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.
12 resultados para «Lysandre»
Más recientes primero · Hasta 30 noticias por página
Hugging Face BlogTransformers 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.
tokenizers v1: codificación, decodificación y escalado medidos
Hugging Face publicó tokenizers v1, una reescritura de su biblioteca de tokenización que codifica texto entre 3 y 30 veces más rápido que la versión v0.23 en un Apple M4 Max, manteniendo idénticos los IDs de token, la API y el vocabulario. Las mejoras combinan un divisor basado en flujos de bits con SIMD en lugar de expresiones regulares, una caché de palabras por hilo, un bucle de fusión sin asignaciones y llamadas al modelo por lotes. La versión candidata ya está en crates.io y la hoja de ruta hacia 1.0.0 incluye más familias de modelos, bindings de C/C++ para ExecuTorch y llama.cpp, y una futura exploración de codificación en GPU.
¿Es suficientemente agéntico? Cómo evaluar modelos abiertos con tus propias herramientas
Hugging Face publicó un arnés de evaluación, agent-eval, que mide no solo si un agente de programación resuelve una tarea con la biblioteca transformers, sino cuánto esfuerzo le lleva: turnos, tokens, tiempo y errores. El estudio comparó modelos abiertos grandes y pequeños en tres niveles (bare, clone y skill) y halló que el commit que agrega una CLI y una Skill reduce el tiempo de los modelos grandes pero perjudica a los pequeños, que en algunos casos caen del 100% al 0% de acierto. Los autores concluyen que las APIs orientadas a agentes deben evaluarse en distintos tamaños de modelo antes de publicarse.
GLM-5.2: el nuevo modelo de IA de Z.AI diseñado para tareas de largo horizonte con contexto de 1M de tokens
Z.AI presentó GLM-5.2, su nuevo modelo insignia de IA para tareas de largo horizonte, que por primera vez ofrece un contexto sólido de 1M de tokens. El modelo introduce la arquitectura IndexShare, que reduce los FLOPs por token en 2,9×, y mejoras en la capa MTP que aumentan la longitud de aceptación hasta un 20%. Según los benchmarks, GLM-5.2 es el modelo de código abierto mejor clasificado en tareas de codificación de largo horizonte, con un rendimiento cercano a Claude Opus 4.8 y por delante de GPT-5.5 en varias pruebas, y se distribuye bajo licencia MIT.
Google DeepMind lanza Gemma 4, su familia de modelos multimodales abiertos con soporte de audio y despliegue en dispositivo
Google DeepMind lanzó Gemma 4, su nueva familia de modelos multimodales abiertos bajo licencia Apache 2, disponibles en Hugging Face con soporte para transformers, llama.cpp, MLX, WebGPU y Rust. La familia incluye cinco tamaños (E2B, E4B, 12B Unified, 31B y 26B A4B) con ventanas de contexto de hasta 256K y capacidad de procesar imagen, texto y audio, pensados para despliegue en dispositivo. También se presentó DiffusionGemma, un modelo que genera texto por difusión con velocidades superiores a 1100 tokens por segundo, y borradores de predicción multi-token que aceleran la inferencia hasta tres veces.
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.
Transformers v5: definiciones de modelos simples que impulsan el ecosistema de IA
Hugging Face lanzó Transformers v5, la nueva versión de su biblioteca de definición de modelos de IA, que ahora supera los 1.200 millones de instalaciones y las 400 arquitecturas. La versión prioriza la simplicidad del código, la interoperabilidad con motores de inferencia como vLLM, SGLang y llama.cpp, y convierte la cuantización en una característica de primera clase. También abandona el soporte de Flax/TensorFlow para centrarse en PyTorch como único backend.
Continuous batching desde los primeros principios: cómo optimizar la inferencia de LLM
Artículo técnico del blog de Hugging Face que explica desde los fundamentos el continuous batching, la técnica que permite servir modelos de lenguaje a muchos usuarios simultáneamente. Partiendo del mecanismo de atención y la caché KV, los autores derivan el prefill troceado y el ragged batching con planificación dinámica, y muestran cómo combinados maximizan el throughput y eliminan el desperdicio de relleno en la inferencia de LLM.
huggingface_hub v1.0: cinco años construyendo la base del aprendizaje automático abierto
La biblioteca huggingface_hub alcanzó su versión 1.0 tras cinco años de desarrollo, consolidándose como el paquete de Python que impulsa 200.000 bibliotecas dependientes y da acceso a más de 2 millones de modelos públicos. La versión introduce cambios disruptivos, como la migración a httpx, una CLI rediseñada basada en Typer y la adopción total de hf_xet para transferencias de archivos. El lanzamiento apunta a sostener la próxima década del aprendizaje automático abierto, con 113,5 millones de descargas mensuales y una comunidad de casi 300 contribuyentes.
timm y transformers se integran para usar cualquier modelo de visión con el ecosistema de Hugging Face
Hugging Face presentó TimmWrapper, una integración que permite usar cualquier modelo de la biblioteca timm (PyTorch Image Models) dentro del ecosistema transformers. La herramienta habilita la API de pipeline, las clases Auto, cuantización rápida con bitsandbytes, ajuste fino con Trainer y LoRA, compatibilidad de ida y vuelta con timm y aceleración mediante torch.compile. El anuncio incluye ejemplos de clasificación de imágenes, una demo con Gradio y una reducción de tamaño de modelo del 74,53% al cuantizar.
Google presenta PaliGemma 2, su nueva familia de modelos de lenguaje visual
Google lanzó PaliGemma 2, una nueva iteración de su modelo de lenguaje visual que combina el codificador de imágenes SigLIP con el modelo de lenguaje Gemma 2. Está disponible en variantes de 3B, 10B y 28B parámetros, con soporte para resoluciones de 224x224, 448x448 y 896x896, y se distribuye bajo licencia Gemma que permite uso comercial y ajuste fino. El lanzamiento incluye modelos preentrenados, dos variantes ajustadas en el conjunto DOCCI, integración con transformers, scripts de ajuste fino y una demo basada en VQAv2.
El estado de la visión por computadora en Hugging Face
Hugging Face publicó un balance del estado de la visión por computadora en su ecosistema, con 8 tareas centrales de visión, más de 3000 modelos y más de 100 datasets en su Hub. El artículo detalla el soporte para Pipelines, el entrenamiento de modelos propios, las integraciones con timm, Diffusers y Datasets, y las herramientas para demos en Spaces y AutoTrain. También describe la filosofía técnica, los modelos zero-shot como CLIP, OWL-ViT y CLIPSeg, y las opciones de despliegue mediante Inference Endpoints.