Mini-R1 : un tutoriel RL pour reproduire le moment eurêka de DeepSeek R1
Le blog Hugging Face publie Mini-R1, un tutoriel sur l'apprentissage par renforcement destiné à reproduire le moment eurêka de DeepSeek R1.
Le blog Hugging Face publie Mini-R1, un tutoriel sur l'apprentissage par renforcement destiné à reproduire le moment eurêka de DeepSeek R1.
Le blog Hugging Face présente une méthode pour entraîner des modèles d'embedding statiques 400 fois plus vite avec Sentence Transformers.
CNC Kitchen propose l'Insert Extractor, un accessoire qui se fixe sur les embouts de fer à souder pour retirer les inserts thermofixés des impressions 3D. La méthode consiste à régler le fer environ 20 °C au-dessus de la température d'impression (240 °C pour le PLA), visser les vis en cuivre sur l'insert, puis extraire celui-ci après environ 10 secondes de ramollissement du plastique. Les inserts extraits peuvent souvent être réutilisés, mais il faut éviter de réinstaller un insert issu d'une pièce en PLA dans une pièce en PETG.
Le cinéaste Lyndon Barrois utilise Sora d'OpenAI comme outil de narration pour créer de nouveaux mondes. Il décrit dans ce contenu comment exploiter Sora pour raconter des histoires.
Le fine-tuning de la vision de GPT-4o permet de construire des cartes plus intelligentes.
Hugging Face déploie son projet Speech-to-Speech (S2S) sur Inference Endpoints via une image Docker personnalisée.
Keras prend en charge Llama 3.2 dès le jour de sa sortie, permettant de charger directement les checkpoints Hugging Face au format safetensors.
Hugging Face et Dask permettent de traiter le dataset FineWeb à l'échelle de 211 millions de lignes en parallélisant l'inférence du classifieur FineWeb-Edu sur plusieurs GPU dans le cloud. Le dataset FineWeb contient 15 000 milliards de tokens issus de Common Crawl, soit 432 Go sur disque et environ 715 Go en mémoire répartis sur 250 fichiers Parquet. Dask DataFrame reproduit l'API pandas et gère le calcul out-of-core en découpant les données en chunks, avec écriture distribuée au format Parquet et squash de l'historique des commits via HfApi.
Hugging Face publie InstantTexture, une bibliothèque Python qui convertit les maillages à couleurs par sommet (comme ceux produits par InstantMesh) en maillages texturés avec UV mapping. L'outil s'installe via `pip install git+` et convertit un fichier.obj en.glb texturé en une seule commande. Le processus repose sur xatlas pour générer les UV, un remplissage par interpolation barycentrique dans un buffer de texture (1024 px, upscale_factor 2), puis inpainting, filtre médian, flou gaussien et sous-échantillonnage LANCZOS pour combler les trous.
Hugging Face détaille les fonctionnalités de sa page Daily Papers.
Hugging Face détaille l'optimisation et le déploiement de modèles Transformers sur edge et client via Optimum-Intel et OpenVINO GenAI.
CNC Kitchen partage 10 conseils pour améliorer ses scans 3D.
Motif de la recommandation :Dix conseils concrets issus de tests réels du scanner hybride Creality CR-Scan Raptor, utiles pour choisir mode, marqueurs et résolution.
La généticienne Catherine Brownstein montre comment OpenAI o1 peut accélérer le diagnostic de maladies rares.
Le physicien quantique Mario Krenn utilise OpenAI o1 pour aider à répondre aux grandes questions de la vie.
Meta Llama 3.1 405B, le plus grand modèle ouvert de Meta sorti en juillet 2024, peut être déployé sur Vertex AI via un nœud Google Cloud A3 équipé de 8 GPU NVIDIA H100.
ggml est une bibliothèque de machine learning écrite en C et C++ dédiée à l'inférence Transformer.
ChatGPT Enterprise permet aux employés d'analyser efficacement des données et d'en dégager des insights, avec des exemples pratiques présentés en vidéo.
OpenAI présente des exemples pratiques d'utilisation de ChatGPT Enterprise par les employés pour analyser efficacement des données et en tirer des enseignements. La démonstration illustre comment cette offre destinée aux entreprises s'intègre dans les flux de travail analytiques du personnel.
Hugging Face et Albumentations AI publient TextImage.
Hugging Face présente comment quantifier les pipelines de diffusion basés sur Transformer avec les utilitaires Quanto de la bibliothèque Diffusers.
Motif de la recommandation :L'article détaille les gains de mémoire mesurés sur trois pipelines de diffusion Transformer avec Quanto, avec des tableaux de latence et de qualité.
Le blog Hugging Face détaille comment exécuter Mistral 7B sur Mac via Core ML, en utilisant les nouvelles fonctionnalités de la WWDC 24 comme les tenseurs Swift.
Hugging Face détaille la création d'un chatbot pour Argilla 2.0 en s'appuyant sur distilabel pour générer un dataset synthétique et fine-tuner un modèle d'embedding spécialisé. Le processus couvre le chunking de la documentation technique (environ 256 tokens par chunk), la génération de questions synthétiques et d'exemples négatifs difficiles, la création d'une base vectorielle et le déploiement du chatbot sur Hugging Face Spaces. Les interactions sont stockées dans Argilla pour une évaluation et une amélioration continues.
La bibliothèque TRL prend désormais en charge l'optimisation directe des préférences (DPO) pour les modèles vision-langage (VLM).
Intel et MILA ont porté le modèle de langage protéique ProtST sur l'accélérateur Intel Gaudi 2 via la bibliothèque Optimum for Intel Gaudi.
Le modèle vision-langage Florence-2 de Microsoft (0,2B et 0,7B paramètres) peut être fine-tuné pour la réponse visuelle à des questions (VQA).
Hugging Face Accelerate expose désormais DeepSpeed et PyTorch FSDP de manière harmonisée.
Hugging Face présente l'outil TGI Benchmarking, installé avec Text Generation Inference.
Sentence Transformers, la bibliothèque Python de Hugging Face, permet de fine-tuner des modèles d'embedding pour des tâches comme le RAG.
Intel présente dans un blog comment déployer des applications RAG d'entreprise via OPEA (Open Platform for Enterprise AI).
Hugging Face montre comment déployer sur Inference Endpoints un pipeline combinant Whisper (openai/whisper-large-v3).
Zama a mis en ligne des modèles Concrete ML pré-compilés sur Hugging Face Endpoints.
Gradio propose un mode reload qui permet de recharger automatiquement les modifications du code source sans redémarrer le serveur.
Hugging Face publie un guide sur les vision language models (VLM), des modèles multimodaux qui prennent en entrée images et texte pour générer du texte.
MotherDuck et Numbers Station ont publié DuckDB-NSQL-7B, un LLM spécialisé dans le DuckDB SQL.
Hugging Face montre que l'optimisation d'un modèle SetFit avec Optimum Intel permet d'accélérer l'inférence de 7.
Hugging Face Transformers est une bibliothèque Python open source donnant accès à des milliers de modèles Transformer pré-entraînés pour le NLP.
Hugging Face montre comment exécuter le modèle Phi-2 (2,7 milliards de paramètres) quantifié en 4 bits sur un laptop équipé d'un CPU Intel Core Ultra 7 155H.
Le blog Hugging Face présente GaLore, une méthode qui projette les gradients dans un sous-espace de bas rang pour réduire la mémoire des états d'optimiseur de plus de 82.
Motif de la recommandation :L'article détaille la réduction de plus de 82,5 % de la mémoire des états d'optimiseur et fournit un exemple exécutable avec transformers, utile pour l'entraînement sur GPU grand public.
Hugging Face détaille un pipeline de génération de texte pour les modèles Llama 2 (7b.
Hugging Face détaille dans un article les méthodes de watermarking des contenus générés par IA.