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
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。