Hugging Face intègre les résultats d’évaluations sur ses pages modèles
Hugging Face affiche désormais les résultats des évaluations communautaires sur ses pages modèles.
Hugging Face affiche désormais les résultats des évaluations communautaires sur ses pages modèles.
Hugging Face permet désormais de déployer des serveurs vLLM pour l’inférence de LLM en une seule commande via sa plateforme Jobs, optimisant ainsi la performance et l’accessibilité.
Hugging Face a lancé le classement FFASR, une nouvelle initiative pour évaluer les performances des modèles de reconnaissance automatique de la parole (ASR) dans des scénarios réels.
NVIDIA et Hugging Face s’associent pour intégrer NeMo AutoModel, accélérant ainsi le réglage fin des modèles Transformer et rendant l’optimisation plus accessible.
Hugging Face déploie un processus de livraison hebdomadaire pour sa bibliothèque `huggingface_hub`, combinant IA, outils open source et supervision humaine.
La nouvelle version PP-OCRv6 de PaddlePaddle est désormais disponible sur Hugging Face, offrant une reconnaissance optique de caractères (OCR) pour 50 langues.
Une étude nommée MosaicLeaks met en lumière les risques de fuite de données sensibles par les agents d’IA autonomes interagissant avec des outils externes.
Hugging Face a introduit la « Découverte de Ressources Agentique », permettant aux agents d’IA de rechercher et d’utiliser des outils externes de manière autonome.
Hugging Face et Amazon s’associent pour permettre le déploiement de modèles d’IA depuis le Hugging Face Hub vers des robots physiques via Strands Agents et LeRobot.
Hugging Face a publié un guide pour faciliter la migration des workflows d’intégration continue (CI) de GitHub vers ses propres Jobs, optimisés pour l’IA.