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 новин · усі джерела

Hugging Face

Mistral Large 4 із мультимодальними можливостями представили на Hugging Face

Mistral Large 4, також відомий як Le Chonk, опубліковано на Hugging Face як мультимодальну та багатомовну модель Mixture-of-Experts. Вона приймає текст і зображення, а генерує текст. Модель має близько 1T загальних параметрів, 49B активних параметрів і контекстне вікно на 1M токенів. Офіційні варіанти доступні у форматах FP8 і NVFP4, а Unsloth та команда llama.cpp створили версії GGUF. Модель поширюється за ліцензією Mistral Ecosystem Open-Weight License — похідною від MIT із обмеженнями для пропозицій model-as-a-service.

Hugging Face

Project ProtoStar прагне зробити публічну науку готовою для ШІ

Project ProtoStar об’єднає університети, наукові організації, індустрію та спільноту відкритої науки, щоб спростити пошук, повторне використання й поєднання публічно фінансованих наукових наборів даних, моделей і коду. Ініціатива підтримує публікацію таких матеріалів у готових для ШІ та машиночитаних форматах на відкритій інфраструктурі. Серед партнерів-засновників — Carnegie Mellon University, Purdue University, Georgia Institute of Technology, Arizona State University, The George Washington University, Astera Institute, Hugging Face і Open Research Community Accelerator.

Hugging Face

AnySpeechRecognizer і AnyDecisionModel розширюють вибір моделей для Apple

Нові Swift-пакети AnySpeechRecognizer і AnyDecisionModel додають варіанти моделей для розпізнавання мовлення та структурованих рішень на платформах Apple. AnySpeechRecognizer відтворює інтерфейс API навколо Apple SpeechAnalyzer, але дає змогу обирати інший рушій. Пакет підтримує локальну роботу Parakeet від NVIDIA та Qwen3-ASR від Alibaba через Core ML, а також стандартний рушій Apple.

Hugging Face

NVIDIA випустила багатомовну модель Nemotron 3.5 Transcribe

NVIDIA випустила Nemotron 3.5 Transcribe — модель із відкритими вагами, доступну на Hugging Face і ModelScope. Один чекпойнт поєднує транскрибування, визначення мовців, переклад і відповіді на запитання про аудіо. Модель працює з 40 мовами, перекладає 31 із них на англійську або з англійської, визначає мовців 13 мовами, обробляє записи тривалістю до години та може позначати до восьми мовців.

Hugging Face

LFM3 об’єднує спеціалізовані мультимодальні моделі на спільній основі

LiquidAI представила LFM3 — нове покоління Liquid Foundation Models, створене як основа для спеціалізованих систем. Сімейство охоплює текст, зображення, аудіо, комбіновані входи та завдання ухвалення рішень. Шість моделей класу 2B походять від LFM3-1.7B-Base. За описом розробників, кожну модель можна донавчати на власних даних за допомогою одного графічного процесора й розгортати безпосередньо на пристрої.

Hugging Face

Дослідження виявило нестабільність оцінювання новизни ідей мовними моделями

Нове дослідження Ai2 перевіряє, наскільки надійно великі мовні моделі можуть визначати новизну наукових ідей. Автори опублікували бенчмарк Old Ideas, Novel Problems, дані й код, а також автоматизований процес для створення нових наборів оцінювання. Він охоплює як абсолютні оцінки новизни, так і порівняння двох ідей.

Hugging Face

LitPivot поєднує розвиток дослідницьких ідей із науковою літературою

Ai2 спільно з дослідниками Пенсильванського університету розробила LitPivot — систему для розвитку дослідницьких ідей на ранніх етапах із постійним урахуванням наукової літератури. Інструмент використовує праці, знайдені через Asta Paper Finder, і групує їх відповідно до частини пропозиції, яку редагують: проблеми, запропонованого внеску або плану оцінювання.

Hugging Face

Новий Space перевіряє моделі Transformers на AWS Trainium

Hugging Face представила Space для перевірки підтримки моделей за допомогою torch-neuronx. Він показує, чи можуть вибрані моделі Transformers працювати на AWS Trainium без змін. Початковий розділ містить моделі, відібрані серед найзавантажуваніших і найпопулярніших на Hub, а окремі розділи відтворюють відповідні рейтинги. Пошук моделі показує результат, кількість задіяних ядер Trainium, загальний час роботи з урахуванням компіляції та пікове використання пам’яті пристрою. Також можна вибрати версії компілятора й Transformers.

Hugging Face

ThinkingBox перетворює перевірки баз даних на винагороди для агентів

Microsoft і Hugging Face повідомили, що ThinkingBox-Training доступний на GitHub. Система оцінює роботу агента за кінцевим станом бази даних, а не лише за викликами інструментів або заявою моделі про завершення завдання. Виконувані перевірки можуть безпосередньо формувати бінарну винагороду для навчання з підкріпленням.

Hugging Face

OlmoEarth v1.3 надає глобальні супутникові ембединги

OlmoEarth v1.3 — модель супутникових ембедингів, що перетворює часові ряди радарних і мультиспектральних даних на придатні для повторного використання ознаки. Вона обробляє річні дані Sentinel-1, Sentinel-2 і Landsat та створює 128-вимірний вектор для кожного 10-метрового пікселя Землі. Перші 64 виміри можна використовувати окремо як компактніший ембединг. Попередньо обчислені ембединги всієї планети оприлюднено в обох варіантах.

Hugging Face

Ансамбль IBM Granite поєднує чотири моделі для прогнозування часових рядів

IBM представила Granite Timeseries Ensemble — рецепт прогнозування, що поєднує чотири попередньо навчені моделі часових рядів через спільний інтерфейс. Система формує точковий прогноз у вигляді медіани та квантильні прогнози без перенавчання моделей і без підбору ваг за історичними помилками. До стандартної конфігурації входять Granite PatchTST-FM-r1, Granite PatchTST-FM-r2, Granite FlowState-r1.1 і Granite TTM-r3. Вони представляють архітектури patched Transformer, patched Conformer, модель простору станів і MLP-mixer.

Hugging Face

Kumo Relational показала кращі результати без спеціального навчання

NVIDIA представила Kumo Relational — попередньо навчену фундаментальну модель для прогнозування безпосередньо на реляційних базах даних. За предиктивним запитом вона використовує до 10 000 історичних прикладів як контекст і оцінює, зокрема, відтік клієнтів, попит або шахрайство. Модель не потребує навчання під окреме завдання, розроблення ознак чи перетворення таблиць на одну пласку структуру, хоча за потреби її можна донавчити.