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.
11 resultados para «Thomas Wolf»
Más recientes primero · Hasta 30 noticias por página
Hugging Face BlogLeRobot v0.6.0: imaginar, evaluar, mejorar
LeRobot lanzó la versión v0.6.0, centrada en cerrar el bucle de aprendizaje robótico con políticas de modelos del mundo (VLA-JEPA, LingBot-VA, FastWAM) que aprenden a imaginar el futuro antes de actuar. La actualización suma nuevos modelos VLA como GR00T N1.7 de NVIDIA, MolmoAct2, EO-1, EVO1 y Multitask DiT, además de una API unificada de modelos de recompensa (Robometer, TOPReward). También incorpora seis benchmarks de simulación bajo una sola CLI, la herramienta lerobot-rollout con correcciones humanas estilo DAgger, entrenamiento FSDP y en la nube con HF Jobs, soporte de profundidad, anotación automática por VLM y carga de datos hasta 2 veces más rápida.
LeRobot v0.5.0: escalando todas las dimensiones
LeRobot lanzó la versión v0.5.0, su mayor actualización hasta la fecha, con más de 200 PR fusionados y más de 50 nuevos contribuyentes desde la v0.4.0. La versión incorpora el soporte completo del humanoide Unitree G1, nuevas políticas de aprendizaje robótico como Pi0-FAST, Real-Time Chunking, Wall-X, X-VLA y SARM, y codificación de video en streaming que elimina las esperas entre episodios. También suma EnvHub para cargar entornos de simulación desde Hugging Face Hub, integración con NVIDIA IsaacLab-Arena y una modernización de la base de código con Python 3.12+ y Transformers v5.
LeRobot v0.4.0: impulso al aprendizaje de robótica de código abierto
LeRobot lanzó la versión v0.4.0, una actualización mayor para el aprendizaje de robótica de código abierto que introduce conjuntos de datos escalables v3.0 con formato fragmentado y streaming, y herramientas de edición de datasets. La versión incorpora modelos VLA como PI0.5 de Physical Intelligence y GR00T N1.5 de NVIDIA, soporte para simulaciones LIBERO y Meta-World, entrenamiento multi-GPU simplificado y un nuevo sistema de plugins para integrar hardware de terceros. También suma la integración de Reachy 2, teleoperación desde el teléfono y un curso abierto de aprendizaje de robótica de Hugging Face.
Hugging Face lanza AI Sheets, una herramienta sin código para trabajar con datasets usando modelos de IA abiertos
Hugging Face presentó AI Sheets, una herramienta de código abierto y sin código para construir, transformar y enriquecer datasets usando modelos de IA abiertos. Funciona con una interfaz tipo hoja de cálculo, permite usar miles de modelos del Hub vía Inference Providers o locales, incluido gpt-oss de OpenAI, y puede desplegarse localmente o en el Hub. Ofrece casos de uso como comparar modelos, mejorar prompts, clasificar, analizar y enriquecer datos, generar datasets sintéticos y exportarlos al Hub.
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.
Adyen y Hugging Face presentan DABstep, un benchmark para evaluar agentes de IA en análisis de datos
Adyen y Hugging Face lanzaron DABstep, un benchmark de más de 450 tareas reales de análisis de datos para evaluar agentes de IA en razonamiento multi-paso. Los mejores agentes basados en modelos de razonamiento alcanzan solo un 16% de precisión (o3-mini), evidenciando una brecha significativa. El benchmark incluye datos estructurados y no estructurados, tabla de clasificación en tiempo real y líneas base con costos por tarea.
Hugging Face lanza smolagents, una biblioteca simple para construir agentes de IA que escriben acciones en código
Hugging Face anunció el lanzamiento de smolagents, una biblioteca de código abierto que permite construir agentes de IA que escriben sus acciones directamente en código en lugar de JSON. La herramienta, sucesora de transformers.agents, soporta ejecución en entornos aislados, integración con el Hub y modelos de OpenAI, Anthropic y otros vía LiteLLM. Sus desarrolladores sostienen que los agentes de código superan a los de llamada de herramientas y que los modelos abiertos ya compiten con los cerrados en flujos agénticos.
LeMaterial: una iniciativa de código abierto para acelerar el descubrimiento e investigación de materiales
Entalpic y Hugging Face lanzaron LeMaterial, un proyecto de código abierto para acelerar la investigación de materiales mediante aprendizaje automático. Como primer paso publicaron LeMat-Bulk, un conjunto de datos que unifica y estandariza Materials Project, Alexandria y OQMD, con 6,7 millones de entradas y 7 propiedades. La iniciativa también propone una función hash para identificar materiales de forma única y detectar duplicados con mayor rapidez que métodos previos.
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.
Qué hace útil a un agente de diálogo: las técnicas detrás de ChatGPT
El artículo de Hugging Face repasa las técnicas que hacen útil a un agente de diálogo conversacional como ChatGPT: ajuste fino con instrucciones (IFT), ajuste fino supervisado (SFT), aprendizaje por refuerzo a partir de retroalimentación humana (RLHF) y cadena de pensamiento (CoT). Compara chatbots previos como LaMDA, BlenderBot 3, Sparrow y el Assistant de Anthropic en acceso, datos, arquitectura y evaluación. Concluye que se necesitan pocos datos para IFT, que SFT mejora seguridad y utilidad, y que CoT favorece el razonamiento paso a paso y reduce respuestas evasivas.