hugging Face, объединяет более 2 000 подготовленных для симуляций OpenUSD-ассетов. Бесплатная библиотека с открытым доступом предназначена как отправная точка для сред обучения роботов и цифровых двойников AI-фабрик. В ней представлены роботизированные руки и захваты, складское оборудование, стойки, системы охлаждения и другая инфраструктура.

Hugging Face

NVIDIA представила генеративный симулятор хирургии в реальном времени

NVIDIA представила Cosmos3-H-Dreams — исследовательский симулятор, который создает интерактивное видео клинических хирургических процедур. Система обучалась на синхронизированных видеозаписях и данных о кинематике робота, собранных во время холецистэктомий на платформе Versius компании CMR Surgical. NVIDIA называет ее первым генеративным хирургическим симулятором реального времени, обученным на клинических записях холецистэктомий и поддерживающим управление по кинематическим данным.

Hugging Face

FairStress выявляет скрытую демографическую асимметрию решений LLM

Исследователи AI2 представили FairStress — бенчмарк для оценки демографической справедливости больших языковых моделей не только по их итоговому выбору. Он содержит 300 сценариев с двумя кандидатами в 29 областях, включая найм, кредитование, здравоохранение, образование, жильё и уголовное правосудие. В тестах меняется способ представления демографической принадлежности: от полного отсутствия информации до косвенного намёка, демографически маркированного имени или явной метки. Также используются сопоставимые убеждающие указания, названные adversarial prefixes.

Hugging Face

Обучаемая память вывела GPT-4.1 в лидеры retail-теста τ²-bench

ALTK-Evolve с помощью GPT-4.1 извлекает поведенческие рекомендации из предыдущих попыток агента и добавляет их в системный prompt. Веса модели при этом не изменяются, а человеческая разметка не требуется. В retail-разделе τ²-bench такой ReAct-агент получил Pass^4 на уровне 67,5% — то есть выполнил все четыре попытки для этой доли заданий — и превзошёл все retail-результаты в снимке таблицы лидеров от 12 октября 2026 года.

Hugging Face

Hugging Face представила нативную поддержку TPU через TorchTPU

Hugging Face представила TorchTPU — нативный бэкенд для PyTorch, который позволяет использовать Tensor Processing Units Google как обычное устройство. По данным компании, Transformers, Diffusers и Kernels теперь работают с TPU напрямую. Пользователь может загрузить модель из Hub и указать устройство «tpu», не перенося код на JAX и не используя torch_xla.

Hugging Face

AnyLanguageModel 1.0 унифицирует доступ к моделям в Swift-приложениях

Выпущена AnyLanguageModel 1.0 после года разработки и десятков релизов. Swift-пакет задуман как совместимая замена фреймворку Foundation Models от Apple: разработчики могут сохранить один и тот же код сессий, выбирая системные, локальные или размещённые на сервере модели. Одновременно представлены версии 1.0 пакетов swift-huggingface и swift-xet.

Hugging Face

PyTorch 2.15 расширяет возможности MPS на компьютерах Apple

PyTorch 2.15 получил заметные улучшения для MPS на компьютерах с Apple silicon. В обновлении появились тензоры torch.float8_e4m3fn и масштабируемое матричное умножение, благодаря чему значения FP8 занимают вдвое меньше места, чем BF16. Теперь для MPS требуются macOS 15 или новее, а для PyTorch 2.15 — Python 3.11 или новее.