21 articles
Hugging Face déploie son pipeline de génération de texte sur l'accélérateur Intel Gaudi 2. La solution optimise l'inférence de modèles de langage sur le matériel Intel, offrant une alternative aux GPU traditionnels pour les déploiements en production.
Hugging Face publie StarCoder2, modèle de code open-source entraîné sur The Stack v2 (dataset de 17B tokens de code). StarCoder2 surpasse CodeLlama sur plusieurs benchmarks (HumanEval, MBPP). Disponible en versions 3B, 7B et 15B, avec poids et code source libres.
Hugging Face lance TTS Arena, une plateforme de benchmark pour évaluer les modèles text-to-speech en conditions réelles. Les utilisateurs comparent les sorties audio de différents modèles TTS via des votes, créant un classement dynamique basé sur les préférences humaines.
Hugging Face publie un guide sur les techniques de watermarking pour l'IA, couvrant les outils et méthodes de marquage des contenus générés par modèles. Le guide explore les approches existantes et leurs cas d'usage pour tracer l'origine des données synthétiques.
Hugging Face publie un guide complet pour fine-tuner les modèles Gemma. La documentation couvre les techniques d'optimisation mémoire, l'utilisation de LoRA et les configurations recommandées pour adapter Gemma à des tâches spécifiques.
Hugging Face présente les modèles d'embedding Matryoshka, qui permettent de réduire dynamiquement la dimensionnalité des vecteurs sans réentraînement. Cette approche offre flexibilité et efficacité pour les applications RAG et recherche vectorielle.
Hugging Face lance un leaderboard de red-teaming pour évaluer la robustesse des modèles IA face aux attaques adversariales. L'initiative mesure la capacité des systèmes à résister aux tentatives de contournement de leurs garde-fous.
Google lance Gemma, une nouvelle famille de modèles de langage open-source basée sur l'architecture de Gemini. Disponible en versions 2B et 7B, Gemma est optimisée pour l'efficacité et peut tourner sur du matériel grand public.
Hugging Face lance l'Open Ko-LLM Leaderboard, un classement dédié à l'évaluation des modèles de langage coréens. Cette initiative établit un écosystème d'évaluation standardisé pour les LLM en langue coréenne, permettant de comparer les performances des modèles sur des benchmarks spécifiques au contexte linguistique coréen.
PEFT ajoute de nouvelles méthodes de fusion de modèles. Ces techniques permettent de combiner efficacement plusieurs adaptateurs fine-tunés sans augmenter significativement la taille du modèle.
Hugging Face explore l'utilisation de données synthétiques pour réduire les coûts, le temps et l'empreinte carbone de l'entraînement IA. L'approche open source permet de générer des données d'entraînement sans collecter massivement de données réelles, optimisant ressources et durabilité.
OpenAI présente Sora, un modèle de diffusion texte-conditionnel entraîné sur vidéos et images de durées, résolutions et formats variables. Basé sur une architecture transformer opérant sur des patches spacetime, Sora génère jusqu'à une minute de vidéo haute fidélité. OpenAI propose que l'échelle des modèles de génération vidéo soit un chemin vers des simulateurs génériques du monde physique.
OpenAI a identifié et désactivé des comptes utilisés par des acteurs menaçants affiliés à l'État pour des opérations de désinformation, espionnage et développement de capacités malveillantes. L'entreprise publie des rapports détaillés sur ces campagnes et renforce ses mesures de détection.
AMD lance un concours pour développeurs IA visant à créer des applications d'IA pervasive. Le concours récompense les meilleures solutions exploitant les processeurs AMD pour l'inférence et l'entraînement de modèles.
OpenAI teste une fonction de mémoire pour ChatGPT permettant au modèle de retenir les informations des conversations précédentes. L'utilisateur contrôle entièrement l'activation et la gestion de cette mémoire.
Hugging Face lance une API Messages compatible avec OpenAI pour ses modèles open-source. L'interface unifie l'accès à Claude, Llama, Mistral et autres LLMs via un endpoint standardisé, réduisant la friction de migration depuis OpenAI.
Segmind présente SegMoE, un modèle de diffusion utilisant une architecture Mixture of Experts pour la génération d'images. Le système combine plusieurs experts spécialisés pour améliorer la qualité et la diversité des résultats générés.
Hugging Face lance NPHardEval Leaderboard, un benchmark évaluant les capacités de raisonnement des LLM via des problèmes NP-difficiles et des mises à jour dynamiques. Le leaderboard classe les modèles selon leur performance sur des tâches de complexité croissante.
Hugging Face déploie Text Generation Inference (TGI) sur AWS Inferentia2. Cette intégration optimise l'inférence de modèles de langage sur le matériel spécialisé d'Amazon, réduisant latence et coûts pour les déploiements en production.
Hugging Face intègre Patch Time Series Transformer, un modèle spécialisé dans la prévision de séries temporelles. L'implémentation offre une alternative aux approches traditionnelles avec une architecture basée sur les transformers adaptée aux données temporelles.
Hugging Face présente une approche de Constitutional AI adaptée aux LLMs open-source. La méthode applique des principes éthiques définis pour guider l'entraînement et l'évaluation des modèles, sans dépendre d'APIs propriétaires.