Hugging Face是一家主流的机器学习模型托管平台运营商,该公司正在与AWS合作致力于简化人工智能开发项目。
双方近日宣布这一合作伙伴关系,这也是对Hugging Face和AWS在2021年初启动的现有合作的一个延伸。
AWS公司首席执行官Adam Selipsky表示:“生成式人工智能有可能改变整个行业,但其成本和所需的专业知识使除少数公司之外的其他所有公司都无法使用该技术。Hugging Face和AWS让客户能够更轻松地使用主流的机器学习模型,以打造他们自己具有最高性能和最低成本的生成式人工智能应用。”
总部位于纽约的Hugging Face此前获得了超过1.6亿美元的资金支持,运营着一个类似于GitHub的平台,开发人员使用该平台可以托管开源的AI模型,训练数据集等相关技术资产。该平台存储了超过十万个神经网络的代码。
在此次合作中,Hugging Face将使用AWS作为其首选的公有云,此外Hugging Face正在推出和Amazon SageMaker机器学习平台的新集成。该平台包括六种以上的云服务,开发人员可以使用这些服务来构建、训练和部署AI模型。
这一新的集成将让开发人员通过几次点击就能在SageMaker上部署由Hugging Face托管的神经网络。他们把AI模型上传到SageMaker之后,就可以使用由AWS Trainium芯片提供支持的云实例并对其进行训练。这些芯片专门针对AI训练任务进行了优化。
从Hugging Face部署到AWS的神经网络,还可以与其他类型的云实例一起使用,包括那些由AWS Inferentia加速器系列提供支持的实例。Inferentia加速器是一种为执行推理进行了优化的芯片,也可以在训练阶段完成后在生产中运行AI模型。
Hugging Face公司首席执行官Clement Delangue表示:“人工智能的未来就在这里,但分布并不均匀,Amazon SageMaker和AWS设计的芯片将让我们的团队和更大的机器学习群体把最新的研究成果转化为任何人都可以构建的、公开可复制的模型。”
这一集成将是对两家公司目前提供给开发人员的Hugging Face AWS Deep Learning Containers的一项补充,后者让Hugging Face的AI模型以预打包的格式提供给用户,更容易部署在公有云环境中。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。