Hugging Face 推出 AI vs. AI 多智能体强化学习竞赛系统
Hugging Face 开源了基于 ELO 评分系统的 AI vs. AI 多智能体强化学习竞赛工具,通过模型间对战实现相对实力排名。该系统利用 Spaces 运行后台匹配任务,将结果存入 Dataset 并展示 Leaderboard,首个挑战为 SoccerTwos。
Hugging Face 开源了基于 ELO 评分系统的 AI vs. AI 多智能体强化学习竞赛工具,通过模型间对战实现相对实力排名。该系统利用 Spaces 运行后台匹配任务,将结果存入 Dataset 并展示 Leaderboard,首个挑战为 SoccerTwos。
OpenAI 为 ChatGPT 推出名为 ChatGPT Plus 的订阅试点计划。该服务支持对话交互、回答后续问题以及纠正错误假设。
OpenAI 推出一个经过训练的分类器,旨在区分 AI 生成文本与人类撰写文本。该工具专注于通过技术手段识别内容来源,为判断文本是否由人工智能创作提供依据。
OpenAI 使用 GPT-3 模型快速分析客户反馈,以提取细致且具细微差别的洞察。该方案旨在通过大语言模型提升对非结构化用户意见的处理效率与深度。
OpenAI 通过微调 GPT-3 模型来支持并扩展“代客制作”的视频创作服务。该方案利用大语言模型的定制能力,旨在提升视频生成流程的规模化效率与自动化水平。
OpenAI 正在使用 GPT-3 模型创建下一代由 AI 驱动的角色。
Hugging Face 推出 Model Card Creator Tool、更新版模板及《Model Card Guide Book》,旨在简化机器学习模型文档的创建与协作。该工具提供图形用户界面,支持非编程人员通过默认提示文本填写偏见、风险等关键部分,并整合了行业最新标准与用户研究成果。
OpenAI 宣布推出一个全新的嵌入模型。该模型在能力上显著增强,同时具备更高的成本效益,并且使用方式更加简化。
Hugging Face 发布 Bumblebee 库,将 Transformers 模型以纯 Elixir 实现带入社区,原生支持从 GPT2 到 Stable Diffusion 的多种神经网络。
Hugging Face 提供 Inference Widget、Inference API、Inference Endpoints 和 Spaces 四种推理方案。免费 API 适合开发测试,Endpoints 支持 AWS/Azure 部署及自动扩缩容,起价 $0.06/小时。Spaces 结合 Gradio UI 实现模型快速演示与生产部署。
Hugging Face 宣布其 Spaces 平台通过新增 Demo 标签页与 arXivLabs 集成,用户可在论文摘要页直接访问社区或作者创建的开源机器学习演示。自 2021 年 10 月上线以来,Spaces 已承载超 12,000 个基于 Gradio 和 Streamlit 构建的演示,支持无需编写代码即可在浏览器中交互体验模型,显著提升研究的可发现性与复现性。
Hugging Face 停用 Inference API 的付费层级,保留免费访问,并推荐企业级用户转向新推出的 Inference Endpoints。同时为 Spaces 引入硬件升级选项,所有付费服务无需订阅,仅需绑定信用卡即可按使用量计费。
DALL·E API 现已进入公开测试阶段,开发者即日起可基于该接口构建应用程序。
Hugging Face 宣布将 Intel OpenVINO 集成至 Optimum Intel,支持在多种 Intel 处理器上对 Transformers 模型进行高效推理。该功能基于 OpenVINO 2022.2,利用 NNCF 框架实现模型量化,可在数分钟内显著降低模型体积与预测延迟。目前主要支持 BERT、DistilBERT 等编码器模型的静态量化及量化感知训练。
Hugging Face Hub 现已支持用户直接为模型或数据集生成数字对象标识符(DOI)。该功能通过与 DataCite 合作实现,注册用户在填写元数据后即可获取 DOI,使资源拥有永久链接并便于学术引用。当模型或数据集更新版本时,DOI 可同步更新,旧版本标识符随之失效。
Hugging Face 上线 Evaluation on the Hub,基于 AutoTrain 实现无需代码的零样本分类评估。该工具已升级基础设施,支持免费评估参数量达 66 billion 的大模型,处理 2000 条样本仅需 3.5 小时。
DALL·E 现已取消等待名单,新用户可直接开始创建图像。OpenAI 表示,得益于部署过程中积累的经验及安全系统的改进,该模型得以实现更广泛的可用性。
Hugging Face AutoTrain 正式支持计算机视觉中的图像分类任务,用户无需编写代码即可训练模型。该功能允许上传本地数据或使用 Hub 数据集,AutoTrain 会自动尝试多个候选模型并优化资源,示例中最佳模型达到 84% 准确率。小规模训练(如少于 500 张图片)可免费使用,训练后的模型可直接在 Hub 上通过推理组件测试。
Hugging Face 发布 Diffusers 库 v0.3 版本,正式引入 Image-to-Image 管线、Textual Inversion 个性化训练工具以及实验性的 Inpainting 修复功能。
推荐理由:Diffusers v0.3 集中上线了图生图、文本反转及小显存优化等核心功能,显著降低了 Stable Diffusion 的本地部署与个性化创作门槛。
DALL·E 正式推出 outpainting 功能,允许用户生成任意尺寸的图像。该更新旨在扩展创作边界,帮助用户讲述更宏大的故事。
Hugging Face 发布新库 Skops,允许用户将 scikit-learn 模型托管至 Hub 并创建模型卡片。该工具通过 `hub_utils.init` 初始化本地仓库,利用 `Card` 类自动生成包含超参数、交互式图表及评估指标的文档。Skops 旨在简化开源机器学习中的模型复现、解释性及协作流程。
OpenAI 推出改进版内容审核工具 Moderation endpoint,旨在优化此前的内容过滤器。该工具现已向 OpenAI API 开发者免费开放使用。
Hugging Face 发布 Private Hub,提供从研究到生产的安全合规统一工具集,解决约 90% 模型无法投产及内部重复开发痛点。该方案整合了拥有 60K+ 模型、6K 数据集和 6K 应用的 Hugging Face Hub,支持 Git 版本控制与组织协作。注:2023 年 6 月该产品已更名为 Enterprise Hub,转为 SaaS 托管服务并停止私有化部署。
Hugging Face 为 🤗 Datasets 库发布音频和图像数据集的新文档,更新 Quickstart 并引入 `to_tf_dataset` 函数以简化 TensorFlow 数据加载。新增的 `ImageFolder` 构建器允许用户无需编写脚本即可通过文件夹结构直接加载图像分类、描述及目标检测数据集。
OpenAI 宣布 DALL·E 模型正式进入 Beta 测试阶段。平台将向100万用户发送邀请,支持以每次生成为单位购买额度。
推荐理由:官方宣布DALL·E进入Beta阶段并开放邀请机制,明确了用户获取路径和计费单位。
OpenAI 为 DALL·E 2 实施新技术,使其生成的人物图像更准确反映世界人口多样性。该更新旨在减少模型偏见并提升安全性。
Hugging Face 发布 Evaluation on the Hub,利用 AutoTrain 让用户在 Hub 上对任意模型和数据集进行零代码评估。该工具将结果直接编码至模型卡片元数据,并通过 Pull Request 自动更新已验证性能。它支持查找最佳模型、在新数据集上运行基线及跨数据集评估,旨在解决 AI 领域的评估危机并提升可复现性。
Graphcore 与 Hugging Face 扩展 Optimum 库,新增支持 IPUs 的 10 个 Transformer 模型。涵盖 NLP、语音和计算机视觉领域,包括 ViT、GPT-2、RoBERTa、DeBERTa、BART、LXMERT、T5、HuBERT 和 Wav2Vec2。这些模型提供预训练权重及 IPU 配置文件,优化在 Graphcore IPU 上的性能表现。
Hugging Face Hub 正式上线 Pull Requests 和 Discussions 功能,支持模型、数据集和 Spaces 仓库的社区协作。该更新无需创建 fork,贡献者直接向源仓库的特殊 ref 分支推送代码,简化了机器学习项目的版本管理流程。
OpenAI Codex 目前通过 OpenAI API 为 70 个不同应用程序提供支持。这些应用涵盖了多种使用场景,展示了该模型在驱动下一代应用方面的实际部署规模与能力。
DALL·E 2 研究预览版迎来更新,早期用户已生成超 300 万张图像并协助优化安全流程。OpenAI 计划每周从等待名单中增加至多 1,000 名新用户以扩大测试范围。
Hugging Face 正式发布 Gradio 3.0,对库进行了底层重新设计。新版本采用 Svelte 重构前端以提升加载速度,并推出低层级语言 Gradio Blocks,允许开发者在 Python 中直接构建具有复杂布局和灵活数据流的自定义 Web 应用。此外,官方还启动了 Gradio Blocks Party 竞赛以推广新功能。
推荐理由:原文介绍了 Gradio 3.0 的前端重构与新增 Blocks API,开发者可据此评估构建复杂自定义 Web 应用的能力变化。
fastai 用户可通过 `push_to_hub_fastai` 函数将模型上传至 Hugging Face Hub。该集成利用 `huggingface_hub` 库实现,支持通过 `from_pretrained_fastai` 加载共享模型。
Hugging Face 宣布将离线强化学习方法 Decision Transformer 集成至 🤗 transformers 库和 Hub。该模型基于 GPT-2 架构,通过序列建模生成动作以达成目标回报。目前提供 Gym 环境中 Hopper、Walker2d 和 Halfcheetah 任务的九个预训练检查点。
OpenAI 在 API 中新增 embeddings 端点,支持文本和代码嵌入。该功能可简化语义搜索、聚类、主题建模及分类等自然语言处理任务。
Hugging Face 将 PyTorch 深度强化学习库 Stable-Baselines3 集成至 Hugging Face Hub,支持用户托管和加载社区模型。开发者可通过 `huggingface_hub` 和 `huggingface_sb3` 库轻松下载如 PPO 等预训练智能体或上传自训模型。后续计划扩展 RL-baselines3-zoo 并集成其他强化学习库。
Hugging Face Infinity 容器化方案在 Amazon EC2 C6i(Intel Ice Lake)实例上运行 DistilBERT,相比 vanilla transformers 实现最高 800% 的延迟与吞吐量提升。该方案支持特征提取、排序等任务,通过端到端优化管道降低 Transformer 模型部署成本。
OpenAI 推出 GPT-3 应用定制功能,支持通过单条命令进行微调。该功能旨在简化开发者针对特定应用场景优化模型的过程。
Hugging Face 发布首个基于 Unity ML-Agents 的深度强化学习环境 Snowball Fight,该游戏已托管于 Hugging Face Spaces。团队计划构建开源生态,支持自定义环境的创建、模型保存与分享,并即将推出采用 MA-POCA 算法的 2vs2 协作版本及更多教程。
Hugging Face 发布开源 Python 库及无代码界面 Data Measurements Tool,基于 Dataset 和 Spaces Hub 与 Streamlit 构建。该工具支持自动计算词汇分布、标签平衡度及 Zipf 定律符合度等指标,帮助用户交互式地理解、构建、整理和比较 NLP 数据集。