Hugging Face construit une AI WebTV avec Zeroscope et MusicGen
Hugging Face publie un tutoriel détaillant l'AI WebTV.
Hugging Face publie un tutoriel détaillant l'AI WebTV.
Hugging Face détaille le fine-tuning d'un modèle Stable Diffusion sur un cluster de quatre serveurs Intel Sapphire Rapids.
Transformers.js permet de faire tourner des modèles ML directement dans le navigateur, sans serveur, comme le démontre le jeu Doodle Dash inspiré de Quick, Draw!
Hugging Face montre comment déployer des LLM open source comme Falcon 40B instruct via Inference Endpoints.
Hugging Face détaille un tutoriel pour construire un générateur d'applications web combinant Node.js et le modèle WizardCoder-15B servi via l'API Inference Endpoints. Le serveur Express diffuse en streaming le HTML généré token par token directement au navigateur, avec un prompt guidant le modèle vers TailwindCSS et une logique JS encapsulée. Une alternative gratuite via l'Inference API est proposée pour les modèles plus petits, tandis que les modèles performants nécessitent 32 Go de mémoire ou plus et une accélération matérielle pour une latence correcte.
Optimum Habana v1.7 sur Habana Gaudi2 atteint des accélérations de x2,5 par rapport à l'A100 et x1.
Le blog Hugging Face explique comment le fine-tuning des couches Adapter de MMS atteint un taux d'erreur de mots très faible après seulement 10 à 20 minutes d'entraînement.
Livebook, l'outil open source de notebooks interactifs en Elixir.
Le Hugging Face Hub héberge plus de 190 000 modèles de machine learning, 33 000 datasets et plus de 100 000 applications et démos.
Hugging Face détaille un workflow d'optimisation de Stable Diffusion pour CPU Intel combinant Quantization-Aware Training (QAT) via NNCF.
Hugging Face détaille la near-deduplication à grande échelle mise en œuvre pour BigCode.
Le blog Hugging Face détaille comment exécuter Vicuna 13B, un chatbot open source de 13 milliards de paramètres développé par UC Berkeley.
Hugging Face présente la génération assistée, une méthode de décodage qui utilise un petit modèle assistant pour proposer des tokens candidats.
Motif de la recommandation :L'article détaille le goulot d'étranglement mémoire de la génération autoregressive et propose une méthode de décodage assisté avec des gains de latence mesurés.
Hugging Face détaille comment fine-tuner StarCoder, un modèle de 16B paramètres entraîné sur 80+ langages de programmation.
Motif de la recommandation :L'article détaille le fine-tuning de StarCoder avec ChatML et DeepSpeed ZeRO-3, une méthode transférable pour transformer un modèle de code en assistant conversationnel.
Hugging Face consacre un article aux modèles text-to-video.
Hugging Face Unity API, une intégration de la Hugging Face Inference API.
Hugging Face détaille l'entraînement from scratch d'un RoBERTa (modèle base) sur le jeu de données WikiText (v1) avec TensorFlow et TPU.
Le blog Hugging Face explique comment exécuter le modèle open source de génération d'images texte-image IF de DeepFloyd sur un Google Colab gratuit avec la bibliothèque diffusers. IF fonctionne directement dans l'espace pixel et utilise T5-XXL comme encodeur de texte, ce qui lui permet de générer des détails haute fréquence comme les visages et les mains ainsi que du texte dans les images, mais ses composants totalisent plus de 10 milliards de paramètres, avec T5-XXL à 20 Go et le UNet de l'étape 1 à 17,2 Go en float32. Le tutoriel montre comment charger T5 en quantification 8 bits via bitsandbytes, charger modulairement chaque composant avec device_map, libérer la mémoire GPU entre les étapes, et enchaîner les trois étapes de génération, de variation d'image et d'inpainting. L'auteur précise que cette configuration échange de la vitesse contre de la mémoire et n'est pas recommandée en production, où un A100 de 40 Go est préférable.
Motif de la recommandation :Détaille comment exécuter le modèle de génération d'images IF sur un Colab gratuit via quantification 8 bits et chargement modulaire, avec des étapes directement réutilisables.
CNC Kitchen a acheté une Prusa i3 MK4 le jour de sa sortie et l'a utilisée près de 200 heures pour comparer ses forces et faiblesses face aux Bambu Lab X1 et P1P. La MK4 est proposée à 800 dollars en kit et 1099 dollars assemblée, avec un hotend tout métal 300°C, un lit chauffant 120°C, un volume de 250x210x210 mm et environ 90% de pièces nouvelles par rapport à la MK3, dont le Nextruder à réducteur planétaire 10:1 et une sonde de charge pour le nivellement du lit. L'auteur note que plusieurs fonctions matérielles comme l'écran tactile et l'input shaping ne sont pas encore activées par le firmware, que la MK4 reste plus lente que les machines Bambu Lab et que la P1P est même moins chère qu'un kit MK4, tout en soulignant la fiabilité, le support logiciel et l'écosystème open source de Prusa. Une mise à jour ajoutée après coup indique que l'input shaping est arrivé avec le firmware 5.1.0 en novembre 2023, l'écran tactile avec le firmware 6.0.0 en avril 2024, la MK4S en août 2024 et la CORE One CoreXY en novembre 2024.
Hugging Face publie un tutoriel sur la classification de graphes avec la bibliothèque Transformers.
Hugging Face publie StackLLaMA, un modèle LLaMA 7B entraîné avec RLHF pour répondre aux questions de Stack Exchange.
Motif de la recommandation :Le guide détaille tout le pipeline RLHF de StackLLaMA, du jeu de données à l'entraînement PPO, avec des configurations LoRA et des commandes réutilisables.
CNC Kitchen a testé une buse CHT à haut débit installée sur un hotend tiers pour BambuLab X1 et P1P. Sur un test d'extrusion en mode vase avec du Voxel PLA à 220 °C.
Motif de la recommandation :Des tests de débit et d'adhérence couche par couche quantifient le gain d'une buse CHT sur BambuLab X1 et P1P, avec les limites observées.
Habana Gaudi2 exécute l'inférence de BLOOMZ, un modèle de 176 milliards de paramètres.
Hugging Face détaille comment accélérer l'inférence de Stable Diffusion sur les CPU Intel Xeon Sapphire Rapids.
Hugging Face et Flower permettent de fédérer le fine-tuning d'un Transformer pré-entraîné (distilBERT) sur un jeu de données IMDB pour la classification de sentiments.
Hugging Face détaille en trois étapes l'entraînement d'un ControlNet pour Stable Diffusion.
Motif de la recommandation :Le guide détaille les trois étapes d'entraînement d'un ControlNet et fournit les paramètres pour tenir sur 8 Go de VRAM.
Deux implémentations communautaires de la méthode Arc Overhangs de Steven McCulloch sont apparues pour PrusaSlicer. La première est intégrée à SuperPleccer.
Le modèle Informer (AAAI21 best paper) est désormais disponible dans 🤗 Transformers pour la prévision probabiliste multivariée de séries temporelles. Il remplace l'attention classique par la ProbSparse attention en O(T log T) et ajoute une opération de distillation réduisant la mémoire à O(N·T log T), contre O(T²D) et O(NT²) pour le Transformer vanilla. Le modèle prend en charge les émissions indépendantes (diagonales) pour les familles de distributions implémentées, et fonctionne aussi pour le Time Series Transformer vanilla.
Après les séismes de magnitude 7,7 et 7,6 survenus le 6 février 2023 dans le sud-est de la Turquie.
Motif de la recommandation :L'auteur détaille la chaîne complète OCR, NER et classification d'intentions déployée après le séisme en Turquie, une méthode réutilisable pour des applications d'urgence.
Hugging Face a lancé Inference Endpoints, un service managé permettant de déployer presque n'importe quel modèle du Hub sur AWS ou Azure.
Le blog Hugging Face présente BLIP-2 de Salesforce Research, un modèle visuel-langage zero-shot désormais intégré à Transformers.
Motif de la recommandation :Présente le fonctionnement de Q-Former et des exemples de code exécutables pour la légende d'images, le VQA et le dialogue multimodal.
Hugging Face consacre le cinquième volet de sa série « AI for Game Development » à l'usage de ChatGPT pour écrire l'histoire d'un jeu de ferme. Le modèle reproduit d'abord des récits existants proches de Stardew Valley, puis s'améliore par allers-retours successifs, mais montre des limites : répétition sur les contenus longs, risques juridiques, éthiques et commerciaux en cas d'usage direct des sorties. L'auteur recommande de réserver ChatGPT au brainstorming et à la rédaction d'ébauches, la rédaction finale restant manuelle.
Hugging Face détaille l'inférence des Transformers PyTorch sur les CPU Intel Xeon Sapphire Rapids via Optimum Intel.
Hugging Face consacre un article aux modèles conjoints vision-langage, qui traitent images et texte via un encodeur d'images.
CNC Kitchen a testé dix coloris de filament PLA du fabricant allemand dasFilament.
Motif de la recommandation :Des essais mécaniques sur dix coloris de PLA d'un même fabricant quantifient l'écart de résistance et de ductilité selon le pigment.
Hugging Face consacre le quatrième volet de sa série « AI for Game Development » à la génération d'assets 2D avec Stable Diffusion.
Hugging Face présente l'intégration du fine-tuning LoRA dans la bibliothèque diffusers.
Motif de la recommandation :Le texte détaille l'intégration de LoRA dans diffusers avec un script exécutable et des besoins matériels précis, utile pour reproduire le fine-tuning.
La génération d'assets 3D par texte (text-to-3D) n'est pas encore exploitable en production pour le développement de jeux.
Mask2Former et OneFormer, deux réseaux de neurones de pointe pour la segmentation d'images.
Construire un système de similarité d'images avec les bibliothèques 🤗 Datasets et Transformers en calculant des embeddings via un modèle ViT (nateraw/vit-base-beans) et une similarité cosinus. Le système utilise 100 échantillons du dataset Beans comme candidats, et peut être étendu à d'autres modèles vision comme Swin Transformer, ConvNeXT ou RegNet.