Protect AI 与 Hugging Face 合作提升模型安全性
Protect AI 与 Hugging Face 合作,通过 Guardian 的扫描技术增强机器学习模型的安全性,已扫描 4.47 百万独特模型版本,识别 35.2 万不安全/可疑问题。
推荐理由:Protect AI 与 Hugging Face 的合作提升了机器学习模型的安全性,通过 Guardian 的扫描技术,为开发者提供了更全面的模型安全信息,有助于用户做出更明智的决策。
Hugging Face 开源社区动态:热门模型与数据集、排行榜变化与开源生态的晴雨表。
Protect AI 与 Hugging Face 合作,通过 Guardian 的扫描技术增强机器学习模型的安全性,已扫描 4.47 百万独特模型版本,识别 35.2 万不安全/可疑问题。
推荐理由:Protect AI 与 Hugging Face 的合作提升了机器学习模型的安全性,通过 Guardian 的扫描技术,为开发者提供了更全面的模型安全信息,有助于用户做出更明智的决策。
视觉萨拉丁马模型基于 Salamandra 大语言模型,扩展到图像和视频处理,通过融合视觉和文本模态,实现多模态理解。
推荐理由:Visual Salamandra 模型在多模态理解方面取得突破,结合视觉和文本模态,具有广泛的应用前景。
Hugging Face发布了阿拉伯语排行榜,包括阿拉伯指令遵循和AraGen的更新,旨在提升阿拉伯语AI模型的评估和性能。
推荐理由:该研究为阿拉伯语AI模型评估提供了新的基准和工具,对相关领域的研究和应用具有重要意义。
Hugging Face 与 Meta 合作发布了 Llama 4 Maverick 和 Llama 4 Scout 模型,这两个模型都是 MoE 架构,具有 17B 活跃参数,支持多模态输入。
推荐理由:原文介绍了 Llama 4 Maverick 和 Llama 4 Scout 的主要特性和能力,读者可以了解这些模型如何改变现有工作流。
Gradio 发布了 100 万用户里程碑,介绍了其发展历程和成功经验,包括专注于机器学习应用、快速迭代和最大化用户使用方式等。
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。
Hugging Face 发布了新的秘密管理功能,通过迁移到 Infisical,实现了更高效、更安全的管理方式,提高了工程师的工作效率。
推荐理由:Hugging Face 通过迁移到 Infisical,展示了如何通过技术驱动、以工程为中心的方法在多个云平台上管理秘密,从而带来显著的好处。对于解决类似挑战,使用 Infisical 是一种更高效同时保持安全性的实用方式。当安全路径成为最容易的路径时,团队可以专注于构建创新产品而不是担心管理秘密。
Hugging Face 推出基于 Intel Gaudi 的 Text Generation Inference (TGI) 推理加速功能,支持 Gaudi 硬件,提供更多部署选项,并支持多种模型和高级功能。
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。
NVIDIA在GTC大会上发布了三款开源产品,包括新的世界基础模型Cosmos Transfer、物理AI数据集和用于通用人形机器人推理的开源模型NVIDIA Isaac GR00T N1,旨在加速物理AI的发展。
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。
Hugging Face 的 Xet 团队将第一个模型和数据集存储库从 LFS 迁移到 Xet 存储,标志着 Hugging Face 实现其 Hub 愿景的又一步,使 AI 构建者能够更有效地构建、迭代和协作大型模型和数据集。Xet 存储使用内容定义的块分割(CDC)来重复数据删除,在字节级别(约 64KB 的数据块)进行重复数据删除。与 LFS 相比,Xet 存储可以显著提高大文件传输的效率。
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。
Google 发布了 Gemma 3,这是一个全新的多模态、多语言、长上下文开源大语言模型。Gemma 3 模型系列从 1B 到 27B 参数不等,支持 140 多种语言,并具有处理图像和文本的能力。
推荐理由:Gemma 3 的发布标志着 Google 在多模态、多语言大语言模型领域的最新进展,其强大的功能和开放性为读者提供了了解和评估该模型的机会。
Hugging Face 发布了名为 L2D 的世界最大开源自动驾驶数据集,包含来自德国 30 个城市的 90+ TB 多模态数据,旨在训练基于自然语言指令的端到端模型。
推荐理由:L2D 数据集的发布为自动驾驶领域提供了大规模、多模态的数据集,有助于推动机器人 AI 的发展。
Cohere 发布了 Aya Vision 多语言多模态模型家族,包括 8B 和 32B 参数的视觉语言模型 (VLMs),旨在解决 AI 领域的挑战,将多语言性能引入多模态模型。Aya Vision 基于 Aya Expanse 模型,并采用合成注释、多语言数据扩展和多模态模型合并等技术,在图像描述、视觉问答、文本生成和图像翻译等任务中表现出色。
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。
Hugging Face与印度科学研究所和ARTPARK合作,开放了Vaani数据集,这是一个涵盖印度多种语言和方言的多模态数据集,旨在促进AI系统对印度多元语言的更好理解和应用。
推荐理由:原文介绍了Vaani数据集的开放和其在AI领域的应用潜力,读者可以了解其对语言模型和AI系统的影响。
Hugging Face 发布了 SmolVLM2,这是一个能够进行视频理解的新模型,旨在让视频理解在所有设备上变得可行。该模型提供了三种不同大小的版本,并支持 Python 和 Swift API。
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。
Google 发布了新的 PaliGemma 2 Mix 智能体功能,包括三种不同规模和分辨率的模型,以及针对多种视觉语言任务的微调。
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。
Hugging Face 使用 Math-Verify 重新评估了 Open LLM Leaderboard 上的所有模型,解决了之前评估中的问题,导致排行榜发生重大变动,许多模型在分数上显示出显著改进。
推荐理由:Math-Verify 的引入显著提高了 Open LLM Leaderboard 评估的准确性和公平性,导致排行榜发生重大变动,许多模型在分数上显示出显著改进。
Hugging Face Hub 推出基于块的优化功能,通过将数据分块并聚合存储,显著提高了上传和下载速度,从而加速 AI 建模和协作过程。
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。
Hugging Face 发布了 OpenR1-Math-220k,一个用于数学推理的大规模数据集,包含 220k 个问题及其推理过程,旨在为推理模型训练提供高质量数据。
推荐理由:OpenR1-Math-220k 数据集的发布为数学推理研究提供了高质量的数据资源,读者可以了解其构建方法和在推理模型训练中的应用。
OpenAI 发布 Deep Research 智能体功能,该系统可浏览网页并基于总结回答问题。Deep Research 由 LLM 和内部“智能体框架”组成,可指导 LLM 使用工具如网络搜索并按步骤组织其操作。
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。
Hugging Face 发布了由 Physical Intelligence 开发的 π0 和 π0-FAST,两款视觉-语言-动作(VLA)模型,旨在为通用机器人控制提供支持。这些模型在 Hugging Face LeRobot 仓库中可用,并展示了在复杂现实任务上的强大能力。π0-FAST 引入了新的 tokenization 方案,提高了效率和性能。
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。