transformers

Los gráficos cuentan por fecha de publicación y respetan los filtros. El archivo incluye todo el histórico.

Noticias de transformers

Buscar noticias dentro de este tag

Buscar

5 noticias · De más nuevas a más antiguas.

Hugging Face Blog🇺🇸 Estados Unidos21 sept 2026, 9:00 p. m.

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.

tecnologíainteligencia artificialavances tecnológicosinnovación científicatransformersllama.cpp

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos24 jun 2026, 1:00 p. m.

NVIDIA NeMo AutoModel acelera el fine-tuning de Transformers con 3,4-3,7x más rendimiento y hasta 32% menos memoria GPU

NVIDIA presentó NeMo AutoModel, una biblioteca abierta construida sobre HuggingFace Transformers v5 que acelera el fine-tuning de modelos Mixture-of-Experts. Según los benchmarks, logra un rendimiento de entrenamiento 3,4-3,7x mayor y 29-32% menos memoria GPU que Transformers v5 nativo usando la misma API from_pretrained(), con solo cambiar una línea de importación. La mejora proviene del Paralelismo de Expertos, el despacho fusionado DeepEP y los kernels de TransformerEngine, y permite entrenar modelos de hasta 550B parámetros en 16 nodos.

tecnologíainteligencia artificialinnovación científicaavances tecnológicosNVIDIATransformers

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos17 jun 2026, 9:00 p. m.

¿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.

tecnologíainteligencia artificialmodelos abiertosbenchmarkstransformers

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos25 feb 2026, 9:00 p. m.

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.

tecnologíainteligencia artificialinnovación científicaavances tecnológicostransformersMixture of Experts

Noticia original

Hugging Face Blog🇺🇸 Estados Unidos17 dic 2025, 9:00 p. m.

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.

tecnologíainteligencia artificialavances tecnológicosinnovación científicatransformers

Noticia original