Jun Kim, oMLX 제작자 및 유지 보수자, MLX 커뮤니티를 지원하는 Hugging Face에 가입
Jun Kim, oMLX 제작자 및 유지 보수자, MLX 커뮤니티를 지원하는 Hugging Face에 가입
AI NEWS JOURNAL
전체 AI 소식
출처, 주제, 시간으로 전체 뉴스에서 관심 소식을 찾아보세요.
tokenizers v1 : 인코딩, 디코드 및 스케일링, 측정
tokenizers v1 : 인코딩, 디코드 및 스케일링, 측정
노동자들이 새로운 업무 방식을 어떻게 개척하고 있는가
새로운 OpenAI 경제 연구는 노동자들이 전통적인 역할을 넘어 AI를 어떻게 활용하는지와 어떤 새로운 활동들이 그들의 업무에서 반복적으로 이루어지는지를 보여줍니다.
귀하의 에이전트는 작업을 수행. 그것은 다시?
귀하의 에이전트는 작업을 수행. 그것은 다시?
Gradio Workflow와 AUTOMATIC1111를 재건
Gradio Workflow와 AUTOMATIC1111를 재건
HF 작업에 걸쳐 LoRA와 Async GRPO : 버킷, 프록시 및 NCCL
HF 작업에 걸쳐 LoRA와 Async GRPO : 버킷, 프록시 및 NCCL
연구 가속: OpenAI 내부의 전망
OpenAI 내부, 코딩 에이전트는 AI 연구를 재구성합니다. 에이전트 사용, 실험 속도, 작업 복잡성 및 연구 가속에 초기 데이터를 탐구합니다.
TRL 및 OpenEnv로 Watercolours를 페인트하는 코딩 모델을 훈련
TRL 및 OpenEnv로 Watercolours를 페인트하는 코딩 모델을 훈련
당신의 코딩 대리인에게 당신이 소유하는 기억을 주십시오
당신의 코딩 대리인에게 당신이 소유하는 기억을 주십시오
NeoMME: 효율적인 멀티모드-native 및 다국어 인코더
NeoMME: 효율적인 멀티모드-native 및 다국어 인코더
@huggingface/kernels 소개: 현지 AI를 위한 200+ WebGPU Kernels
@huggingface/kernels 소개: 현지 AI를 위한 200+ WebGPU Kernels
와이어, 그것을 실행, 배포: AI Workflows in Gradio
와이어, 그것을 실행, 배포: AI Workflows in Gradio
화강암 4.2 LLMs: 그들은 건축하는 방법
화강암 4.2 LLMs: 그들은 건축하는 방법
How Hugging Face Inference Endpoints, 작업 및 버킷 Power Search on Papers with Code
How Hugging Face Inference Endpoints, 작업 및 버킷 Power Search on Papers with Code
LFM2.5-DSpark를 가진 3.2x 더 빠른 Inference까지
LFM2.5-DSpark를 가진 3.2x 더 빠른 Inference까지
얼마나 많은 메모리가 실제로 필요한가?
얼마나 많은 메모리가 실제로 필요한가?
Multi-Vector (Late Interaction) 에버딩 모델
Multi-Vector (Late Interaction) 에버딩 모델
같은 클러스터, 33 포인트 더 활용: 어떤 변화는 순서
같은 클러스터, 33 포인트 더 활용: 어떤 변화는 순서
오픈 모델의 국가: 여름 2026 관측
오픈 모델의 국가: 여름 2026 관측
기록, 기차, 물가 에이전트, LeRobot 및 Hugging Face Storage Buckets와 함께 한 곳에서 배포
기록, 기차, 물가 에이전트, LeRobot 및 Hugging Face Storage Buckets와 함께 한 곳에서 배포