12 articles
CLIPSeg combine CLIP et segmentation pour segmenter des images sans entraînement préalable. Le modèle utilise des descriptions textuelles pour identifier et isoler des objets ou régions spécifiques dans les images, sans nécessiter d'annotations.
Hugging Face introduit les Model Cards, des fiches standardisées documentant les modèles IA (architecture, données d'entraînement, performances, limitations, cas d'usage). Cet outil améliore la transparence et facilite l'évaluation des modèles avant déploiement.
OpenAI présente Point-E, un système générant des nuages de points 3D à partir de descriptions textuelles complexes. Le modèle utilise un processus en deux étapes : génération d'image intermédiaire puis conversion en géométrie 3D. Point-E produit des résultats 60 fois plus rapides que les méthodes diffusion 3D existantes.
OpenAI annonce un nouveau modèle d'embedding plus performant, moins coûteux et plus simple à utiliser.
Hugging Face publie le deuxième numéro de sa newsletter Ethics and Society, consacré aux biais dans l'apprentissage automatique. L'article explore les sources des biais, leurs impacts sociétaux et les approches pour les atténuer dans les systèmes IA.
Guide complet des datasets audio pour l'IA : sources, formats, préparation et bonnes pratiques. Couvre annotation, nettoyage, augmentation et évaluation pour entraîner des modèles robustes.
Habana Gaudi2 surpasse Nvidia A100 80GB en vitesse d'entraînement et d'inférence sur plusieurs modèles LLM. Benchmark comparatif montrant gains de performance sur Llama 2, Mistral et autres architectures.
Hugging Face lance une intégration officielle pour Elixir, permettant aux développeurs d'accéder à GPT-2, Stable Diffusion et autres modèles via la plateforme. Première étape vers l'écosystème ML en Elixir.
Hugging Face publie une illustration pédagogique du processus RLHF (Reinforcement Learning from Human Feedback). L'article détaille comment les modèles de langage sont affinés via retours humains et optimisation par renforcement pour améliorer l'alignement avec les préférences utilisateur.
Hugging Face publie un guide sur l'apprentissage profond appliqué aux protéines. L'article couvre les architectures de modèles, les datasets et les techniques d'entraînement pour prédire structures et propriétés protéiques.
Hugging Face publie un guide d'intégration de Stable Diffusion avec Core ML sur Apple Silicon. La solution permet d'exécuter la génération d'images localement sur Mac sans dépendre de serveurs distants, optimisant les performances matérielles natives.
Hugging Face intègre la prévision probabiliste de séries temporelles dans sa bibliothèque Transformers. La nouvelle fonctionnalité permet de générer des distributions de probabilité pour les prévisions, au-delà des simples points d'estimation. Support de modèles pré-entraînés et fine-tuning.