✷ 归档 · 6,244 篇 dispatch
全部 dispatch
AgentLensHQ 归档的全部内容——提炼自整个 AI 生态。
使用 Hugging Face Diffusers 在 Intel Sapphire Rapids CPU 上微调 Stable Diffusion
Hugging Face 展示了如何仅使用五张示例图像，通过文本反转（textual inversion）在 Intel Sapphire Rapids CPU 上微调 Stable Diffusion 模型，演示了通过 Intel Extension for PyTorch 和 oneCCL 实现的基于 CPU 的微调。
Claude 2 发布说明
Anthropic 发布了 Claude 2，具备 100K 标记的上下文窗口，编码和推理性能提升，相比 Claude 1.3 安全性更强。
使用 Viable 和 GPT-4 分析大规模定性数据
Viable 利用经过微调的 GPT-4 模型，超越简单摘要，提供准确的大规模定性数据分析以获得业务洞察。
OpenAI 前沿 AI 监管提案
OpenAI 和一个多学科研究者小组提出了一种监管框架，用于通过标准制定、注册和合规机制来管理前沿 AI 模型的公共安全风险。
使用 Transformers.js 制作基于机器学习的网页游戏
Hugging Face 演示了如何使用 Transformers.js 和一个微调的 MobileViT 模型创建 Doodle Dash，这是一个完全在浏览器中运行的实时草图检测游戏。
使用 Hugging Face Inference Endpoints 部署 LLMs
Hugging Face Inference Endpoints 是一个托管的 SaaS 解决方案，使开发者能够将开源 LLMs 部署为生产就绪的 API，具备自动扩容、scale-to-zero 和企业级安全等功能。
Hugging Face: 使用开放机器学习模型构建 Web 应用生成器
Hugging Face 演示了如何使用 NodeJS、WizardCoder-15B 模型和 Hugging Face Inference Endpoints API 构建文本到 Web 应用的生成器。
利用 Hugging Face 进行复杂生成式 AI 用例：Writer 案例研究
Hugging Face 强调了其与 Writer 的合作伙伴关系，展示了该公司如何从用户发展为客户和开源贡献者，同时利用 Hugging Face Expert 加速计划实现可扩展的 LLM 生产。
OpenAI 全球对话：洞察与战略重点领域
OpenAI 在 25 座城市和 6 大洲进行了全球倾听之旅，以收集用户、开发者和政策制定者的反馈，以完善其 AI 开发和部署策略。
加速视觉-语言模型：BridgeTower 在 Habana Gaudi2 上
Hugging Face 表明，在 Habana Gaudi2 上使用 Optimum Habana 对 BridgeTower 视觉-语言模型进行微调，通过增加 dataloader 工作进程数和硬件加速的图像解码，可实现比 Nvidia A100 高达 2.5×、比 H100 高 1.4× 的加速。
Anthropic 推出 GlobalOpinionQA 框架，用于衡量 LLM 中主观全球观点的表示
Anthropic 发布了 GlobalOpinionQA，这是一个数据集和定量框架，揭示了大语言模型通常反映美国及某些欧洲的观点，并展示了提示词或翻译如何可以改变但不能完全纠正这些偏差。
OpenAI伦敦办公室开幕
OpenAI 在伦敦开设了其首个国际办事处，以扩大其研发足迹并吸引全球人才，以发展安全的 AGI。
Hugging Face Ethics and Society Newsletter 第4期：文本到图像模型中的偏见
Hugging Face 概述了文本到图像模型中偏见的复杂来源，并提出了一种多管齐下的方法，使用探索工具、红队测试和文档来检测和缓解这些偏见。
Hugging Face Open LLM Leaderboard MMLU 评估分析
Hugging Face 解释了 MMLU 基准测试中不同的实现细节如何导致同一 LLM 的性能评分和排名出现显著差异。
Panel 与 Hugging Face Spaces 的集成
Hugging Face 已将 Panel 模板集成到 Hugging Face Spaces，使用户能够轻松构建和部署基于 Python 的仪表盘和复杂应用。
Hugging Face 回复美国 NTIA 关于 AI 责任的征求意见请求
2023年6月12日，Hugging Face 提交了对美国 NTIA 关于 AI 责任的征求意见的回复，建议责任机制应覆盖完整的 ML 生命周期，将内部文档与外部透明度相结合，并让广泛的利益相关方参与其中。
为低资源 ASR 微调 MMS Adapter 模型
Hugging Face 宣布，在 Meta AI 的 Massive Multilingual Speech (MMS) 模型上微调 adapter 层，仅需几分钟训练即可为低资源语言提供最先进的词错误率 (WER)，同时比全模型微调更节省内存。
Autoformer – Transformer 在时间序列预测中有效
Hugging Face 宣布 Autoformer 模型现在可在 🤗 Transformers 库中使用，表明基于 Transformer 的模型在时间序列预测基准测试中优于如 DLinear 这样的简单线性基线。
Hugging Face 内容指南和政策更新
Hugging Face 已更新其内容政策，以应对审核机器学习制品的独特挑战，并将同意作为核心价值，以保护用户权利和隐私。
将 Livebook 笔记本部署为 Hugging Face Spaces 的应用
Hugging Face 现在支持将 Livebook 笔记本部署为 Hugging Face Spaces 的交互式应用，使得基于 Elixir 的机器学习应用可以轻松共享。
在 iPhone、iPad 和 Mac 上通过 Core ML 实现更快的 Stable Diffusion
Hugging Face 和 Apple 在 Core ML 中引入了 6-bit palettization 和更新的 attention layer 优化，从而显著降低了 Stable Diffusion 在 Apple 设备上的内存占用并提高了推理速度。
OpenAI 函数调用和 API 更新
OpenAI 为 gpt-4-0613 和 gpt-3.5-turbo-0613 引入了函数调用，使模型能够输出结构化 JSON 以用于外部工具和 API 集成。
Hugging Face 与 AMD 合作以加速模型
Hugging Face 与 AMD 已合作，优化适用于 AMD CPU、GPU 和 AI 加速器的最先进 transformer 模型，以提升训练和推理的性价比标准。
Anthropic 向 NTIA 提交的 AI 问责制建议书
Anthropic 向 NTIA 提交了一份全面的 AI 问责制框架提案，重点关注标准化评估、风险响应式评估以及大规模训练任务的预注册。
面向画廊、图书馆、档案馆和博物馆的 Hugging Face Hub
Hugging Face 发布了一份指南，展示了画廊、图书馆、档案馆和博物馆如何利用其 Hub 来分享模型、数据集和演示，从而降低 GLAM 领域使用机器学习的门槛。
基础模型能像人类一样标注数据吗？Hugging Face 分析
Hugging Face 调查了 GPT-4 是否能可靠地替代人类标注者进行 LLM 偏好评估，发现存在显著的位置偏差和冗长偏差，限制了其作为人类判断代理的准确性。
Hugging Face Hub 和 DuckDB 集成用于数据集分析
Hugging Face 现在允许用户通过 DuckDB 在 Hub 上超过 50,000 个已自动转换为 Parquet 格式的公开数据集上运行 SQL 查询。
fastText 与 Hugging Face Hub 集成
Hugging Face 现在托管了 157 种语言的 fastText 词向量官方镜像以及一个语言识别模型，简化了模型的访问和部署。
Falcon 模型发布及 Hugging Face 生态集成
Hugging Face 宣布了 Falcon 家族的开源 Apache‑2.0 语言模型，突出 Falcon‑40B 在 Open LLM 排行榜上的顶尖排名，并展示了如何使用 Hugging Face 工具运行、量化和微调这些模型。
AI 语音识别在 Unity 中
Hugging Face 提供了一份指南和 API，用于在 Unity 游戏中实现最先进的自动语音识别（ASR），以启用语音命令和 NPC 交互。
OpenAI网络安全资助计划
OpenAI 已启动 $1M 的网络安全资助计划，以赋能防御者并量化 AI 在网络安全中的作用，随后随着 GPT-5.3-Codex 的发布，演变为包含 额外 $10M 的 API 积分和面向网络的可信访问。
Hugging Face 开源 AI Game Jam 公告
Hugging Face 将于 2023 年 7 月 7 日至 9 日举办开源 AI Game Jam，以鼓励游戏开发者将开源生成式 AI 工具集成到他们的开发工作流和游戏功能中。
OpenAI 通过过程监督改进数学推理
OpenAI 通过奖励每一步正确的推理（过程监督）而不仅仅是最终答案（结果监督）来改进数学问题求解的方法，从而实现了最先进的性能和更好的 AI 对齐。
BERTopic 与 Hugging Face Hub 的集成
Hugging Face 博客文章中关于 BERTopic 与 Hub 集成的公告，除标题外没有提供可读的详细信息。
Hugging Face LLM 推理容器 适用于 Amazon SageMaker
Hugging Face 推出了一个专门构建的 LLM 推理容器（DLC），适用于 Amazon SageMaker，由 Text Generation Inference (TGI) 提供动力，以实现开源大型语言模型的高性能部署。
OpenAI 民主输入 AI 计划
OpenAI 启动了一项资助计划，资助十项每项 100,000 美元的实验，旨在开发用于决定 AI 系统应遵循规则的民主程序。
使用 NNCF 和 🤗 Optimum 优化 Intel CPU 上的 稳定扩散
Hugging Face 宣布了一种使用 NNCF 和 Optimum 对 稳定扩散 进行量化并应用 令牌合并 的工作流程，在 Intel CPU 上实现了最高 5.1 倍的推理速度提升以及模型占用空间减少 4 倍。
Hugging Face 在 Azure Machine Learning 上的模型目录
Hugging Face 和 Microsoft 在 Azure Machine Learning Studio 内推出了 Hugging Face Hub 模型目录的原生集成，以简化在安全的 Azure 基础设施上部署开源模型。
Hugging Face 4 位量化与 QLoRA 发布
Hugging Face 宣布通过 bitsandbytes 支持 4 位量化，并推出 QLoRA 方法，使得在消费级 GPU 上即可进行大语言模型的推理和适配器微调。
Anthropic 可解释性愿景研究计划
Anthropic概述了其在机械可解释性方面的长期愿景，重点是通过解决叠加挑战来实现对大规模神经网络的分析。
Anthropic Circuits Updates May 2023
Anthropic 2023 年 5 月的可解释性更新涵盖了对多智能体系统故障、工人再培训计划证据以及 Claude 研究版本在 Riemann zeta function 上的进展的研究。
使用 InstructPix2Pix 对 Stable Diffusion 进行指令微调
Hugging Face 探索将 InstructPix2Pix 扩展，以通过多任务指令微调方法教会 Stable Diffusion 遵循特定的图像转换和低层处理指令。
Hugging Face Safetensors 安全审计与默认采用
在 Trail of Bits 的安全审计确认未发现导致任意代码执行的关键缺陷后，Hugging Face、EleutherAI 和 Stability AI 正在将 safetensors 作为默认模型保存格式进行迁移。
Hugging Face 与 IBM 在 watsonx.ai 的合作
Hugging Face 与 IBM 合作，将 Hugging Face 开源库和模型集成到 watsonx.ai 中，watsonx.ai 是一个用于训练、调优和部署基础模型的企业 AI 工作室。
Anthropic 融资 4.5 亿美元完成 C 轮，旨在扩大可靠 AI 产品的规模
Anthropic 宣布完成由 Spark Capital 领投的 4.5 亿美元 C 轮融资，旨在加速 Claude 助手的开发，扩大产品阵容，并为 AI 安全研究提供资金。
OpenAI 超级智能治理提案
OpenAI 提出一个由国际协调、类似 IAEA 的全球监管机构以及先进安全研究组成的三大支柱框架，以管理超级智能。
Q8-Chat：在 Intel Xeon CPU 上实现高效生成式 AI
Hugging Face 与 Intel 展示，使用 SmoothQuant 将 LLM 压缩为 8 位整数，可在单插槽 Intel Xeon CPU 上高效运行高质量的聊天体验。
大规模近似去重背后的 BigCode
Hugging Face 详细说明了在 BigCode 项目中使用 MinHash 和局部敏感哈希（LSH）进行大规模近似去重，展示了去除近似重复数据能够提升模型性能和训练效率。
Anthropic 与 Zoom 的合作伙伴关系与投资
Anthropic 与 Zoom 已达成合作伙伴关系，将 Claude AI 集成到 Zoom 的企业协作产品中，且 Zoom Ventures 已投资 Anthropic。
RWKV 架构集成到 Hugging Face Transformers
Hugging Face 宣布将 RWKV RNN‑Transformer 混合模型集成到 Transformers 库中，使开源的长上下文语言模型能够兼具 RNN 的高效性和 Transformer 的性能。