Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
SlashdotLos CVEs de Python se han triplicado; Anthropic financia a un nuevo desarrollador de seguridad
Los CVEs para Python y su gestor de paquetes Pip han aumentado tres veces en el último año, y el malware publicado en PyPI ha crecido un 60%. Para abordar la complejidad de la seguridad en el ecosistema de Python, se ha contratado un nuevo Desarrollador de Seguridad gracias a una subvención de Anthropic. Este nuevo rol busca mejorar la respuesta a la seguridad y prevenir futuras amenazas en el ecosistema.
Hugging Face BlogPyTorch 2.15 llega a Mac con FP8 en MPS y decodificación de modelos de lenguaje más rápida
El equipo de PyTorch de Hugging Face presentó PyTorch 2.15, que incorpora soporte FP8 en el backend MPS de Apple y acelera la decodificación de modelos de lenguaje. Los modelos de mezcla de expertos decodifican entre 5 y 6,5 veces más rápido que en 2.14, y la decodificación de video de Wan2.2 reduce su pico de memoria de 270 GiB a 8 GiB. La versión requiere macOS 15 o posterior y Python 3.11 o posterior, y adelanta que 2.16 ejecutará la atención enteramente en Metal.
RockdeluxDJ Python
La música de DJ Python muestra una evolución en su sonido, manteniendo una identidad propia a través de sus lanzamientos. Su nuevo EP, “to accomplish many things”, combina elementos americanos y trap con atmósferas relajantes y emotivas. El artista continúa explorando la mezcla de géneros, reafirmando su enfoque en la identidad sonora.
Perfilado en PyTorch (Parte 1): guía para principiantes de torch.profiler
Entrada de blog de Hugging Face que inaugura una serie sobre perfilado en PyTorch, centrada en el uso de torch.profiler para leer trazas de CPU y GPU. Explica con ejemplos de multiplicación y suma de matrices cómo distinguir algoritmos limitados por sobrecarga de los limitados por cómputo, interpretar la tabla del perfilador y la cadena de despacho hasta los kernels de CUDA. También analiza el efecto de torch.compile, que fusiona operaciones a nivel del despachador pero no genera un kernel único y aumenta la sobrecarga de CPU por paso.
HackerNoonCómo generar, recalcular y validar libros de Excel con Python
El artículo describe cómo automatizar la generación y validación de libros de Excel utilizando Python para manejar cálculos financieros complejos. Se detalla el uso de openpyxl para escribir fórmulas y la necesidad de usar LibreOffice para recalcular los valores, así como las soluciones para problemas de concurrencia y la necesidad de prefijos para funciones modernas de Excel.
No se identificaron personas.
Perfilado en PyTorch (Parte 2): de nn.Linear a un MLP fusionado
Segunda entrega de la serie "Profiling in PyTorch", que enseña a leer trazas del perfilador para optimizar modelos. El artículo parte de nn.Linear, muestra que el sesgo ya está plegado en el epílogo del kernel GEMM (addmm) y que torch.compile no tiene nada que fusionar en una sola capa. Luego apila tres capas en un MLP con activación GeGLU: en modo eager se lanzan cinco kernels y el intermedio pasa por HBM, mientras que compile fusiona GeLU y mul en un único kernel Triton; finalmente compara con kernels ajustados a mano de Liger, que logran la misma fusión sin costo de compilación.
De PyTorch DDP a Accelerate y Trainer: dominio del entrenamiento distribuido con facilidad
El artículo técnico explica cómo escalar el entrenamiento de modelos de PyTorch en múltiples GPU y nodos mediante tres niveles de abstracción: el módulo nativo torch.distributed con DistributedDataParallel, la biblioteca 🤗 Accelerate y la API de alto nivel Trainer de Hugging Face. Detalla la configuración de grupos de procesos, el uso de torchrun y notebook_launcher, y cómo Accelerate reduce cambios de código y optimiza la memoria de los DataLoaders. Concluye que Trainer permite entrenamiento distribuido sin escribir código específico.
Noticias encontradas
Coincidencias por palabras en títulos, resúmenes, temas, personas, lugares o firmas.
Resultados para «Python»
Más recientes primero · Hasta 30 noticias por página
De cero a GPU: guía para construir y escalar kernels CUDA listos para producción
Hugging Face publicó una guía técnica para construir kernels CUDA personalizados listos para producción usando su biblioteca kernel-builder. El artículo detalla ocho pasos, desde la estructura del proyecto y el manifiesto build.toml hasta el registro de operadores nativos de PyTorch, la compilación con Nix y la publicación en el Hub. También aborda desafíos de producción como el versionado semántico, el bloqueo de dependencias y la generación de ruedas Python para el despliegue.
Hugging Face lanza Trackio, una biblioteca liviana y gratuita para el seguimiento de experimentos de machine learning
Hugging Face presentó Trackio, una biblioteca de Python de código abierto y gratuita para el seguimiento de experimentos de machine learning, con panel local en Gradio y sincronización con Hugging Face Spaces. Funciona como reemplazo directo de wandb, ya que su API es compatible con wandb.init, wandb.log y wandb.finish. Incluye integración nativa con Transformers y Accelerate, registro del consumo energético de GPU vía nvidia-smi y un código base de menos de 1000 líneas; está en versión beta y aún no ofrece gestión de artefactos ni visualizaciones complejas.
ScreenEnv: publican una librería para desplegar agentes de escritorio de pila completa
El equipo de Hugging Face publicó ScreenEnv, una librería de Python que crea entornos de escritorio Ubuntu aislados en contenedores Docker para probar y desplegar agentes GUI o de uso de computadora. La herramienta ofrece control total del escritorio, integración mediante el Protocolo de Contexto de Modelo (MCP) o API directa del sandbox, y configuración en una línea, con soporte para AMD64 y ARM64. Sus autores anticipan expandirla a Android, macOS y Windows para una automatización multiplataforma.
OpenAI NewsOpenAI presenta los modelos o3 y o4-mini con acceso completo a herramientas
OpenAI lanzó el 16 de abril de 2025 los modelos de razonamiento o3 y o4-mini, los más capaces hasta la fecha, con acceso completo y agéntico a herramientas de ChatGPT como búsqueda web, Python y análisis de imágenes. o3 lidera benchmarks de programación, matemática y percepción visual, mientras que o4-mini prioriza velocidad y bajo costo con alto rendimiento en AIME. La compañía destacó mejoras de seguridad, la CLI de código abierto Codex y una iniciativa de un millón de dólares en créditos de API.
17 razones por las que Gradio no es solo otra biblioteca de interfaz de usuario
Un artículo del blog de Hugging Face, publicado el 16 de abril de 2025 y firmado por Yuvraj Sharma y Abubakar Abid, detalla 17 características que distinguen a Gradio de una simple biblioteca de interfaz de usuario. Entre ellas se destacan el acceso universal a API, el renderizado del lado del servidor, la gestión automática de colas, el streaming en tiempo real, el soporte para aplicaciones de múltiples páginas y la ejecución en el navegador con Gradio Lite. Los autores sostienen que Gradio evolucionó hacia un framework integral para construir y desplegar aplicaciones de inteligencia artificial en Python, con seguridad de nivel empresarial y herramientas asistidas por IA.
FastRTC: la biblioteca de comunicación en tiempo real para Python
Hugging Face presentó FastRTC, una biblioteca de código abierto para Python que facilita la creación de aplicaciones de audio y video con IA en tiempo real, con detección automática de voz, interfaz Gradio con WebRTC y soporte para FastAPI. El anuncio se produce en un contexto de auge de modelos de voz en tiempo real, como los de OpenAI, Google, Kyutai y Alibaba, y de una ronda de 180 millones de dólares de ElevenLabs. La herramienta busca resolver la dificultad de los ingenieros de ML para construir aplicaciones de streaming en Python.
Cómo desplegar y ajustar los modelos DeepSeek en AWS
Hugging Face publicó una guía para desplegar y ajustar los modelos de razonamiento DeepSeek-R1 en servicios de AWS, incluyendo Inference Endpoints, Amazon Bedrock Marketplace, SageMaker AI y EC2 Neuron. El documento detalla configuraciones de hardware recomendadas para cada variante destilada y ofrece fragmentos de código en Python para el despliegue. También señala que el equipo trabaja en habilitar el despliegue en Inferentia y el ajuste fino de todos los modelos DeepSeek.
Hugging Face y AWS permiten desplegar 83 modelos abiertos en Amazon Bedrock Marketplace
Hugging Face anunció que 83 modelos abiertos de su catálogo ya están disponibles en Amazon Bedrock Marketplace, con endpoints gestionados por Amazon SageMaker JumpStart. Los clientes de AWS pueden desplegar modelos como Google Gemma 2 27B Instruct y usarlos con las API de Bedrock, incluidas Agents, Knowledge Bases, Guardrails y Model Evaluations, pagando solo por el cómputo de SageMaker. El artículo explica paso a paso el despliegue desde el catálogo de modelos y la invocación mediante la API Converse con el SDK de Python.
Un experimento con Keras y TPUs evalúa la capacidad de los LLM para corregir sus propios errores
Un experimento publicado por Martin Görner evalúa la capacidad de distintos modelos de lenguaje (LLM) para corregir errores en llamadas a una API de Python cuando se les señala el fallo en inglés simple. Usando una arena de chatbots construida con Keras, JAX y TPUs, se probaron modelos de las familias Gemma, Llama, Mistral y Vicuna en tareas de agendamiento de calendario. Solo Gemma 2 9B superó la prueba casi perfectamente, mientras que los modelos pequeños y antiguos mostraron dificultades para corregir sus errores de forma fiable.
BERTopic se integra con Hugging Face Hub para gestionar modelos de topic modelling
La biblioteca Python BERTopic anunció una actualización que permite enviar y cargar modelos de topic modelling directamente hacia y desde Hugging Face Hub, facilitando su despliegue en producción. La integración también incorpora serialización con safetensors para una gestión segura de modelos y reduce el tamaño de los modelos entrenados con grandes volúmenes de datos. El artículo ejemplifica su uso explorando temas en conjuntos de datos RLHF como OpenAssistant Conversations y Databricks-dolly-15k.
Guía completa de conjuntos de datos de audio en Hugging Face
Artículo técnico de Hugging Face que explica cómo usar la biblioteca 🤗 Datasets para descargar, cargar y preprocesar conjuntos de datos de audio con una sola línea de código Python. Detalla el remuestreo, las funciones de preprocesamiento y filtrado, y el modo de transmisión para trabajar con datasets de gran tamaño sin restricciones de disco. Incluye un recorrido por los principales conjuntos de datos de reconocimiento de voz, traducción de voz y clasificación de audio disponibles en el Hub.
Cómo Hugging Face optimizó la inferencia de BLOOM con una reducción de latencia de 5x
El artículo detalla el proceso de optimización del servidor de inferencia del modelo BLOOM de 176.000 millones de parámetros, desarrollado por Hugging Face y BigScience. El equipo logró reducir la latencia de 350 ms/token a 71 ms/token y multiplicar por 50 el throughput, combinando paralelismo de tensores, kernels personalizados, torch.jit.script y un servidor web en Rust y Python. También relata fracasos como mediciones erróneas por un profiler olvidado y las dificultades de estabilidad con DeepSpeed.
OpenAI lanza Triton, un lenguaje de programación de código abierto para GPUs orientado a redes neuronales
OpenAI anunció el lanzamiento de Triton 1.0, un lenguaje de programación de código abierto similar a Python que permite a investigadores sin experiencia en CUDA escribir código de GPU altamente eficiente. Triton automatiza optimizaciones como la coalescencia de memoria y la gestión de memoria compartida, logrando kernels de multiplicación de matrices FP16 que igualan a cuBLAS en menos de 25 líneas de código. La herramienta, basada en una representación intermedia LLVM llamada Triton-IR, ya permitió generar kernels hasta 2 veces más eficientes que implementaciones equivalentes de Torch, y OpenAI busca que sea un proyecto impulsado por la comunidad.
OpenAI detalla su infraestructura para el aprendizaje profundo y libera un gestor de escalado para Kubernetes
OpenAI publicó un artículo en el que describe cómo avanza la investigación en aprendizaje profundo y las decisiones de infraestructura que adoptó para sostenerla, desde el prototipado rápido hasta el entrenamiento a gran escala en múltiples GPUs. La empresa detalla su uso de Python, TensorFlow, Terraform, Chef, Packer y Kubernetes sobre AWS y servidores físicos con GPUs Titan X. Además, anunció la liberación de kubernetes-ec2-autoscaler, un gestor de escalado optimizado para lotes que aprovisiona y drena nodos automáticamente y puede desbordar a una región secundaria de AWS.