Tech Meridian
← К СУЩНОСТЯМ
КОМПАНИЯ · ENTITY #1
Хронология связанных событий, источники и контекст из новостной базы.
Hugging Face опубликовала материал под заголовком «Обучение и дообучение многовекторных эмбеддинговых моделей с помощью Sentence Transformers», который, по-видимому, содержит инструкции по использованию библиотеки Sentence Transformers для обучения и дообучения моделей, формирующих многовекторные эмбеддинги.
Hugging Face опубликовал материал под заголовком «Granite 4.2 LLM‑модели: как они построены», который, судя по названию, объясняет устройство семейства больших языковых моделей Granite 4.2; сам текст статьи в источнике не приведён. Дополнительных подробностей (архитектура, данные обучения или инструменты) из предоставленного источника нет.
Hugging Face опубликовала материал под названием «Quantization-Aware Healing», в котором говорится о сжатой 4‑битной модели, которая, по заявлению компании, превосходит свою полноточную версию. В представленном источнике отсутствуют технические подробности и данные оценки, поэтому здесь утверждение передаётся в формулировке Hugging Face.
Hugging Face анонсировал мероприятие «Wire It, Run It, Deploy It: рабочие процессы ИИ в Gradio», судя по названию посвящённое использованию Gradio для связывания, запуска и развёртывания моделей ИИ; источник даёт только заголовок без подробностей о дате или программе.
Пост Hugging Face рассказывает, как компания использует Inference Endpoints, Jobs и Buckets для обеспечения поиска на платформе Papers with Code. В материале, по всей видимости, объясняется интеграция этих продакшн‑инструментов для поддержки рабочих процессов поиска.
Hugging Face анонсировала LFM2.5-DSpark и утверждает, что он может обеспечить до 3,2× более быструю инференцию. В исходном тексте нет дополнительных подробностей или бенчмарков.
Hugging Face опубликовал(а) статью «Сколько памяти действительно нужно вашему агенту?», в которой рассматриваются вопросы, связанные с требованиями к памяти у AI‑агентов и методами оценки её использования; для технических деталей см. оригинал.
Hugging Face опубликовала материал о применении многовекторных (позднего взаимодействия) эмбеддинг‑моделей в библиотеке Sentence Transformers. В статье рассматривается работа с многовекторными представлениями и механизмом позднего взаимодействия в контексте систем поиска на основе эмбеддингов.
Hugging Face опубликовала материал под заголовком «Состояние открытых моделей: наблюдения лето 2026». Текст источника не приведён, поэтому конкретные выводы и содержание отчёта неизвестны.
Hugging Face опубликовала анонс под заголовком «Record, train, and deploy from one place with Strands Agents, LeRobot, and Hugging Face Storage Buckets», где представлена интеграция Strands Agents, LeRobot и Hugging Face Storage Buckets, призванная поддерживать процессы записи, обучения и развёртывания в одном окружении. Публикация представляет эти компоненты как часть унифицированного рабочего процесса для разработчиков в экосистеме Hugging Face.
Материал на Hugging Face посвящён созданию мультиязычных голосовых агентов с низкой задержкой на базе NVIDIA Magpie TTS, подчёркивая открытость весов и полный контроль над развёртыванием. Внимание уделено практическим аспектам развёртывания и кастомизации синтеза речи.
Hugging Face сообщает, что Meta представила Muse Glimmer — модель, которую описывают как способную работать локально, поддерживать агентное поведение, обрабатывать несколько модальностей и иметь открытый исходный код. Анонс подаётся как возвращение Meta к публикации подобных моделей.
Hugging Face опубликовал запись с заголовком «Baseten on Hugging Face Inference Providers 🔥». Текст источника здесь отсутствует; заголовок указывает на упоминание Baseten в контексте программы или списка Inference Providers Hugging Face, однако подробности неизвестны.
Voxtral выпустила Transcribe 2 — семейство моделей распознавания речи, включающее Voxtral Mini Transcribe V2 для пакетной обработки и Voxtral Realtime для живой, малозадержанной транскрипции. Компания сообщает, что веса Realtime доступны под лицензией Apache 2.0 на Hugging Face; модели поддерживают 13 языков, предлагают диаризацию, пословные таймкоды, настраиваемую задержку до менее 200 мс и, по заявлению Voxtral, конкурентную точность и стоимость.
Команда DeepSeek выпустила DeepSeek‑V3.1‑Terminus — обновление на базе V3.1 с учётом отзывов пользователей. Обновление включает улучшенную языковую согласованность (меньше смешений CN/EN и отсутствие случайных символов), усиленные Code Agent и Search Agent, а также, по заявлению разработчиков, более стабильные и надёжные результаты в бенчмарках; веса с открытым исходным кодом доступны на Hugging Face.
DeepSeek выпустил DeepSeek‑V3.1 с гибридным режимом вывода Think & Non‑Think (переключается кнопкой «DeepThink» на chat.deepseek.com), ускоренным «Think»-путём по сравнению с DeepSeek‑R1‑0528, улучшенной работой с инструментами и многошаговыми агентными задачами, поддержкой формата Anthropic API и бета‑версией Strict Function Calling. База V3.1 прошла продолжительную док‑тренировку на 840 млрд токенов для расширения длинного контекста; обновлены токенизатор и шаблон чата (tokenizer_config.json); веса DeepSeek‑V3.1 и DeepSeek‑V3.1‑Base опубликованы на Hugging Face, новые тарифы и окончание скидок по внепиковому времени вступают в силу 5 сен. 2025, 16:00 UTC.
Croissant — новый формат метаданных для ML-готовых датасетов (версия 1.0) на базе schema.org, который унифицирует описание и организацию данных, не меняя их форматов. Релиз включает спецификацию, примеры датасетов, открытый Python-инструментарий и визуальный редактор, расширение для ответственного ИИ, и получает поддержку со стороны Kaggle, Hugging Face, OpenML, Dataset Search и загрузки через TFDS в основных фреймворках.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.