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.
6 resultados para «Nouamane»
Más recientes primero · Hasta 30 noticias por página
Hugging Face BlogCómo 16 librerías de código abierto resuelven el entrenamiento asíncrono de aprendizaje por refuerzo
Un artículo técnico de Hugging Face analiza 16 librerías de código abierto que implementan entrenamiento de aprendizaje por refuerzo asíncrono, separando la inferencia del entrenamiento en pools de GPU distintos para evitar la ociosidad de las GPU. El relevamiento compara las librerías en siete ejes, entre ellos orquestación, diseño de búfer, sincronización de pesos, gestión de la obsolescencia y soporte de LoRA y MoE. Los autores concluyen que Ray domina la orquestación, la difusión NCCL es el método estándar de sincronización y el soporte de MoE es el diferenciador emergente, y anticipan las decisiones de diseño de un nuevo entrenador asíncrono para TRL.
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.
Hugging Face lanza SmolLM3, un modelo de lenguaje pequeño, multilingüe y con razonamiento de contexto largo
Hugging Face presentó SmolLM3, un modelo de lenguaje de 3.000 millones de parámetros entrenado con 11 billones de tokens, que supera a Llama-3.2-3B y Qwen2.5-3B y compite con modelos de 4B. El modelo es totalmente abierto, multilingüe (seis idiomas, incluido el español), soporta contexto de hasta 128k tokens y tiene modo dual de instrucción y razonamiento. La empresa publicó además la receta completa de entrenamiento, los conjuntos de datos y los checkpoints intermedios.
- Elie Bakouch
- Carlos Miguel Patiño
- Anton Lozhkov
- Edward Beeching
- Aymeric Roucher
- Nouamane Tazi
- Aksel Joonas Reedi
- Guilherme Penedo
- Hynek Kydlicek
- Clémentine Fourrier
- Nathan Habib
- Kashif Rasul
- Quentin Gallouédec
- Hugo Larcher
- Mathieu Morlon
- Joshua Xenova
- Vaibhav Srivastav
- Xuan-Son Nguyen
- Colin Raffel
- Lewis Tunstall
- Loubna Ben Allal
- Leandro von Werra
- Thomas Wolf
SmolVLM2: llevar la comprensión de video a todos los dispositivos
Hugging Face lanzó SmolVLM2, una familia de modelos multimodales de 2.2B, 500M y 256M parámetros capaces de comprender video e imágenes en dispositivos locales, desde teléfonos hasta servidores. El modelo de 2.2B supera a otros modelos de su rango en el benchmark Video-MME, mientras que las variantes de 500M y 256M son los modelos de lenguaje para video más pequeños publicados hasta la fecha. La compañía presentó demos como una app de iPhone, una integración con VLC y un generador de momentos destacados, y liberó el uso con Transformers y MLX desde el primer día.
SmolVLM: el modelo de lenguaje visual pequeño pero potente
Hugging Face presentó SmolVLM, una familia de modelos de lenguaje visual de 2B parámetros, pequeños, rápidos y eficientes en memoria, publicados bajo licencia Apache 2.0. Incluye tres variantes (Base, Synthetic e Instruct) con pipelines de entrenamiento abiertos e integración en Transformers. Según los benchmarks, requiere solo 5 GB de RAM de GPU, muy por debajo de competidores como Qwen2-VL, y ofrece un throughput de generación hasta 16 veces más rápido.
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.