8 articles
OpenAI publie une approche pour aligner les modèles de langage sur le suivi d'instructions. La méthode améliore la capacité des modèles à comprendre et exécuter des directives utilisateur précises, réduisant les réponses hors-sujet.
OpenAI lance un nouvel endpoint API pour les embeddings texte et code. Cet outil permet la recherche sémantique, le clustering, la modélisation de sujets et la classification.
Hugging Face améliore son moteur de recherche sur le Hub avec des capacités avancées. La plateforme intègre des filtres sophistiqués et une indexation optimisée pour accélérer la découverte de modèles, datasets et espaces.
OpenAI publie une méthode d'entraînement par contraste pour générer des embeddings texte et code. La technique améliore la représentation sémantique des données pour les tâches de recherche et de similarité.
Stable-baselines3, une bibliothèque Python pour l'apprentissage par renforcement, intègre le Hugging Face Hub. Les modèles entraînés peuvent être partagés, versionnés et réutilisés directement via la plateforme.
Hugging Face Infinity permet d'atteindre une latence en millisecondes sur CPU moderne pour l'inférence de modèles. Étude de cas montrant l'optimisation des performances sans GPU.
Hugging Face améliore Wav2Vec2 en intégrant des n-grammes dans la bibliothèque Transformers. Cette optimisation renforce la performance du modèle de reconnaissance vocale sans modification architecturale majeure.
Guide de déploiement du modèle GPT-J 6B sur Amazon SageMaker via Hugging Face Transformers. Explique la configuration d'inférence et l'intégration des outils pour servir le modèle en production.