NadiAIGlobal AI news. Concise. Clear. Easy to follow.
OpenAI mengeluarkan kernel GPU dioptimumkan untuk arkitektur rangkaian neural dengan berat block-sparse. Bergantung pada sparsiti, kernel ini boleh berjalan berpuluh kali ganda lebih pantas daripada cuBLAS atau cuSPARSE dan telah digunakan untuk analisis sentimen serta pemodelan generatif teks dan imej.
OpenAI membina sistem yang menentukan objek yang dimaksudkan oleh sesuatu perkataan dengan menilai sama ada perkataan itu milik setiap daripada kira-kira 100 'jenis' yang ditemui secara automatik. Jenis-jenis itu bukan eksklusif, jadi perkataan boleh dimiliki oleh beberapa kategori serentak.
OpenAI melatih model bahasa berskala besar tanpa latihan khusus tugas yang boleh menghasilkan perenggan koheren dan mencapai prestasi terkemuka pada beberapa penanda aras pemodelan bahasa. Model tersebut juga menunjukkan keupayaan asas dalam pemahaman bacaan, terjemahan mesin, menjawab soalan dan meringkaskan teks.
Menurut Hugging Face, panduan ini menerangkan langkah asas melatih model bahasa baharu dari awal menggunakan Transformers dan Tokenizers. Pembaca digalakkan merujuk artikel asal untuk butiran teknikal dan keperluan sumber.
Hugging Face menerangkan pendekatan untuk melatih model embedding ayat menggunakan satu bilion pasangan latihan. Artikel blog itu berkongsi butiran tentang skala data dan teknik latihan yang digunakan.
OpenAI melancarkan embeddings — endpoint API baharu untuk menghasilkan representasi vektor bagi teks dan kod. Fungsi ini direka untuk memudahkan tugasan seperti carian semantik, pengelompokan, pemodelan topik dan klasifikasi.
Menurut Hugging Face, artikel ini menerangkan BERT, model NLP berpengaruh yang memodelkan konteks dalam teks. Ia mengulas prinsip asas, seni bina dan penggunaan umum untuk membantu pembangun memahami cara BERT berfungsi.
Dalam blog rasmi, Hugging Face menerangkan cara menggunakan perpustakaan Evaluate untuk menguji bias dalam model bahasa. Alat ini menyediakan metrik dan proses yang membantu pembangun menilai kecenderungan model secara sistematik.
Menurut blog Hugging Face, tulisan itu membincangkan pendekatan untuk mempercepatkan pembangunan dan penggunaan Document AI. Ia menumpukan kepada aspek seperti pengoptimuman model, kecekapan infrastruktur dan alatan pemprosesan dokumen.
Menurut Hugging Face, projek 'Huggy Lingo' menggunakan pembelajaran mesin untuk memperbaiki metadata bahasa pada Hugging Face Hub. Blog rasmi berkata usaha ini bertujuan meningkatkan ketepatan metadata bahasa dan sokongan untuk pelbagai bahasa.
Hugging Face menerbitkan 'Open Arabic LLM Leaderboard 2', versi lanjut papan kedudukan terbuka untuk model bahasa Arab. Artikel itu membandingkan model menggunakan metrik dan dataset terbuka serta memberi rujukan praktikal kepada pembangun dan penyelidik.
Hugging Face bekerjasama dengan Indian Institute of Science (IISc) untuk mempercepat pembangunan model bagi pelbagai bahasa di India. Kerjasama itu dilaporkan dalam catatan blog rasmi Hugging Face tetapi butiran teknikal dan sasaran projek tidak disertakan dalam petikan ini.