Buscar noticias
Buscá por texto y descubrí noticias relacionadas con tu consulta.
Noticias relevantes
Hasta 10 noticias relacionadas por su significado, ordenadas por relevancia.
No encontramos noticias relacionadas por su significado.
Noticias encontradas
Coincidencias en título, descripción, resumen, tags, personas o periodista.
33 resultados para «Aritra»
Más recientes primero · Hasta 30 noticias por página
Republica NepalComienza el cuenta regresivo de 29 días para los Juegos Nacionales décimos
Los preparativos para los 10 Juegos Nacionales están en curso, con el Ministro de Educación y Deportes indicando que la infraestructura y la movilización de recursos están en marcha mediante la colaboración de varios gobiernos. El Primer Ministro de Karnali destacó que la construcción del estadio está finalizada y el enfoque se centra en los arreglos logísticos. Se enfatiza el compromiso de los gobiernos federal y provincial para asegurar el éxito de este evento deportivo.
Free Press JournalBengala Occidental: el BJP lanza su primera célula sindical en el aeropuerto de Kolkata y promete transparencia y bienestar para los trabajadores
El BJP lanzó su primera célula sindical en el Aeropuerto Internacional Netaji Subhas Chandra Bose de Kolkata, marcando su entrada en el ámbito sindical de Bengala Occidental. Sunil Bansal, secretario general nacional y responsable del partido en el estado, anunció planes para expandir estas organizaciones a otros sectores y prometió transparencia y defensa de los intereses de los trabajadores. Samik Bhattacharya, presidente estatal, pidió responsabilidad compartida entre trabajadores y empleadores. Los dirigentes también inauguraron una estatua de Syama Prasad Mookerjee y criticaron a la Izquierda por intentar borrar su legado histórico.
Hugging Face BlogPerfilado de TorchNeuron (Parte 1): perfilado a nivel de sistema en AWS Trainium
El artículo técnico explica cómo perfilar el rendimiento de inferencia en AWS Trainium usando TorchNeuron, el backend nativo de PyTorch de código abierto. Detalla la configuración de torch.profiler con NeuronConfig y el uso de Neuron Explorer para leer trazas del sistema. Compara tres implementaciones de RMSNorm: operaciones ingenuas de PyTorch (2.355 µs), torch.rms_norm fusionado (403 µs) y torch.compile (376 µs), mostrando que la fusión reduce el tiempo de dispositivo a cerca de un sexto.
Llega FLUX.3 Image Klein a Diffusers: el nuevo modelo abierto de generación de imágenes de Black Forest Labs
Black Forest Labs lanzó FLUX.3 Image Klein, un modelo abierto de generación de imágenes disponible desde el primer día en Diffusers. El modelo unifica texto a imagen, imagen a imagen con múltiples referencias y control de diseño mediante cuadros delimitadores en el prompt. El checkpoint destilado genera una imagen de 1024×1024 en unos 2 segundos en una H100, e incluye variantes cuantizadas NVFP4 y FP8, scripts de ajuste fino LoRA y una arquitectura modular.
Transformers ahora ejecuta cuantizaciones de llama.cpp
Hugging Face incorporó soporte para ejecutar modelos en formato GGUF, el estándar de cuantización de llama.cpp, dentro de la librería transformers. La integración reutiliza los kernels ggml de llama.cpp y optimiza el bucle de generación para acercar el rendimiento a esa herramienta en Apple Silicon, comenzando por la arquitectura Qwen3.5. El objetivo es facilitar la inferencia local en Python y PyTorch, aunque la ruta empaquetada es por ahora solo para MPS y con cobertura limitada de arquitecturas.
Meta lanza Muse Glimmer, un modelo multimodal y agéntico de código abierto para uso local
Meta lanzó Muse Glimmer, un modelo multimodal de 30B parámetros (codificador visual de 2B y decodificador de texto de 28B) bajo licencia Apache 2.0, pensado para uso agéntico local y aplicaciones que priorizan la privacidad. El modelo llega con soporte day-0 en transformers, llama.cpp, vLLM e Inference Endpoints, además de un borrador de decodificación especulativa DFlash para acelerar la generación. La publicación, difundida desde el blog de Hugging Face, incluye benchmarks frente a Gemma4-31B y Qwen3.6-27B, demos de auto-cuantización, auto-despliegue y autooptimización, y guías de fine-tuning con TRL.
Thinking Machines lanza Inkling, un modelo abierto multimodal de un billón de parámetros
Thinking Machines Lab lanzó Inkling, un modelo de lenguaje multimodal abierto de aproximadamente un billón de parámetros y ventana de contexto de un millón de tokens, que acepta texto, imágenes y audio de forma nativa. También presentó Inkling-Small, de 276.000 millones de parámetros totales y 12.000 millones activos, con la misma arquitectura. El modelo tiene soporte desde el primer día en transformers, SGLang, vLLM y llama.cpp, y se ofrece en versiones BF16 y NVFP4, además de borradores de predicción multi-token para acelerar la inferencia.
Perfilado en PyTorch (Parte 3): La atención es todo lo que perfilás
Tercera entrega de la serie "Profiling in PyTorch", que enseña a leer trazas del perfilador para optimizar código. Se perfilan distintas implementaciones de atención: la ingenua escrita a mano, la variante con enmascaramiento in situ, y los backends de SDPA (math, efficient, flash y cuDNN). El backend math resulta 3.7 veces más lento por usar FP32 en núcleos CUDA y reconstruir la máscara en cada llamada, mientras que flash y efficient logran un único kernel fusionado en bf16 sobre Tensor Cores.
Hugging Face presenta grandes actualizaciones de su proyecto Kernels con foco en seguridad y desarrollo agéntico
Hugging Face publicó una actualización mayor de su proyecto Kernels, que estandariza el empaquetado, distribución y consumo de kernels personalizados. Se introdujo un nuevo tipo de repositorio "kernel" en el Hub, junto con capas de seguridad como publicadores de confianza y firma de código mediante cosign de Sigstore. También se renovaron las CLIs, se amplió el soporte de frameworks como Torch Stable ABI y Apache TVM FFI, y se sentaron bases para el desarrollo agéntico de kernels.
Hugging Face publica huggingface_hub cada semana con IA, herramientas abiertas y revisión humana
El equipo de Hugging Face detalla cómo pasó de publicar la biblioteca huggingface_hub cada 4 o 6 semanas a lanzar una versión semanal mediante un único flujo de trabajo de GitHub Actions. El proceso combina herramientas abiertas y modelos de pesos abiertos (GLM-5.2) para redactar notas de lanzamiento y anuncios, con verificación determinista de los PR y revisión humana final. Cada lanzamiento cuesta unos 0,25 dólares y el flujo es reutilizable por otros mantenedores.
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.
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.
Harness, scaffold y los términos de agentes de IA que conviene entender bien
Artículo de Hugging Face que funciona como glosario para ordenar la terminología emergente de los agentes de inteligencia artificial. Distingue entre modelo, andamiaje (scaffolding) y arnés (harness), y explica conceptos como ingeniería de contexto, políticas, uso de herramientas, habilidades y subagentes. Incluye una sección sobre entrenamiento con refuerzo que abarca entornos, entrenador, rollout y recompensa, y cierra con enlaces a guías y materiales de referencia.
Cómo el batching asíncrono acelera la inferencia de LLM separando las cargas de CPU y GPU
Un artículo técnico del blog de Hugging Face explica cómo el batching continuo en la inferencia de modelos de lenguaje es por defecto síncrono, lo que deja a la GPU inactiva casi una cuarta parte del tiempo mientras la CPU prepara los lotes. Mediante streams y eventos de CUDA, doble buffer de tensores, un pool de memoria compartido para grafos CUDA y una técnica de arrastre de tokens, los autores separan las cargas de CPU y GPU para que se ejecuten en paralelo. El resultado es una utilización de GPU del 99,4% frente al 76,0% y una reducción del tiempo de generación de 300,6 a 234,5 segundos, una mejora del 22% sin cambios en kernels ni modelos.
Hugging Face presenta una Skill y un banco de pruebas para portar modelos de transformers a MLX con agentes de código
Hugging Face publicó una Skill y un banco de pruebas no agéntico para portar modelos de lenguaje de transformers a mlx-lm, de modo que queden disponibles casi al instante tras su incorporación a transformers. La herramienta asiste a colaboradores y revisores con andamiaje, verificación de configuraciones sensibles como RoPE y comparaciones numéricas por capa, y siempre declara que el PR fue asistido por agente. Los autores sostienen que el cuello de botella del código abierto es entender la base de código, no la velocidad de tipeo, y advierten sobre el aumento de PR generados por agentes que rompen contratos implícitos.
Hugging Face presenta Modular Diffusers, bloques componibles para pipelines de difusión
Hugging Face presentó Modular Diffusers, un nuevo sistema para construir pipelines de difusión mediante la composición de bloques reutilizables en lugar de escribir pipelines completos desde cero. La propuesta complementa la clase DiffusionPipeline con una alternativa flexible que permite inspeccionar, intercambiar y publicar bloques personalizados en el Hub. También se mostró su integración con Mellon, una interfaz visual de nodos, y pipelines de la comunidad como Krea Realtime Video y Waypoint-1.
La biblioteca transformers refuerza su soporte para arquitecturas Mixture of Experts con carga de pesos dinámica y paralelismo de expertos
El artículo técnico del blog de Hugging Face detalla cómo la biblioteca transformers incorporó soporte de primera clase para arquitecturas Mixture of Experts (MoE), con una refactorización del pipeline de carga de pesos mediante WeightConverter, materialización perezosa de tensores y benchmarks que muestran cargas hasta seis veces más rápidas en la versión v5 frente a la v4. También presenta el sistema de backend de expertos conectable (eager, batched_mm, grouped_mm), el paralelismo de expertos con enable_expert_parallel y una colaboración con Unsloth que acelera el entrenamiento de MoE cerca de 12 veces con más de 35% de reducción de VRAM.
Kernels personalizados para todos: Codex y Claude escriben kernels CUDA de producción
Investigadores de Hugging Face crearon una skill de agente que enseña a herramientas de programación con IA como Claude y Codex a escribir kernels CUDA de producción. La probaron en un pipeline de diffusers (LTX-Video) y un modelo de transformers (Qwen3-8B) en GPU H100, logrando aceleraciones de hasta 1.94x en benchmarks aislados de RMSNorm y mejoras de extremo a extremo. Los kernels pueden publicarse en el Kernel Hub para cargarse con una sola línea de código.
Tokenización en Transformers v5: más simple, clara y modular
Hugging Face presentó Transformers v5, un rediseño del sistema de tokenización que separa la arquitectura del tokenizador del vocabulario entrenado, de forma análoga a cómo PyTorch separa la arquitectura de la red de los pesos aprendidos. La nueva versión unifica las implementaciones lenta y rápida en un solo archivo por modelo, con un backend Rust como predeterminado, y permite inspeccionar y entrenar tokenizadores específicos desde cero. El objetivo es hacer la biblioteca más modular, transparente y alineada con las prácticas de desarrollo de sistemas de machine learning.
Diffusers incorpora FLUX.2, el nuevo modelo abierto de generación de imágenes de Black Forest Labs
Black Forest Labs presentó FLUX.2, una nueva serie de modelos abiertos de generación y edición de imágenes con arquitectura y preentrenamiento desde cero, que no reemplaza directamente a FLUX.1. El modelo usa un único codificador de texto (Mistral Small 3.1) y un DiT de 32B con más bloques de flujo único, y su inferencia sin optimizaciones requiere más de 80 GB de VRAM. La publicación de Hugging Face detalla cómo ejecutarlo con Diffusers mediante cuantización de 4 bits, offloading y codificador de texto remoto, además del ajuste fino con LoRA.
Potenciá tus pipelines de OCR con modelos abiertos
Hugging Face publicó una guía sobre modelos abiertos de OCR basados en modelos de visión-lenguaje, comparando opciones como Nanonets-OCR2, PaddleOCR-VL, dots.ocr, OlmOCR-2, Granite-Docling, DeepSeek-OCR, Chandra y Qwen3-VL. El artículo detalla capacidades como transcripción multilingüe, manejo de tablas y gráficos, formatos de salida y evaluación mediante benchmarks como OmniDocBench y OlmOCR-Bench. También aborda eficiencia de costos, conjuntos de datos abiertos y herramientas para ejecutar los modelos localmente o en la nube.
Google lanza EmbeddingGemma, un modelo de embeddings multilingüe eficiente para dispositivos
Google lanzó EmbeddingGemma, un modelo de embeddings multilingüe de código abierto con 308 millones de parámetros y ventana de contexto de 2K tokens, pensado para uso en dispositivos. Soporta más de 100 idiomas y lidera el benchmark MMTEB entre modelos de menos de 500M de parámetros, con un consumo inferior a 200 MB de RAM cuantizado. El artículo detalla su arquitectura basada en Gemma3 con atención bidireccional, su integración con frameworks como Sentence Transformers, LangChain y Transformers.js, y un ajuste fino en el dominio médico que mejora el rendimiento en recuperación.
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.
TRL incorpora nuevos métodos de alineación para modelos de lenguaje visual
El artículo detalla las nuevas capacidades de la librería TRL para alinear modelos de lenguaje visual (VLM) con preferencias humanas, incorporando los métodos MPO, GRPO y GSPO, además de extensiones para RLOO y Online DPO. MPO combina pérdidas de DPO, BCO y SFT, logrando una mejora de 6,2 puntos en MathVista. También se añade soporte nativo de ajuste fino supervisado para VLM y la integración de vLLM para métodos de alineación en línea.
Pipeline eficiente de datos multimodales: cómo optimizar el entrenamiento de modelos de visión-lenguaje
El artículo describe cómo optimizar el pipeline de datos para entrenar modelos de visión-lenguaje, identificando que las GPU quedaban inactivas esperando datos y que el relleno desperdiciaba cerca del 60% de cada lote. Los autores proponen un enfoque en cinco etapas que culmina en un empaquetado tipo mochila equilibrado, inspirado en el artículo EAGLE 2 de NVIDIA, que reduce el relleno y distribuye mejor las muestras e imágenes entre lotes.
Implementación de KV Cache desde cero en nanoVLM con una mejora del 38% en velocidad de generación
El equipo de nanoVLM, un repositorio de código abierto para entrenar modelos de visión-lenguaje con PyTorch puro, implementó KV Caching desde cero y logró una aceleración del 38% en la generación de texto. El artículo explica la redundancia computacional de la autoatención autorregresiva y detalla los cambios en el bloque de atención, el modelo de lenguaje y el bucle de generación, separando las fases de prefill y decode. La técnica reduce la inferencia por token a complejidad lineal en lugar de cuadrática, a costa de mayor uso de memoria y código más complejo.
SmolVLA: un modelo compacto de visión-lenguaje-acción entrenado con datos de la comunidad LeRobot
Hugging Face presentó SmolVLA, un modelo de visión-lenguaje-acción de 450 millones de parámetros, de código abierto, que se ejecuta en hardware de consumo y fue preentrenado solo con datos comunitarios de LeRobot. Según la empresa, supera a modelos VLA más grandes y a líneas base como ACT en simulación y en tareas reales con los brazos SO100 y SO101. Además, su inferencia asíncrona permite respuestas un 30% más rápidas y duplica el rendimiento de tareas.
Google lanza Gemma 3, su nuevo modelo de lenguaje abierto multimodal y multilingüe
Google lanzó Gemma 3, una nueva familia de modelos de lenguaje de pesos abiertos disponible en tamaños de 1B, 4B, 12B y 27B parámetros, con versiones preentrenadas y ajustadas por instrucciones. Los modelos de 4B, 12B y 27B son multimodales (procesan imágenes y texto), admiten más de 140 idiomas y tienen una ventana de contexto de hasta 128k tokens. Según la publicación, Gemma-3-27B-IT supera a Gemini 1.5-Pro en varios benchmarks y alcanza una puntuación Elo de 1339 en LMSys Chatbot Arena.
Cohere For AI lanza Aya Vision, modelos de visión-lenguaje multilingües de 8B y 32B parámetros
Cohere For AI presentó Aya Vision, una familia de modelos de visión-lenguaje de pesos abiertos con 8B y 32B parámetros que busca llevar el rendimiento multilingüe a los modelos multimodales en 23 idiomas. Los modelos usan anotaciones sintéticas, ampliación de datos multilingües mediante traducción y reformulación, y fusión de modelos multimodales. Según la empresa, Aya Vision 32B supera a modelos más del doble de su tamaño como Llama-3.2 90B Vision, Molmo 72B y Qwen2.5-VL 72B, y el 8B lidera en su clase de parámetros; ambos se publican como pesos abiertos junto al benchmark AyaVisionBench.
- Saurabh Dash
- Yiyang Nan
- Arash Ahmadian
- John Dang
- Shivalika Singh
- Alejandro Salamanca
- Bharat Venkitesh
- Vlad Shmyhlo
- Walter Beller-Morales
- Jeremy Pekmez
- Jason Ozuzu
- Madeline Smith
- Marzieh Fadaee
- Manoj Govindassamy
- Sudip Roy
- Matthias Gallé
- Beyza Ermis
- Ahmet Üstün
- Sara Hooker
- Sungjin Hong
- Michael Kozakov
- Pierre Richemond
- Brittawnya Prince
- Jim Payne
- Kyle Lastovica
- Jeff Colen
- Jenna Cook
- Viraat Aryabumi
- Trent Fowler
- Linus Chui
- Meor Amer
- Lucas Fayoux
- Billy Trend
- Acyr Locatelli
- Morgan Norman
- Florian Strub
- Jon Ander Campos
- Nick Frosst
- Phil Blunsom
- Aidan Gomez
- Ivan Zhang
- Yoni Gozlan
- Arthur Zucker
- Pedro Cuenca
- Aritra Roy Gosthipaty
- Merve Noyan
- Vaibhav Srivastav
- Xuan-Son Nguyen
SigLIP 2: un mejor codificador visión-lenguaje multilingüe
Google lanzó SigLIP 2, una nueva familia de codificadores visión-lenguaje multilingües que amplía el objetivo de entrenamiento de SigLIP con pérdidas adicionales para mejorar la comprensión semántica, la localización y las características densas. Los modelos superan a SigLIP en clasificación zero-shot, recuperación imagen-texto y transferencia a modelos visión-lenguaje, e incluyen variantes de resolución dinámica (naflex) y una serie gigante de 1B de parámetros. La publicación de Hugging Face detalla los objetivos de entrenamiento, la adaptación a resoluciones y ejemplos de inferencia con transformers.