全部 dispatch

在 AMD GPU 上使用 ROCm 运行 Vicuna 13B

Hugging Face 提供了一份技术指南，介绍如何在单个 AMD GPU 上使用 ROCm 和 GPTQ 4 位量化部署 Vicuna 13B 开源聊天机器人，将内存需求从 28GB 降至 7.52GB。

Hugging Face 入选 CNIL 增强支持计划

Hugging Face 被法国数据保护机构（CNIL）选入其增强支持计划，以提升在 AI 开发中数据保护和 GDPR 合规的实施。

Hugging Face 低延迟文本生成的辅助生成

Hugging Face 推出了辅助生成，这是一种解码方法，使用更小的助手模型预测候选标记，然后由更大的模型进行验证，从而在某些硬件配置下将延迟降低至最高 10 倍。

Anthropic 宣布为 Claude 提供 100K Token 上下文窗口

Anthropic 将 Claude 的上下文窗口从 9K 扩展到 100K tokens，使模型能够在不到一分钟的时间内摄取并分析数百页的文本。

OpenAI 使用 GPT‑4 发布 GPT‑2 自动神经元解释数据集

OpenAI 宣布了一种使用 GPT‑4 为 GPT‑2 中每个神经元生成并评分自然语言解释的方法，并向研究社区发布了相应的数据集、查看器和代码。

使用 StarCoder 创建编码助手 – 摘要

Claude 的宪法：通过实现宪法 AI 进行模型对齐

Anthropic 介绍了宪法 AI，这是一种通过使用一套明确的书面原则而非仅仅依赖隐式人类反馈来训练 Claude 变得有用、诚实且无害的方法。

深入文本到视频模型

Hugging Face 提供了文本到视频生成模型演进的技术概览，详细阐述了从 GAN 到 Transformer 再到 Diffusion 架构的转变，并突出时间一致性和数据稀缺的独特挑战。

StarCoder 发布说明

Hugging Face 与 ServiceNow 的 BigCode 合作发布了 StarCoder 和 StarCoderBase，这两款 15B 参数的代码 LLM 在许可宽松的数据上进行训练，在多个编程基准上超越了多种开放和闭源模型。

Anthropic 研究：分布式表示、组合与叠加

Anthropic 阐明了分布式表示中组合与叠加之间的区别，解释了这两种机制如何影响神经网络中的泛化能力和线性可计算性。

Hugging Face Unity API 安装与使用指南

Hugging Face Unity API 允许开发者通过专用的包和 API 向导，将 Hugging Face 推理 API 模型集成到 Unity 项目中。

使用 Hugging Face Transformers、TensorFlow 和 TPU 训练语言模型

Hugging Face 提供了一套可扩展的端到端指南，使用 TensorFlow 和 TPU pod 从头训练掩码语言模型，利用 XLA 兼容性实现高性能计算。

Databricks 与 Hugging Face 集成 Apache Spark 加速 LLM 训练

Databricks 通过 Dataset.from_spark() 函数在 Hugging Face Datasets 中引入了一流的 Apache Spark 支持，将大规模模型训练和调优的数据加载时间降低了最高 40%。

在免费版 Google Colab 上使用 Diffusers 运行 DeepFloyd IF

Hugging Face 展示了如何通过 8 位量化、模块化管道加载以及 Diffusers 集成的优化，在免费 Google Colab 笔记本上运行开源的 DeepFloyd IF 文本到图像模型。

Anthropic 与 Scale 合作伙伴关系，助力企业级生成式 AI

Anthropic 已与 Scale 合作，将 Claude AI 助手集成到 Scale 的平台中，为企业提供部署工具、提示工程和安全的数据集成。

OpenAI 为 ChatGPT 引入全新数据管理控制

OpenAI 引入了一项新设置，可禁用聊天历史以防止在用户对话上进行模型训练，同时计划推出 ChatGPT Business 订阅和全新数据导出工具。

Hugging Face推出中文语言博客，支持全球AI社区

Hugging Face 已推出专门的中文语言博客（hf.co/blog/zh），提供翻译的技术资源，促进与中国 AI 社区更深入的合作。

在 Hugging Face Spaces 上托管 Unity 游戏

Hugging Face Spaces 可以通过使用 Static HTML 模板和 WebGL 构建目标来托管可玩的 Unity 游戏。

Anthropic 关于增加 NIST AI 测量资金的提案

Anthropic 建议雄心勃勃地为美国国家标准与技术研究院 (NIST) 提供资金，以开发标准化的 AI 测量工具和安全阈值，他们认为这是有效 AI 监管的前提条件。

使用 AWS Inferentia2 加速 Hugging Face Transformers

Hugging Face 与 AWS 已针对 AWS Inferentia2 这一专用推理加速器对 Transformers 进行优化，显著降低延迟并提升大规模模型的吞吐量。

使用 Transformers 进行图分类

Hugging Face 演示了如何在 Transformers 库中使用 Graphormer 模型进行图分类，涵盖数据格式化、预处理和微调。

使用 Substra 创建隐私保护的 AI

Hugging Face 和 Substra 强调了联邦学习如何在去中心化的数据源上训练 AI 模型，以保持隐私和安全，尤其是在医疗等敏感领域。

OpenAI 漏洞赏金计划公告

OpenAI 与 Bugcrowd 合作推出了漏洞赏金计划，以奖励安全研究人员发现并修复其系统中的漏洞。

Snorkel AI 与 Hugging Face 的企业基础模型集成

Snorkel AI 与 Hugging Face 合作，将 Hugging Face Inference Endpoints 集成到 Snorkel Flow 中，使企业能够轻松访问并适配超过 150,000 个开源基础模型。

OpenAI 对 AI 安全的方案

OpenAI 采用多层次的安全策略，结合严格的部署前测试、迭代的真实世界部署以及持续的对齐研究，以降低强大 AI 系统带来的风险。

StackLLaMA：使用 RLHF 训练 LLaMA 以用于 Stack Exchange

Hugging Face 推出 StackLLaMA，这是一款通过监督微调、奖励建模和人类反馈强化学习 (RLHF) 训练的模型，用于回答 Stack Exchange 的问题。

Hugging Face伦理与社会通讯 #3：伦理开放倡议

Hugging Face宣布了新的伦理开放措施——包括六个伦理标签、标记系统以及受众引导元数据——以使开源机器学习更安全、更具包容性。

在 Intel Sapphire Rapids CPU 上加速 Stable Diffusion 推理

Hugging Face 展示了如何在 Intel Sapphire Rapids CPU 上使用 Optimum Intel、OpenVINO、系统级调优、IPEX BF16 以及更快的调度器，将 Stable Diffusion 图像生成的时间从 32 秒缩短至约 5 秒。

在 Habana Gaudi2 加速器上进行 BLOOMZ 推理

Hugging Face 演示了 Habana Gaudi2 加速器在 BLOOMZ 176B 模型上的推理速度快于 Nvidia A100 80GB，利用 Optimum Habana 库和 DeepSpeed‑inference 实现。

使用 Hugging Face 与 Flower 的联邦学习

Hugging Face 演示了如何使用 Flower 框架在预训练的 distilBERT 模型上进行联邦学习，以在 IMDB 数据集上进行情感分析。

OpenAI 3月20日 ChatGPT 中断与数据泄露分析

OpenAI 于 2023 年 3 月 20 日因开源库中的漏洞将 ChatGPT 下线，该漏洞导致部分活跃的 ChatGPT Plus 订阅者的聊天标题和付款信息被泄露。

使用 Hugging Face Diffusers 训练 ControlNet

Hugging Face 通过 diffusers 库提供了完整的指南和训练脚本，使用户能够为 Stable Diffusion 训练自定义 ControlNet 模型，示例展示了如何创建一个 “Uncanny Faces” 姿态模型。

ChatGPT 插件发布

OpenAI 为 ChatGPT 引入了插件，使模型能够访问实时信息、执行计算并与第三方服务集成，以扩展其功能并减少幻觉。

Hugging Face Hub 改进的 Jupyter Notebook 支持

Hugging Face 为托管在 Hub 上的 Jupyter Notebook 引入了可读性更强的渲染，提升了机器学习从业者的可复现性和可访问性。

GPT即GPT：大型语言模型对劳动力市场的影响

OpenAI的研究表明，约80%的美国劳动力可能至少有10%的工作任务受到大型语言模型的影响，使其成为通用技术。

Anthropic 揭示了 Transformer 残差流中的特权基底

Anthropic 发现 Transformer 残差流维度并非任意，而是与特权基底对齐，这很可能是由于 Adam 的逐维度归一化器造成的，从而挑战了先前的理论假设。

OpenAI GPT-4 公告及功能概述

OpenAI 宣布推出 GPT‑4，这款大型多模态模型在众多专业基准上实现了人类水平的表现，并已通过 ChatGPT、API 候补名单以及开源评估工具向外部提供。

OpenAI 宣布为 Be My Eyes 推出基于 GPT‑4 的虚拟志愿者

OpenAI 将 GPT‑4 的视觉输入功能集成到 Be My Eyes 应用中，创建了一个能够描述、分析并就图像进行对话的虚拟志愿者，显著提升了盲人和低视力用户的视觉可访问性。

Stripe GPT-4 集成案例研究

Stripe 在其平台上集成了 GPT-4，以自动化业务概述、通过文档分析提升开发者支持，并改进社区论坛的欺诈检测。

Duolingo 整合 GPT-4 以实现高级语言学习

Duolingo 推出了 Duolingo Max，这一全新订阅层级提供基于 GPT-4 的角色扮演和“解释我的答案”功能，以实现沉浸式对话练习和情境语法反馈。

可汗学院整合 GPT-4 为 Khanmigo AI 助手提供动力

可汗学院正在试点 Khanmigo，这是一款由 GPT-4 驱动的 AI 导师和教师助理，旨在提供个性化学习和教学支持。

OpenAI 与冰岛政府合作，保护冰岛语

OpenAI 已与冰岛政府及私营企业合作，利用 GPT-4 和强化学习人类反馈（RLHF）在数字时代保护冰岛语。

介绍 Claude

Anthropic 发布了 Claude，这是一款旨在提供有用、诚实且无害服务的下一代 AI 助手，提供高性能版本和快速、轻量级版本。

OpenAI GPT-4 发布

OpenAI 发布了 GPT-4，这是一个大型语言模型，与 GPT-3.5 相比，它展现出了先进的推理能力、更高的解题准确性，以及改进的安全性和事实可靠性。

使用 Informer 的多变量概率时间序列预测

Hugging Face 已将 Informer 模型集成到 Transformers 库中，实现了高效的多变量概率时间序列预测，并降低了计算和内存复杂度。

在 24GB 消费级 GPU 上对 20B LLM 进行 RLHF 微调

Hugging Face 发布了 TRL 与 PEFT 的集成，使得使用 8 位量化和低秩适配器在单个 24 GB GPU 上对 200 亿参数的语言模型进行强化学习微调。

Anthropic 对 AI 安全的核心观点

Anthropic 概述了一种由经验驱动、基于组合方案的 AI 安全方法，以减轻与变革性 AI 系统快速缩放相关的灾难性风险。

Kakao Brain ViT 与 ALIGN 模型发布，使用 COYO 700M 数据集

Kakao Brain 与 Hugging Face 发布了在全新 700 M 图文 COYO 数据集上训练的开源 ViT 与 ALIGN 视觉语言模型，提供了首个公开可用的 ALIGN 模型以及具备可复现训练数据的 ViT 模型。

Diffusers 中的 ControlNet

Hugging Face 已将 ControlNet 集成到 Diffusers 库中，使得能够通过 Canny 边缘、深度图和人体姿态等条件，实现对 Stable Diffusion 图像生成的精确空间控制。

使用机器学习进行灾害响应：afetharita 项目

Hugging Face 介绍了志愿者如何利用 Hugging Face 生态系统快速部署 OCR、NER 和遥感的机器学习模型，以帮助 2023 年 2 月土耳其地震的幸存者。