Google Chat-მა Gemini-ის ინტეგრაციით მნიშვნელოვანი განახლება მიიღო
Google Chat-მა მიიღო განახლება, რომელიც Gemini-ს საშუალებას აძლევს წვდომა ჰქონდეს Workspace Chat-ის ისტორიაზე. ეს სიახლე მნიშვნელოვნად გაამარტივებს ინფორმაციის მოძიებას ჩატის კონტექსტში, გააფართოებს Gemini-ის არსებულ შესაძლებლობებს Gmail-სა და Drive-ზე. ხელოვნური ინტელექტი შეძლებს მოიძიოს პროექტის დეტალები ან შეაჯამოს შეტყობინებები, რაც გაზრდის პროდუქტიულობას და პოტენციურად კონკურენციას გაუწევს Slack-სა და Teams-ს. ფუნქცია ნაგულისხმევად გამორთულია და მისი გააქტიურება შესაძლებელია პარამეტრებში.
Google Flash: ხელოვნური ინტელექტის ძიების საფუძველი და მარკეტინგის ადაპტაცია
სტატია განმარტავს Google-ის Flash არქიტექტურას, რომელიც გადამწყვეტია ხელოვნური ინტელექტის (AI) ძიების მასშტაბურობისთვის დაბალი დაყოვნებისა (latency) და ხარჯების გამო. Google-ის მთავარი მეცნიერი ჯეფ დინი ხაზს უსვამს ინფორმაციის მოძიებას (retrieval) და არა დამახსოვრებას და განმარტავს, თუ როგორ უზრუნველყოფს Flash AI სისტემების ეფექტურ განლაგებას. მოცემულია რჩევები მარკეტინგის ლიდერებისთვის, რათა მოარგონ SEO, კონტენტი და გაზომვადი სტრატეგიები AI-ზე ორიენტირებულ საძიებო გამოცდილებას.
Windows-დან Linux-ზე გადასვლა: ჟურნალისტის რთული, მაგრამ წარმატებული გამოცდილება
ZDNET-ის მტკიცების მიუხედავად, რომ Linux-ზე გადასვლა მარტივია, ავტორმა აღმოაჩინა მნიშვნელოვანი სირთულეები, განსაკუთრებით ARM-ზე დაფუძნებულ და Microsoft Surface-ის მოწყობილობებზე ინსტალაციისას. სტატია დეტალურად აღწერს გამოწვევებს, მათ შორის ტერმინალში მუშაობის აუცილებლობას და სპეციფიკური დრაივერების მოძიებას, მაგრამ საბოლოოდ, წარმატებას მიაღწია ორი Linux კომპიუტერის ამუშავებაში.
LLaMA-ს MMLU შეფასება: უთანხმოება ხელოვნური ინტელექტის მოდელების რეიტინგში
Open LLM ლიდერბორდზე LLaMA მოდელის MMLU (Massive Multitask Language Understanding) შეფასების ქულები გაცილებით დაბალი აღმოჩნდა, ვიდრე მის გამოქვეყნებულ ნაშრომში იყო მითითებული. ამან საზოგადოებაში გაკვირვება გამოიწვია. გამოძიებამ გამოავლინა MMLU შეფასების სხვადასხვა იმპლემენტაცია, მათ შორის EleutherAI Harness, ორიგინალი UC Berkeley-ის კოდი და Stanford HELM, რომლებიც განსხვავებულ შედეგებს იძლევა და მოდელების რეიტინგსაც კი ცვლის. სტატია დეტალურად განმარტავს ამ შეუსაბამობის მიზეზებს და დიდი ენობრივი
Google-მა SigLIP 2 გამოუშვა: მრავალენოვანი ვიზუალურ-ლინგვისტური ენკოდერების ახალი, გაუმჯობესებული თაობა
Google-მა წარმოადგინა SigLIP 2, მრავალენოვანი ვიზუალურ-ლინგვისტური ენკოდერების ოჯახის ახალი თაობა. გაფართოებული სწავლების მიზნების წყალობით, რომელიც აუმჯობესებს სემანტიკურ გაგებას, ლოკალიზაციასა და მკვრივ მახასიათებლებს, SigLIP 2 მოდელები მნიშვნელოვნად აღემატება წინამორბედ SigLIP-ს ისეთ ძირითად შესაძლებლობებში, როგორიცაა ნულოვანი კადრის კლასიფიკაცია და გამოსახულება-ტექსტის მოძიება. სიახლეს წარმოადგენს დინამიური რეზოლუციის (naflex) ვარიანტი, რაც მას უფრო მრავალმხრივს ხდის.
ახალი ბენჩმარკი: Llama 2-ის განლაგების ოპტიმალური სტრატეგიები Amazon SageMaker-ზე
დიდი ენობრივი მოდელების (დემ) განლაგება გამოწვევებთან არის დაკავშირებული მათი გამოთვლითი მოთხოვნებისა და დაყოვნების საჭიროებების გამო. ამ პრობლემის გადასაჭრელად, შემუშავდა ყოვლისმომცველი ბენჩმარკი, რომელმაც შეაფასა Llama 2-ის 60-ზე მეტი განლაგების კონფიგურაცია Amazon SageMaker-ზე Hugging Face-ის დემ დასკვნის კონტეინერის გამოყენებით. კვლევამ მიზნად დაისახა ოპტიმალური სტრატეგიების მოძიება კომპანიებისთვის, რათა დააბალანსონ ხარჯები, გამტარუნარიანობა და დაყოვნება Llama 2-ის სხვადასხვა ზომისა და Amazo
TimeScope: ახალი ბენჩმარკი ხელოვნური ინტელექტის გრძელი ვიდეოების აღქმის სიღრმის შესამოწმებლად
TimeScope არის ახალი ღია კოდის ბენჩმარკი, რომელიც შექმნილია იმის შესაფასებლად, თუ რამდენად კარგად ესმით ვიზუალურ-ლინგვისტურ მოდელებს გრძელი ვიდეოები. ის ვიდეოებში (1 წუთიდან 8 საათამდე) მოკლე „ნემსის“ კლიპების ჩართვით აფასებს მოდელების უნარს არა მხოლოდ ინფორმაციის მოძიებაში, არამედ მის სინთეზში, ლოკალიზაციასა და წვრილმარცვლოვან მოძრაობის ანალიზში, რითაც არსებულ ტესტებში არსებულ ხარვეზებს ავსებს და AI-ს გრძელი ვიდეოების გაგების ნამდვილ შესაძლებლობებს ავლენს.
უსაფრთხოების ინციდენტი Hugging Face-ის Spaces პლატფორმაზე: არაავტორიზებული წვდომა გამოვლინდა
Hugging Face-მა გამოავლინა არაავტორიზებული წვდომა Spaces პლატფორმაზე, რამაც შესაძლოა კომპრომეტირება მოახდინა Spaces-ის საიდუმლოებების ნაწილს. საწყისი ნაბიჯები მოიცავს HF ტოკენების გაუქმებას და მომხმარებლებისთვის გასაღებების განახლებასა და წვრილმარცვლოვანი წვდომის ტოკენებზე გადასვლის რეკომენდაციას. მიმდინარეობს გამოძიება კიბერუსაფრთხოების სპეციალისტებთან ერთად და განხორციელდა უსაფრთხოების მნიშვნელოვანი გაუმჯობესებები ინფრასტრუქტურაში.
ღია Embedding მოდელების განთავსება Amazon SageMaker-ზე Hugging Face Embedding კონტეინერის გამოყენებით
ეს ბლოგი დეტალურად აღწერს, თუ როგორ უნდა განათავსოთ ღია Embedding მოდელები, როგორიცაა Snowflake Arctic Embed, Amazon SageMaker-ზე ინფერენციისთვის, ახალი Hugging Face Embedding კონტეინერის გამოყენებით. სტატია მოიცავს განვითარების გარემოს დაყენებას, კონტეინერის მოძიებას, მოდელის განთავსებას და მისი მუშაობის შეფასებას როგორც CPU, ასევე GPU ინსტანციებზე, ხაზს უსვამს Text Embedding Inference (TEI)-ის ეფექტურობას და ხარჯ-ეფექტურობას.