DALL·E 推出 outpainting 功能
DALL·E 正式引入 outpainting 功能,支持生成任意尺寸的图像。该更新旨在扩展创作边界,帮助用户讲述更宏大的视觉故事。
DALL·E 正式引入 outpainting 功能,支持生成任意尺寸的图像。该更新旨在扩展创作边界,帮助用户讲述更宏大的视觉故事。
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。
Hugging Face 推出 Skops,一款开源机器学习模型托管与协作工具,支持将 scikit-learn 模型托管在 Hugging Face Hub,创建模型卡片进行文档化和协作。Skops 可用于模型训练、保存、配置文件生成、模型卡片创建、模型评估和可视化等功能。
OpenAI 推出改进版内容审核工具 Moderation endpoint,该端点优化了此前的内容过滤器。目前该工具已面向 OpenAI API 开发者免费开放使用。
Hugging Face 发布 Private Hub,旨在解决约 90% 模型无法投产的痛点。该平台整合了 Hub 上超 6 万个开源模型、数据集及 Spaces,提供从研究到生产的全生命周期工具。它支持私有化部署与合规访问控制,帮助企业加速 ML 开发流程并促进内部协作。
Hugging Face 为 🤗 Datasets 库发布新的音频和图像数据集文档,更新 Quickstart 并引入 `to_tf_dataset` 函数以简化 TensorFlow 数据转换。新增 `ImageFolder` 构建器支持无需编写脚本即可加载图像分类、描述及目标检测数据集。团队计划未来推出 `AudioFolder` 以进一步标准化音频数据处理流程。
OpenAI 宣布将 DALL·E 2 的访问权限扩展至一百万人,并计划在未来几周内逐步增加名额。新加入的用户每月可获得 100 个免费积分用于生成图像,超出部分需付费购买额外积分。由于需求巨大,目前仍有数百万人在等待列表中,系统将根据申请顺序陆续发放邀请。
推荐理由:官方宣布 DALL·E 2 向百万用户开放,提供了具体的使用额度与等待队列机制,有助于了解早期商业化落地细节。
OpenAI 为 DALL·E 实施新技术,使其生成的人物图像更准确反映世界人口多样性。该更新旨在减少模型偏见并提升安全性。
DALL·E 2 研究预览阶段,来自 118 个国家的 3000 多名艺术家已将 DALL·E 融入其创意工作流。这些早期访问用户协助发现了 DALL·E 的新用途,并在功能决策中发挥了关键作用。
Hugging Face 推出 Evaluation on the Hub,这是一项由 AutoTrain 驱动的新功能,允许用户在 Hub 上无需编写代码即可对任意模型在任意数据集上进行评估。该工具通过 Pull Request 自动将验证后的性能结果写入模型卡片元数据,并提供排行榜以辅助模型对比。目前支持文本分类、命名实体识别等任务,旨在解决现代 AI 评估中的繁琐与可复现性问题。
Graphcore 与 Hugging Face 扩展 Hugging Face Optimum 库,新增 10 款针对 IPU 优化的 Transformer 模型。
Hugging Face Hub 在 Community 标签页为模型、数据集和 Spaces 上线 Pull Requests 与 Discussions 功能。该更新允许社区成员直接参与讨论及提交代码,无需创建 fork,而是通过自定义 refs 分支简化协作流程。这是 Hub 迄今最大规模的功能升级,旨在促进机器学习领域的开源协作与伦理反馈。
OpenAI Codex 目前正通过 OpenAI API 为 70 种不同应用场景提供支持。这一进展标志着该模型在多样化用例中的实际部署规模,旨在赋能下一代应用程序的开发与运行。
DALL·E 2 研究预览版已生成超 300 万张图片,并据此优化了安全流程。OpenAI 计划每周从等待名单中新增最多 1,000 名用户以扩大测试范围。
Hugging Face 发布 Gradio 3.0,对前端进行了彻底重构并引入了新的低级别 API Gradio Blocks。新版本采用 Svelte 技术优化了加载速度和界面设计,支持拖拽 CSV 等交互改进,并通过 Blocks 允许开发者在 Python 中直接构建具有复杂布局、多步数据流和动态组件属性的自定义 Web 应用。
Hugging Face Hub 正式集成 fastai,用户可通过 `push_to_hub_fastai` 函数以单行 Python 代码上传 Learner 对象。该功能基于 `huggingface_hub` 库实现,支持自动创建模型卡片及 Git 版本控制。开发者可使用 `from_pretrained_fastai` 从 Hub 加载预训练模型进行推理或迁移学习。
Hugging Face Hub 推出基于 `emissions_threshold` 参数的模型搜索功能,用户可按训练产生的 CO2 克数范围筛选模型。同时,`transformers` 库集成 codecarbon,在训练时自动记录碳排放并生成 `emissions.csv` 文件,支持将数据写入模型卡片以提升透明度。
Hugging Face 宣布将离线强化学习方法 Decision Transformer 集成到 🤗 transformers 库和 Hub。该模型基于 GPT-2 架构,将 RL 转化为序列建模问题,通过自回归生成动作以达成目标回报。目前提供 Gym 环境中 Hopper、Walker2d 和 Halfcheetah 任务的九个预训练检查点。
OpenAI 在 API 中新增 embeddings 端点,支持文本和代码的嵌入生成。该功能旨在简化语义搜索、聚类、主题建模及分类等自然语言处理任务。
Hugging Face Hub 正式集成 PyTorch 深度强化学习库 Stable-Baselines3,支持用户托管和加载训练好的智能体模型。开发者可通过 `huggingface_sb3` 库轻松下载社区预训练模型或上传自训模型至 Hub。未来计划扩展 RL-baselines3-zoo 集成及 Decision Transformers 实现。
Hugging Face Infinity 在 Amazon EC2 C6i(Intel Ice Lake)实例上运行 DistilBERT 模型,相比 vanilla transformers 实现最高 800% 的延迟与吞吐量提升。该方案通过容器化部署优化推理管线,支持特征提取、排序等任务,但已于 2022 年 12 月停止作为商业推理解决方案提供。
OpenAI 推出 GPT-3 应用定制功能,支持通过单条命令完成微调。该特性旨在简化开发者对大语言模型的适配流程,降低自定义模型的技术门槛。
Hugging Face 发布首个基于 Unity ML-Agents 的深度强化学习环境 Snowball Fight,该游戏已托管于 Hugging Face Spaces。团队计划构建开源生态,支持用户分享自定义环境与模型,并将推出采用 MA-POCA 算法的 2vs2 协作版本及教程。
Hugging Face 发布开源 Python 库及无代码界面 Data Measurements Tool,支持在线构建、测量和比较数据集。该工具基于 Dataset 和 Spaces Hubs 与 Streamlit 开发,提供描述性统计、分布统计及 Zipf 定律符合度等指标,帮助用户识别数据缺失、重复值及标签不平衡问题。
OpenAI 宣布其 API 现已无需等待名单即可直接使用。官方称这一更广泛的可用性得益于安全方面的进展。
Hugging Face 推出开源库 Optimum,旨在简化 Transformer 模型在特定硬件上的训练与推理性能优化。该工具包通过与 Intel 等硬件合作伙伴协作,抽象了量化、稀疏化等加速技术的复杂性,帮助工程师高效部署 BERT、ViT 等模型。
OpenAI 发布改进版 Codex,该 AI 系统可将自然语言转换为代码。新版本即日起通过 API 以私有测试形式开放。
OpenAI 正式发布 Triton 1.0,这是一个用于编写高性能深度学习原语的语言和编译器。Triton 允许开发者使用类似 Python 的语法直接操作 GPU,无需掌握 CUDA C++ 或复杂的底层优化技巧,即可实现接近专家手写代码的性能。该工具旨在简化自定义神经网络层、注意力机制及优化器的开发流程,目前已在 GitHub 开源并支持 PyTorch 集成。
spaCy 正式接入 Hugging Face Hub,用户可通过 `spacy-huggingface-hub` 库一键上传模型并自动生成元数据。Hub 内已收录超 60 个来自 spaCy 3.1 版本的官方模型,支持通过 pip 直接安装及调用推理 API。目前集成提供 NER 组件的交互式 Widget,文本分类与 POS 标注功能即将上线。
Hugging Face 发布新的 Inference DLCs,支持通过一行代码将模型部署至 Amazon SageMaker。用户可直接调用 Model Hub 中 10,000+ 公开模型或已训练模型,利用 SageMaker Python SDK 快速构建具备自动扩缩容与监控能力的生产级推理端点。
Hugging Face Hub 正式集成 Sentence Transformers v2,支持加载超过 90 个覆盖 100 多种语言的预训练模型。Hub 新增特征提取和句子相似度两个交互组件,并提供 Inference API 端点供程序化调用。用户可通过 `save_to_hub` 快速分享模型,自动生成的模型卡片将展示架构详情及使用示例。
Hugging Face 推出 🤗 Accelerate,让 PyTorch 训练脚本在任意设备上运行。该库通过极简 API 抽象分布式训练与混合精度代码,支持多 GPU、TPU 及 fairscale、DeepSpeed 等方案。
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。
Geth v1.10.0 发布,引入了柏林分叉、快照、同步算法改进、离线修剪、交易去索引、预图像丢弃、ETH/66 协议、ChainID 强制执行、数据库检查、标志弃用和未清洁关闭跟踪等新功能,旨在提高以太坊网络的性能和安全性。
推荐理由:原文详细介绍了 Geth v1.10.0 的主要更新,包括柏林分叉、快照、同步算法改进、离线修剪、交易去索引、预图像丢弃、ETH/66 协议、ChainID 强制执行、数据库检查、标志弃用和未清洁关闭跟踪等,读者可以了解这些更新对以太坊网络的影响。
Hugging Face 通过优化 🤗 Transformers 和 Tokenizers 库,为 API 客户实现 Transformer 模型推理速度提升 100 倍。第一阶段利用 Rust 实现的 Tokenizer 缓存及注意力矩阵降维技术获得 10 倍加速;第二阶段针对特定硬件进行图优化、层融合及量化编译,再获 10 倍性能增益。
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。
Ethereum.org 翻译计划在 2020 年更新了 16 种语言,翻译内容页面浏览量增长 10 倍。目前支持 33 种语言,其中 25 种仍在进行中。计划通过改进用户体验和更新翻译程序,使网站内容更易于访问。
Ethereum 新开发者门户上线,提供全面的技术文档和社区教程,支持代码实验和社区协作,目前处于 MVP 阶段,鼓励开发者贡献内容,提升文档质量。
OpenAI 发布了新的 API 接口,用于访问 OpenAI 开发的 AI 模型。