Hugging Face permet de déployer des notebooks Livebook directement sur Spaces. Les développeurs Elixir peuvent créer des applications interactives sans configuration supplémentaire, avec support du partage et de la collaboration en temps réel.
Hugging Face et AMD annoncent un partenariat pour optimiser les modèles IA sur les processeurs et GPU AMD. L'initiative vise à améliorer les performances d'inférence et l'accessibilité des modèles de pointe sur l'écosystème AMD.
Hugging Face intègre fastText à son Hub. La plateforme open-source de Meta pour l'embedding de texte et la classification devient accessible via l'écosystème Hugging Face, facilitant le partage et le déploiement de modèles fastText.
OpenAI lance un programme de subventions pour développer des capacités de cybersécurité alimentées par l'IA destinées aux défenseurs. L'initiative vise à soutenir les chercheurs et organisations travaillant sur des outils de sécurité basés sur l'IA.
Hugging Face intègre BERTopic, un outil de modélisation de sujets basé sur BERT, directement dans le Hub. Les utilisateurs peuvent entraîner, partager et déployer des modèles BERTopic via l'interface unifiée de Hugging Face.
Hugging Face présente Q8-Chat, un modèle optimisé pour les processeurs Intel Xeon offrant une expérience IA générative efficace. Le modèle réduit la taille tout en maintenant les performances, permettant le déploiement sur infrastructure CPU standard sans GPU.
BigCode a développé une infrastructure de déduplication à grande échelle pour nettoyer les données de code. Le système identifie et supprime les doublons proches dans des milliards de fichiers, améliorant la qualité des datasets d'entraînement pour les modèles de code.
Hugging Face montre comment déployer un chatbot type ChatGPT sur une seule GPU avec ROCm. Le guide couvre l'optimisation mémoire et l'inférence efficace pour les modèles de langage volumineux sur hardware AMD.
Hugging Face publie un guide pour créer un assistant de codage avec StarCoder. Le modèle open-source génère du code et peut être intégré dans des applications via des APIs. L'article détaille l'architecture et les cas d'usage pratiques.
OpenAI permet aux utilisateurs de ChatGPT de désactiver l'historique des conversations, contrôlant ainsi quelles données peuvent servir à l'entraînement des modèles.
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 et Flower lancent une intégration pour l'apprentissage fédéré. Les utilisateurs peuvent entraîner des modèles de langage sur des données distribuées sans centraliser les données sensibles. La solution combine les modèles HF avec le framework Flower pour la coordination décentralisée.
Hugging Face publie un guide pour entraîner des ControlNet avec la librairie diffusers. Le tutoriel couvre la configuration, les données d'entraînement et l'optimisation des modèles de contrôle pour la génération d'images.
Hugging Face présente Informer, un modèle de prévision de séries temporelles multivariées basé sur l'attention. L'approche utilise un mécanisme d'attention sparse pour traiter efficacement les longues séquences temporelles, surpassant les méthodes traditionnelles sur plusieurs benchmarks.
Kakao Brain publie de nouveaux modèles Vision Transformer (ViT) et ALIGN optimisés pour la vision par ordinateur et la recherche multimodale. Les modèles sont disponibles sur Hugging Face avec poids pré-entraînés et code d'inférence.
Hugging Face publie des directives éthiques pour le développement de sa bibliothèque Diffusers, couvrant les responsabilités des contributeurs face aux risques de génération d'images (deepfakes, contenu illégal, biais). Framework de gouvernance pour encadrer les modèles de diffusion.
Hugging Face publie un guide de red-teaming pour les grands modèles de langage, couvrant méthodologies, outils et bonnes pratiques pour identifier vulnérabilités et biais avant déploiement en production.
Fetch consolide ses outils IA et réduit de 30% le temps de développement en utilisant Hugging Face sur AWS. L'entreprise intègre plusieurs modèles et services dans une plateforme unifiée pour optimiser ses workflows.
Hugging Face et AWS s'associent pour démocratiser l'accès à l'IA. Le partenariat inclut l'intégration de modèles open-source sur AWS SageMaker et des outils de déploiement simplifiés pour réduire les barrières techniques et financières.
OpenAI clarifie comment le comportement de ChatGPT est façonné et annonce des plans pour améliorer cette personnalisation, permettre plus de customisation utilisateur et intégrer davantage de retours publics dans ses décisions.
Hugging Face et Intel optimisent les transformers PyTorch sur Sapphire Rapids. Deuxième partie d'une série technique sur l'accélération matérielle des modèles de langage via les processeurs Intel dernière génération.
OpenAI lance un classificateur entraîné pour distinguer les textes générés par l'IA des textes écrits par des humains.
Hugging Face publie un guide sur la génération d'assets 2D par IA pour le game dev. Couvre modèles de diffusion, contrôle fin des outputs, intégration dans pipelines de production. Exemples avec Stable Diffusion et ControlNet.
PaddlePaddle, framework open-source de Baidu pour le deep learning, rejoint le Hugging Face Hub. Les utilisateurs peuvent désormais partager modèles, datasets et espaces PaddlePaddle sur la plateforme collaborative.
Intel et Hugging Face optimisent les transformers PyTorch sur processeurs Sapphire Rapids. Première partie d'une série sur l'accélération matérielle des modèles de langage via des techniques de quantification et d'optimisation CPU.
Hugging Face documente la création d'un jeu de ferme complet en 5 jours avec IA. Utilise des modèles open-source pour génération d'assets, code et game design. Démontre le workflow pratique d'intégration IA dans le développement indie.
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 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 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 présente un panorama de ses solutions d'inférence : Inference API (serverless), Dedicated Endpoints (instances dédiées), Text Generation Inference (TGI, optimisé pour LLM), et Transformers.js (inférence navigateur). Chaque solution cible des cas d'usage différents selon latence, coût et scalabilité.
Hugging Face démontre l'analyse de sentiment sur données chiffrées via chiffrement homomorphe. La technique permet de traiter des textes sans les déchiffrer, préservant la confidentialité tout en utilisant des modèles NLP standard.
Hugging Face annonce l'intégration d'Optimum Intel et OpenVINO pour accélérer l'inférence des modèles. La solution optimise les performances sur les processeurs Intel via la quantification et la compilation.
Hugging Face publie un guide sur la progression de DDP PyTorch à Accelerate puis Trainer pour maîtriser l'entraînement distribué. Le parcours pédagogique montre comment abstraire progressivement la complexité des entraînements multi-GPU/multi-nœud.
Stability AI et Hugging Face lancent une version japonaise de Stable Diffusion optimisée pour générer des images à partir de prompts en japonais. Le modèle améliore la qualité des résultats pour le texte et les caractères japonais.
Hugging Face AutoTrain ajoute la classification d'images. L'outil automatise l'entraînement de modèles de vision sans code requis. Interface web et API disponibles pour fine-tuner des modèles pré-entraînés.
Hugging Face publie un guide pour entraîner un Decision Transformer, modèle qui apprend des politiques de contrôle à partir de trajectoires d'expert. Le tutoriel couvre l'implémentation pratique et l'intégration avec la bibliothèque Transformers.
Guide pratique pour entraîner un modèle de langage avec Megatron-LM, framework d'NVIDIA pour l'entraînement distribué à grande échelle. Couvre configuration, optimisations de parallélisation et bonnes pratiques.
Hugging Face présente OpenRAIL, un cadre de licence ouvert et responsable pour l'IA. Le projet vise à équilibrer l'accès ouvert aux modèles avec des garde-fous éthiques et légaux, en définissant des conditions d'utilisation responsables.