Hugging Face 推出 SetFit:无需提示的少样本学习框架
Hugging Face 推出 SetFit,一种高效的少样本学习框架,无需提示即可在少量标记数据下实现高精度,支持多语言,并提供简单易用的训练方法。
推荐理由:SetFit 是一种高效的少样本学习框架,可以在少量标记数据的情况下实现高精度,读者可以了解其工作原理和应用方法。
Hugging Face 推出 SetFit,一种高效的少样本学习框架,无需提示即可在少量标记数据下实现高精度,支持多语言,并提供简单易用的训练方法。
推荐理由:SetFit 是一种高效的少样本学习框架,可以在少量标记数据的情况下实现高精度,读者可以了解其工作原理和应用方法。
Hugging Face 博客介绍了如何使用 DeepSpeed 和 Accelerate 极速推理 BLOOM 模型,包括不同 GPU 配置、量化方案和优化方法。
推荐理由:原文提供了多种加速 BLOOM 模型推理的方法,读者可以了解不同方案的优缺点,选择适合自己需求的方案。
Hugging Face 发布 Diffusers 2.0,新增图像到图像生成、文本逆转换、修复、Mac OS 支持、ONNX 导出器、新文档和社区功能,包括视频生成、模型可解释性、日语 Stable Diffusion、交叉注意力控制、可重用种子等。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
OpenRAIL 是一种针对 AI 模型的开放和负责任的许可框架,旨在解决当前开源许可在 AI 模型使用中的不足,并推动 AI 模型的负责任使用。
推荐理由:OpenRAIL 提出了一种新的 AI 许可框架,旨在促进 AI 模型的开放和负责任的使用,读者可以了解其具体内容和潜在影响。
Stable Diffusion 是一个文本到图像的潜在扩散模型,由 CompVis、Stability AI 和 LAION 的研究人员和工程师创建。本文介绍了如何使用 🧨 Diffusers 库来使用 Stable Diffusion,解释了模型的工作原理,并深入探讨了如何使用 diffusers 定制图像生成流程。
推荐理由:原文详细介绍了如何使用 Stable Diffusion 模型,并解释了其工作原理,读者可以了解如何将其集成到自己的项目中。
Hugging Face 推出 LLM.int8() 技术,通过 8 位矩阵乘法降低大型语言模型对 GPU 的需求,提高模型的可访问性,对需要使用大型模型但资源有限的用户具有潜在价值。
推荐理由:Hugging Face 推出 LLM.int8() 技术,通过 8 位矩阵乘法降低大型语言模型对 GPU 的需求,提高模型的可访问性,对需要使用大型模型但资源有限的用户具有潜在价值。
Nyströmformer 通过 Nyström 方法近似自注意力机制,在 NLP 和 CV 任务上表现优异,并提供了开源实现。
OpenAI 利用海量无标签人类游戏视频进行 Video PreTraining,仅结合少量标注数据即训练出能玩 Minecraft 的神经网络。该模型经微调后可完成制作钻石工具任务,通常需熟练人类耗时超 20 分钟(约 24,000 次操作)。其直接模拟人类键鼠输入接口,具备通用性,是迈向通用计算机使用智能体的一步。
GPT-3 通过 API 为超过 300 个应用提供搜索、对话、文本补全和其他高级 AI 功能。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
OpenAI 成功扩展 Kubernetes 集群至 7500 节点,为大型模型提供可扩展基础设施,支持快速迭代研究。
OpenAI 发布了名为 DALL·E 的神经网络产品,该产品可以从文本描述中创建图像。
推荐理由:原文给出了能力变化和开放入口,读者可以据此判断它会怎样改变现有工作流。
本文深入探讨了以太坊虚拟机(EVM)的工作原理,解释了其如何通过计算工作实现抽象计算的去中心化,并介绍了EVM的堆栈机器模型和气体机制。
OpenAI 发布了新的 API 接口,用于访问 OpenAI 开发的 AI 模型。
OpenAI 发布报告显示,自 2012 年以来,训练神经网络所需的计算量每 16 个月减少一倍,算法进步带来的收益超过传统硬件效率提升。
推荐理由:原文展示了 AI 训练效率的提升,读者可以了解算法进步对 AI 任务的贡献。
以太坊1.x团队详细介绍了无状态以太坊的技术路线图,包括见证格式、EVM语义、状态可用性等技术细节,旨在实现更高效、可靠的无状态以太坊网络。
推荐理由:原文详细介绍了无状态以太坊的技术路线图,读者可以了解其技术细节和实现路径。
OpenAI 观察到智能体在简单捉迷藏游戏中通过训练发现逐步复杂的工具使用行为。这些智能体构建了六种不同策略与反策略,其中部分策略是环境原本未支持但被意外发现的。这种自监督的涌现复杂性表明,多智能体协同适应未来可能产生极其复杂和智能的行为。
以太坊基金会发布了 2019 年春季更新,概述了以太坊社区在过去一年的进展和未来计划,包括 ETH 2.0、ETH 1.x、ZK-rollup 等项目的发展情况,以及对开发者生态系统的支持。
推荐理由:Ethereum Foundation 发布了 2019 年春季更新,概述了以太坊社区在过去一年的进展和未来计划,读者可以了解以太坊生态系统的发展方向和重点投资领域。
OpenAI 推出名为 CoinRun 的强化学习训练环境,旨在提供衡量智能体将经验迁移至新情境能力的指标。该环境复杂度介于传统平台游戏与简单任务之间,既比《索尼克》等游戏更简洁,又能为当前最先进算法带来有效的泛化挑战,有助于厘清强化学习领域的长期难题。
OpenAI 发布了一篇论文,提出了一种结合监督学习和无监督预训练的新方法,在多个语言任务上取得了最先进的成果,并计划开源。
OpenAI 开发了名为 Reptile 的元学习算法,该算法通过重复采样任务、在任务上执行随机梯度下降并更新初始参数,使其向最终参数学习。Reptile 是将最短下降算法应用于元学习环境,与仅需要黑盒访问优化器(如 SGD 或 Adam)的第一阶 MAML 算法在数学上相似,具有相似的计算效率和性能。
OpenAI 开发了一种分层强化学习算法,通过自动发现高层动作来快速解决需要数千时间步的任务。该算法在导航问题中识别出不同方向的行走和爬行等高层动作,使智能体能迅速掌握新的导航任务。
OpenAI 发布 Learning with Opponent-Learning Awareness (LOLA) 算法,该算法考虑了其他智能体也在学习的特性。LOLA 在迭代囚徒困境中发现了既自利又合作的策略(如 tit-for-tat),是迈向能够建模其他心智的智能体的重要一步。
OpenAI 指出多智能体竞争环境是通往 AGI 的垫脚石,具备自然课程和动态压力两大特性。在该环境中,难度随竞争对手技能提升而增加,且不存在稳定平衡点,迫使智能体持续进化。目前此类环境与传统环境差异显著,仍需大量研究才能有效驾驭。
本文探讨了以太坊智能合约在复杂系统中的应用,将其比作拥有智能律师但计算资源有限的法官。文章提出了利用智能合约进行高效计算的方法,例如跨链代币转账或工作量证明验证,并讨论了其潜在应用。
以太坊 Serenity 协议的第一部分介绍了抽象和账户改进,包括将所有账户类型统一为合约、简化交易结构和引入新的状态存储方式。
推荐理由:原文详细介绍了 Serenity 的抽象功能,包括账户、区块和存储的改进,读者可以了解其设计思路和潜在影响。
Ethereum 发布了新的开发更新,包括多客户端系统、智能合约开发工具和测试覆盖,旨在提高网络性能和安全性。
推荐理由:原文详细介绍了 Ethereum 的发展进程和未来计划,读者可以了解其技术进步和行业影响。
本文探讨了秘密共享 DAO 的概念,它是一种基于秘密共享和多方安全计算的区块链技术,旨在提供隐私保护。文章分析了其原理、应用场景和潜在影响,并讨论了其技术挑战和未来发展方向。
本文探讨了区块链协议中的人类行为和软件因素,分析了有限理性对加密经济系统的影响,并提出了改进建议。
推荐理由:文章探讨了区块链协议中的人类行为和软件因素,对理解加密经济系统具有重要意义。
以太坊探讨了如何通过分片技术解决现有网络问题,并介绍了其去中心化存储、消息传递和智能合约等技术。
推荐理由:原文探讨了以太坊如何通过分片技术构建去中心化网络,读者可以了解其技术原理和潜在影响。