12 articles
Hugging Face publie un guide complet pour entraîner des modèles de langage avec la bibliothèque Transformers en utilisant TensorFlow et les TPUs de Google. Le tutoriel couvre l'optimisation des performances et les bonnes pratiques pour l'entraînement distribué à grande échelle.
Databricks et Hugging Face annoncent une intégration offrant jusqu'à 40% d'accélération de l'entraînement et du fine-tuning de LLM. La collaboration optimise les workflows de training sur l'infrastructure Databricks.
Hugging Face montre comment exécuter IF (Imagen Diffusion) sur Google Colab gratuit via la librairie diffusers. Tutoriel pratique pour générer des images sans GPU payant.
OpenAI permet aux utilisateurs de ChatGPT de désactiver l'historique des conversations, contrôlant ainsi quelles données peuvent servir à l'entraînement des modèles.
Hugging Face lance un blog dédié aux locuteurs chinois pour renforcer la collaboration avec la communauté IA chinoise. Initiative visant à améliorer l'accès aux ressources et à faciliter les échanges techniques.
Hugging Face explique comment héberger un jeu Unity dans un Space. Le tutoriel couvre le déploiement d'applications interactives 3D sur la plateforme, permettant aux développeurs de partager leurs jeux directement en ligne sans infrastructure externe.
Hugging Face optimise ses Transformers pour AWS Inferentia2, réduisant la latence et augmentant le débit d'inférence. Intégration native des modèles populaires (Llama, Mistral, Phi) avec support du quantization et du batching.
Hugging Face présente une méthode de classification de graphes utilisant des transformers. L'approche combine l'architecture transformer avec des représentations de graphes pour améliorer les performances sur des tâches de classification structurées.
Substra, plateforme open-source de Hugging Face, permet de construire des systèmes IA respectueux de la vie privée via le federated learning et le calcul sécurisé. Elle facilite l'entraînement décentralisé de modèles sans centraliser les données sensibles.
OpenAI lance un programme de bug bounty pour renforcer la sécurité de ses technologies et services. L'initiative s'inscrit dans l'engagement de l'entreprise à développer une IA sûre et avancée.
Snorkel AI et Hugging Face s'associent pour permettre aux entreprises d'accéder et d'adapter les modèles de fondation. La collaboration intègre les outils de Snorkel (labélisation de données, fine-tuning) avec l'écosystème Hugging Face pour simplifier le déploiement en production.
Hugging Face publie un guide pratique pour entraîner LLaMA avec RLHF (Reinforcement Learning from Human Feedback). Le tutoriel couvre l'implémentation complète, de la préparation des données à l'optimisation du modèle, avec code reproductible et exemples concrets.