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 новин · усі джерела

Hugging Face

В Isaac Sim показали симуляцію захоплення та переміщення банки

Нове керівництво описує завдання із захоплення та переміщення банки з напоєм в Isaac Sim. У сцені використано маніпулятор UR17G, захват Robotiq 2F-140 і модель банки. Їх об’єднують, перевіряють, а потім керують роботом для захоплення банки, підйому, перенесення до цільової точки та відпускання. Приклад працює з Isaac Sim 6.2 і агентом, який допомагає створювати код керування. У демонстрації застосовано GPT-6 Sol, але можуть працювати й інші поєднання агента та моделі.

Hugging Face

XYBench перевіряє, чи розв’язують ШІ-асистенти справжню проблему

Дослідники представили XYBench — бенчмарк із 8 115 реальних запитань, призначений для перевірки того, чи розпізнають ШІ-асистенти хибні припущення та працюють із основною метою користувача. Запитання охоплюють програмування й повсякденні справи, зокрема приготування їжі та домашній ремонт. XYBench отримав нагороду за найкращу ресурсну статтю на EMNLP 2026.

Hugging Face

llama.cpp і ggml випустили версії 1.0.0

Проєкт llama.cpp випустив бібліотеку версії 1.0.0, а разом із нею — версію 1.0.0 бібліотеки ggml для тензорних операцій у машинному навчанні. Команда пов’язує цей етап зі зростанням кількості сторонніх застосунків, що залежать від інтерфейсів проєктів. Надалі несумісні зміни публічного API або ABI у llama.cpp і ggml позначатимуться підвищенням мажорної версії.

Hugging Face

Випущено експериментальні моделі LLMON для Granite 4.1

Дослідники IBM представили дві експериментальні моделі попереднього перегляду — granite-4.1-3b-LLMON-preview і granite-4.1-8b-LLMON-preview. Їх створено на основі базових моделей Granite 4.1 та навчено читати й генерувати текст у форматі LLMON, або LLM Object Notation, розробленому для великих мовних моделей.

Hugging Face

Посібник описує донавчання TRELLIS.2 для 3D-генерації

Новий посібник містить скрипти й Docker-контейнери для адаптації TRELLIS.2 до спеціалізованих наборів 3D-об’єктів. Процес можна запускати локально або через Hugging Face Jobs, попередньо завантаживши меші набору даних до Hugging Face Hub. Експеримент присвячений підвищенню точності геометрії взуття та використовує 188 об’єктів із Google Scanned Objects, який загалом містить 1 030 об’єктів.

Hugging Face

BotPsy представляє локального агента з 0,8 мільярда параметрів

Tether AI Research представила BotPsy — мовну модель із 0,8 мільярда параметрів, створену на основі Qwen3.5-0.8B для виклику функцій і агентних сценаріїв. Модель призначена для роботи на пристрої як персональний помічник у завданнях, пов’язаних із вебпошуком і дослідженнями, подорожами, торгівлею, фінансами, керуванням пристроями, файлами, календарем, електронною поштою та повідомленнями. Розробники зазначають, що вона найкраще підходить для завдань низької та середньої складності й не призначена для критично важливого використання.

Hugging Face

Навчання з урахуванням об’єднання покращує стиснений пошук

Багатовекторні моделі embedding представляють документ набором контекстних векторів його токенів. Завдяки цьому різні частини запиту можуть зіставлятися з різними фрагментами документа, однак обсяг збережених даних швидко зростає. Об’єднання токенів зменшує його, зливаючи подібні вектори. HierarchicalTokenPooling застосовує ієрархічну кластеризацію Ward і замінює кожну групу її середнім вектором.

Hugging Face

Hugging Face запровадила оплату через Google Cloud

Організації в Hugging Face тепер можуть пов’язати свої акаунти з Google Cloud через Google Cloud Marketplace. Після підключення витрати за використання Hugging Face відображаються в наявному рахунку Google Cloud, а не списуються з банківської картки.

Hugging Face

Hugging Face описала моделі для структурованих рішень

Hugging Face опублікувала огляд моделей рішень — підходу для застосунків, яким потрібен структурований вибір, а не згенерований текст. Отримуючи стан, набір запитань і заздалегідь визначені відповіді, така модель повертає рішення разом із розподілами ймовірностей. У статті інтерфейс подано як «Стан + Запитання + Допустимі відповіді → Рішення + Ймовірності».

Hugging Face

Синтетичний набір даних описує демографію та фінанси Японії

Elith і NVIDIA випустили Nemotron-Personas-Finance-Japan — синтетичний набір даних для розроблення фінансового штучного інтелекту в Японії. Він поєднує офіційну демографічну статистику та дані про працю з відомостями про фінанси домогосподарств і фінансову грамотність. Це дає змогу створювати й оцінювати системи без використання реальних клієнтських записів. Набір доступний для комерційного та некомерційного використання за ліцензією CC BY 4.0.

Hugging Face

HOPE скорочує експертів MoE, зберігаючи їхню взаємодію

Метод HOPE має зменшити потребу в пам’яті мовних моделей із mixture-of-experts (MoE), вилучаючи менш корисних експертів і враховуючи зв’язки між ними. MoE-моделі можуть містити сотні експертів, але для кожного токена активується лише невелика частина. Наприклад, у Qwen3.5-122B кожен із 48 MoE-шарів містить 256 експертів, а для окремого токена використовуються вісім. Експертні MLP-модулі займають близько 95% із приблизно 250 ГБ пам’яті, потрібної для параметрів моделі.