Hugging Face 推出其首個 Unity ML-Agents 虛擬環境「Snowball Fight」(打雪仗)。此環境旨在提供一個趣味且具挑戰性的平台,讓開發者與研究人員能夠訓練、測試並分享他們的深度強化學習(DRL)模型。使用者可以利用 Unity ML-Agents 工具包進行訓練,並將訓練好的 Agent 模型上傳至 Hugging Face Hub 進行交流與對戰。
Hugging Face 與 Graphcore 合作推出 Optimum 整合方案,讓開發者能輕鬆在 IPU(智慧處理單元)上運行 Transformers 模型。透過專屬的 IPUTrainer,開發者只需修改極少程式碼,即可將現有的 PyTorch 訓練流程轉移至 IPU,大幅提升特定 AI 任務的運算效率。
Hugging Face 發表了 Data Measurements Tool,這是一個互動式工具,旨在幫助機器學習從業者在訓練模型前深入了解資料集。該工具提供資料集大小、標籤分佈、詞彙多樣性及潛在偏見(如性別或地理偏見)等關鍵指標的視覺化分析。透過此工具,使用者無需撰寫複雜程式碼,即可在 Hugging Face Hub 上直接評估資料品質,推動更負責任的 AI 開發。
Vercel 宣布獲得 1.5 億美元 D 輪融資,由 GGV Capital 領投,估值攀升至 25 億美元。此輪資金將用於加速產品研發、擴大全球團隊,並持續投資開源 Next.js 生態系。Vercel 旨在為全球開發者打造更快速、更具協作性的現代 Web 端到端部署與開發平台。
Hugging Face 與 Intel 合作,展示如何利用 Intel Extension for PyTorch (IPEX) 和 oneCCL 提升 CPU 上的模型微調效率。透過自動混合精度(BFloat16)與優化的分散式通訊,開發者可以在 Intel Xeon 處理器上實現高效的多節點分散式訓練。這為缺乏 GPU 資源或希望活化現有 CPU 叢集的企業提供了極具成本效益的替代方案。
本教學詳細介紹如何利用 Hugging Face Transformers 庫,針對缺乏訓練數據的低資源語言微調 Meta 的 XLSR-Wav2Vec2 語音模型。內容涵蓋從 Common Voice 數據集下載、音訊預處理、建立專屬 Tokenizer,到使用 CTC 損失函數進行模型訓練的完整工作流。對於想在特定方言或少數語言上實現高精度語音辨識(ASR)的開發者與研究人員,這是極具價值的實戰指南。
前端部署平台 Vercel 宣布 Svelte 框架創始人 Rich Harris 正式加入團隊。Rich Harris 先前於《紐約時報》擔任圖表編輯,加入 Vercel 後將得以全職專注於 Svelte 及 SvelteKit 的開發與社群生態建設。此舉展現了 Vercel 支持多元開源前端框架、不限於 Next.js 的決心,旨在為開發者提供更優質的部署與開發體驗。
本篇為 Hugging Face 與 Intel 合作的第二部分,深入探討在現代 CPU(如 Intel Xeon)上優化 BERT 推理的進階技術。文章重點介紹了 Intel Extension for PyTorch (IPEX)、INT8 量化以及 Bfloat16 混合精度運算。透過這些軟硬體協同優化與 NUMA 核心綁定,開發者能在不犧牲精度的前提下,獲得數倍的推理吞吐量提升。
本活動公告為 Hugging Face 於 2021 年 10 月舉辦的「課程發布社群活動」。該活動旨在慶祝 Hugging Face 官方 NLP 課程的推出,並透過社群黑客松、技術講座與交流,引導開發者與研究人員深入學習 Transformers、Datasets 和 Tokenizers 等開源工具,促進開源 AI 生態系的發展。
本文探討大型語言模型(LLM)參數規模以驚人速度增長的現象,並將其與「摩爾定律」相提並論。然而,這種「越大越好」的趨勢伴隨著極高的算力成本、碳排放以及技術壟斷風險。Hugging Face 呼籲社群關注模型民主化,並透過開源合作(如 BigScience 專案)與高效能技術(如蒸餾、量化)來打破巨頭壟斷,尋求更永續的 AI 發展路徑。
Hugging Face 介紹了如何利用超過 10 億個句子對(Sentence Pairs)的大規模數據集,訓練出高效且精準的句子嵌入模型。文中詳細說明了數據集整合、對比學習(Contrastive Learning)的訓練方法,並釋出了包含 all-MiniLM-L6-v2 在內的多款熱門開源模型。這些模型至今仍是 RAG 和語意搜尋系統中非常經典且高效的基準選擇。
Hugging Face 探討了機器學習從學術研究走向主流軟體工程的轉變。隨著 Hugging Face Hub 等平台的興起,模型、數據集和展示空間(Spaces)都開始採用類似 Git 的版本控制與協作模式。這意味著 AI 開發不再只是科學家的專利,而是轉向以「程式碼為中心」的開發者生態,讓軟體工程師能用幾行程式碼輕鬆整合強大模型。
本文探討如何針對遙測(衛星)影像微調 OpenAI 的 CLIP 多模態模型。由於通用 CLIP 在處理俯視、高空等特殊視角的衛星影像時表現不佳,研究團隊利用 RSICD 數據集與 JAX/Flax 框架進行微調。微調後的模型能顯著提升衛星影像的文本檢索與分類準確度,為地理資訊與遙測領域提供強大的開源工具。
Hugging Face 宣布在 Spaces 平台正式支援 Gradio,開發者現在可以輕鬆將機器學習模型轉化為具備美觀 UI 的互動式網頁應用。只需撰寫簡單的 Python 程式碼,即可將專案託管於 Spaces 並產生分享連結。這項整合大幅降低了 AI 專案展示的門檻,促進了開源社群的交流與模型體驗。
Hugging Face 宣布在其平台推出 Spaces 服務,並原生支援熱門的 Python 網頁框架 Streamlit。開發者只需撰寫簡單的 Python 程式碼,即可將 Hugging Face 上的模型與資料集轉化為具備互動介面的 Web 應用。透過 Git 工作流,開發者能輕鬆部署、分享並與社群共同協作,極大降低了 AI 專案展示的門檻。
Hugging Face 發表 2021 年夏季回顧,重點介紹其暑期實習生在多個前沿 AI 領域的貢獻。實習生們參與了包括 Wav2Vec2 語音模型優化、多模態模型開發、Datasets 庫擴充,以及與 Google 合作的 JAX/Flax 社群黑客松。這段期間也見證了 Hugging Face Spaces 的快速成長,為開源 AI 社群注入了強大動力。
Vercel 於 2021 年 9 月宣布 Next.js Conf 2021 的舉辦消息,主題定為「Let’s make the Web. Faster.」。大會旨在聚集全球開發者,共同探討如何優化網頁效能與開發者體驗。此活動隨後催生了 Next.js 12 的發布,引入了 Rust 編譯器等重大效能變革,是前端開發史上的重要里程碑。
Hugging Face 宣布與 AI 晶片公司 Graphcore 建立合作夥伴關係,共同優化 Transformer 模型。 雙方推出了開源庫 `optimum-graphcore`,使開發者能輕鬆將模型部署至 Graphcore 的智慧處理單元(IPU)上。 此合作旨在降低硬體加速門檻,為開發者在 GPU 之外提供更高效、具成本效益的 AI 算力選擇。
Hugging Face 宣布推出全新開源專案 Optimum,旨在簡化 Transformer 模型在特定硬體上的優化流程。透過與 Intel、Graphcore 等硬體夥伴合作,Optimum 提供模型量化、剪枝與圖優化等工具,讓開發者能輕鬆在各式加速器上實現最大化的生產線部署效率。
Vercel 宣布支援將專案轉移至個人帳號(Personal Accounts)。此更新解決了過去專案只能往團隊帳號移轉或流程繁瑣的痛點,讓開發者能更彈性地調整專案歸屬,例如將不再需要團隊協作的專案移回個人空間,有效降低團隊席位成本並提升管理靈活性。
本文介紹 Hugging Face 如何利用去中心化深度學習庫 `hivemind`,在網際網路上進行協作式模型訓練。透過分散式雜湊表(DHT)與容錯演算法,全球志願者能用自己的 GPU 共同訓練出孟加拉語模型 SahajBERT。這種方法打破了大型科技公司對大模型算力的壟斷,為開源社群提供了一條去中心化訓練的新路徑。
Hugging Face 宣佈將熱門的工業級自然語言處理(NLP)庫 spaCy 整合至 Hugging Face Hub。開發者現在可以使用全新推出的 `spacy-huggingface-hub` 工具,輕鬆將訓練好的 spaCy 管道模型上傳至 Hub 進行版本控制與分享。此外,Hub 還為 spaCy 模型提供了專屬的互動式瀏覽器測試介面(Widget),大幅提升了模型展示與協作的便利性。
Hugging Face 宣布與 AWS 深度整合,推出專屬的 SageMaker 深度學習容器(DLC)。開發者現在可以直接利用 SageMaker Python SDK,將 Hugging Face Hub 上的數萬個預訓練模型一鍵部署至託管的 SageMaker 端點。這項合作大幅簡化了 NLP 模型的正式生產環境部署流程,並兼顧了 AWS 的安全與彈性擴展優勢。
Vercel 官方宣布 Kathy Korevec 正式加入並擔任產品負責人。Kathy 過去在 GitHub 擁有豐富的產品管理經驗,曾帶領團隊提升開發者體驗。加入 Vercel 後,她將專注於引領 Vercel 平台與 Next.js 的產品策略,致力於打造更極致的開發者工作流與協作體驗。
Vercel 宣布推出 Integrations Marketplace,旨在簡化開發流程。開發者現在可以一鍵將 Supabase、PlanetScale、Sanity 和 Auth0 等第三方服務與 Vercel 專案連結。系統會自動配置環境變數,免去手動複製 API 金鑰的繁瑣步驟,大幅提升全端開發效率。
Hugging Face 宣布與熱門的 Sentence Transformers 庫深度整合。開發者現在可以直接在 Hub 上託管、分享和發現語義嵌入模型。Hub 同時新增了專屬的互動式小工具,讓使用者能在瀏覽器中直接測試句子相似度,並提供自動生成的程式碼範例,大幅簡化了 NLP 嵌入模型的應用流程。
前端託管與開發平台 Vercel 宣佈完成 1.02 億美元的 C 輪融資,由 Bedrock Capital 領投,估值晉升至 11 億美元。此輪資金將用於加速 Next.js 開發、優化全球邊緣網路(Edge Network),並持續提升開發者的協作與部署體驗,共同打造下一代現代 Web。
Vercel 舉辦 Next.js Conf 特別版,正式發表 Next.js 11。本次更新重點包括與 Google 團隊合作的 Conformance 開發規範、優化第三方腳本載入的 next/script、支援本地圖片自動尺寸偵測與模糊預覽的 next/image,以及預設啟用 Webpack 5 以提升編譯速度。此外,官方更展示了基於 WebAssembly 技術、可在瀏覽器中進行即時協作開發的 Next.js Live 預覽版,為前端開發與團隊協作帶來全新想像。
本文介紹如何使用 EleutherAI 的開源模型 GPT-Neo,結合 Hugging Face 的 Accelerated Inference API 進行「少樣本學習(Few-shot learning)」。讀者將了解如何透過精心設計的提示詞(Prompt),讓模型在不需重新訓練或微調的情況下,僅憑幾個範例就能執行特定任務。這為開發者提供了一種快速、低成本且無需維護複雜基礎設施的 NLP 實作方案。
Gradio 2.0 迎來與 Hugging Face 的重大整合,推出全新功能讓開發者能直接載入並混合 Model Hub 中的模型。透過簡單的 Python 程式碼,即可快速建立機器學習應用的 Web 介面。這項更新不僅簡化了模型展示流程,更支援並排比較與多模型串聯,極大提升了原型開發與分享的效率。