Mercado Libre 推出由 GPT-4o 驱动的 AI 开发平台 Verdi
Mercado Libre 推出 AI 开发平台 Verdi,该平台由 GPT-4o 驱动。
Mercado Libre 推出 AI 开发平台 Verdi,该平台由 GPT-4o 驱动。
Genmab 启动“AI Everywhere”计划,全面采用 ChatGPT Enterprise。该计划依托 OpenAI 在安全与隐私方面的承诺。
OpenAI 与巴西合作,用 GPT-4 改善当地教学与学习。该举措面向巴西的教育场景,借助 GPT-4 辅助教师教学与学生学习。
Mistral 宣布 la Plateforme 推出免费额度,并对全线模型降价,其中 Mistral Small 和 Codestral 输入输出价格均下降 80%,Mistral Large 下降 33%。
推荐理由:Mistral 一次性公布免费额度、全线降价和新版小模型,读者可据此重估自建与调用成本。
Mistral AI 发布 Pixtral 12B,一个原生多模态模型,采用新训练的 400M 参数视觉编码器和基于 Mistral Nemo 的 12B 多模态解码器,支持可变图像尺寸与宽高比,可在 128k token 上下文窗口中处理任意数量图片。
推荐理由:官方给出架构、基准与部署方式,读者可据此判断这个 12B 多模态模型在开源阵营中的位置。
OpenAI 发布安全与安保实践更新。原文未披露具体措施、时间表或涉及模型版本等细节。
OpenAI 发布 o1 模型,官方页面标题为 Introducing OpenAI o1,正文内容未能获取。
OpenAI 发布 o1-mini,官方将其定位为面向高性价比推理的模型。
OpenAI 发布 o1 贡献说明。o1 是 OpenAI 推出的推理模型系列,官方以「Contributions」形式列出参与该模型研发的贡献者名单。
经济学家 Tyler Cowen 解释了 OpenAI o1 如何应对复杂的经济学问题。
遗传学家 Catherine Brownstein 展示了 OpenAI o1 如何加速罕见医学难题的诊断流程。该演示聚焦于将 o1 用于遗传学分析,以缩短罕见病的诊断时间。
Cognition CEO 兼联合创始人 Scott Wu 解释了 OpenAI o1 如何以更接近人类的方式做出编程决策。
量子物理学家 Mario Krenn 使用 OpenAI o1 帮助回答生命中最重大的问题。
Ada 借助 GPT-4 打造新的客户服务标准。
亚利桑那州立大学在全校范围采用 ChatGPT,用于个性化学习、推进研究并帮助学生为未来做准备。
Hugging Face 博客盘点了 Hub 上 5 个常被忽视的工具:ZeroGPU、多进程 Docker、Gradio API、Webhooks 和 Nomic Atlas。
Hugging Face Transformers 新增 DataCollatorWithFlattening,使无 padding 的 packing 训练与 Flash Attention 2 兼容,避免跨样本注意力。
OpenAI 宣布与媒体集团 Condé Nast 建立合作。
Upwork 将 AI 用于团队协作、运营和产品开发,把 AI 融入实际工作流程。OpenAI 分享了这一应用案例,展示 AI 在业务流程中的落地方式。
OpenAI 宣布 GPT-4o 现已支持微调。
Hugging Face 发布教程,介绍如何用 TGI 和专用深度学习容器(DLC)在 Google Cloud Vertex AI 的 A3 节点(8 张 H100 GPU)上部署 FP8 量化的 Meta Llama 3.1 405B Instruct。
Indeed 借助 OpenAI 为其全球头号求职网站提供情境化职位匹配。该平台每月吸引超 3.5 亿独立访客,连接逾 350 万雇主和超 3200 万个职位,每三秒就有一人通过 Indeed 成功入职。
OpenAI 与 The Met 服装学院合作推出展览"Sleeping Beauties: Reawakening Fashion",借助 AI 展现艺术与创意潜力。该展览旨在通过美与创造力丰富人们的生活。
Hugging Face 博客分享了复现 Google Infini-Attention 的失败实验:随着记忆压缩次数增加,模型性能持续下降,团队 90% 时间都在调试收敛问题。
OpenAI 发布 SWE-bench 的人工校验子集 SWE-bench Verified,用于更可靠地评估 AI 模型解决真实软件问题的能力。
推荐理由:OpenAI 发布经人工校验的 SWE-bench 子集,可用于比较模型解决真实软件问题的能力。
Hugging Face 发布 ggml 入门指南,介绍这个用 C/C++ 编写、专注 Transformer 推理的开源 ML 库。ggml 核心库自包含在不到 5 个文件中,编译后二进制小于 1MB,支持 x86_64、ARM、Apple Silicon、CUDA 等硬件及量化张量。ollama、LM Studio、GPT4All 等项目均基于 ggml 实现端侧 LLM。
Hugging Face 在 Transformers 中推出统一的工具调用 API,同一套代码可在 Mistral、Cohere、NousResearch 和 Llama 等模型家族间通用,无需或只需极少模型专属改动。
推荐理由:原文给出了统一工具调用 API 的用法与完整示例,读者可据此把同一套代码迁移到多个模型家族。
阿布扎比技术创新研究院(TII)发布 Falcon Mamba 7B,采用纯 Mamba 架构并加入额外 RMS 归一化层以保证大规模训练稳定,以 TII Falcon Mamba 7B License 1.0 开放,可在 Hugging Face 生态中使用。
推荐理由:原文给出 Falcon Mamba 的架构取舍、训练数据与两组基准对比,可据此判断无注意力架构在长序列上的位置。
OpenAI 宣布 Zico Kolter 加入其董事会,以 AI 安全与对齐方面的专业能力加强公司治理。Zico Kolter 同时将加入安全与安保委员会。
推荐理由:OpenAI 官方公布董事会人事变动,读者可了解其在 AI 安全与对齐方向上的治理安排。
OpenAI 发布 GPT-4o 系统卡,用于说明该模型的能力、限制与安全评估情况。原文正文未能抓取,仅标题可用。
Hugging Face 宣布收购西雅图公司 XetHub,其 12 人团队将加入并帮助 Hub 从 Git LFS 切换到自研的存储与版本管理后端。XetHub 的分块存储与去重技术可让 10GB Parquet 文件只重传新增行所在的少量分块,GGUF 模型文件改一个元数据值也只需重传几 KB。
推荐理由:Hugging Face 收购 XetHub 并计划替换 Git LFS 存储后端,读者可了解 Hub 大文件版本管理将如何变化。
OpenAI 与乐天(Rakuten)合作,将数据与 AI 配对以挖掘客户洞察并释放客户价值。乐天通过 API 接入 AI 能力,用于从数据中获取客户洞察。
Mistral AI 在 La Plateforme 上线模型定制功能,支持对 Mistral Large 2 和 Codestral 等旗舰及专用模型进行 base prompt、few-shot 提示和微调,并可自带数据集。
OpenAI 在 API 中推出结构化输出(Structured Outputs),模型输出现在可以可靠地遵循开发者提供的 JSON Schema。
推荐理由:OpenAI 在 API 中引入结构化输出,模型输出可稳定遵循开发者提供的 JSON Schema,便于构建可靠的下游流程。
Hugging Face 与 Albumentations AI 合作推出面向文档图像的 TextImage 数据增强管线,可同时修改图像内容与文本标注。该管线支持随机插入、删除、交换及停用词替换等文本增强,并通过黑化与 inpaint 保持文字质量,用于 VLM 微调。代码已开源,可通过 pip install albumentations 使用。
Hugging Face 于 8 月 6 日梳理了 Hub 的安全功能,面向所有用户提供细粒度 Token、2FA、Commit Signing、组织访问控制,以及基于 ClamAV、picklescan、trufflehog 的自动化安全扫描流水线。Enterprise Hub 用户还可使用 SSO(支持 SAML 2.0 与 OIDC)和 Resource Groups 等高级控制。
Google 在 Gemma 2 发布一个月后扩充模型家族,新增 2.6B 参数的 Gemma 2 2B(含 base 与指令微调版)、安全分类器系列 ShieldGemma 以及覆盖 Gemma 2 2B 和 9B 每一层的稀疏自编码器套件 Gemma Scope。
推荐理由:Google 一次性放出 Gemma 2 2B、ShieldGemma 与 Gemma Scope,读者可据此了解小模型端侧部署与安全过滤的配套方案。
Hugging Face 展示了如何借助 Diffusers 库中的 Quanto 量化工具降低 Transformer 扩散模型的内存占用。以 PixArt-Sigma、Stable Diffusion 3 和 Aura Flow 为例,将扩散主干与文本编码器量化为 FP8 后,SD3 推理显存从 16.403 GB 降至 8.204 GB,质量几乎无损但延迟略有上升。
Hugging Face 面向 Enterprise Hub 组织推出 NVIDIA NIM API(无服务器),可在 Hub 内用 OpenAI 标准 API 对 Llama、Mistral 等开源模型运行推理。
Hugging Face 提出 LAVE(LLM-Assisted VQA Evaluation)指标,用 Llama-2-Chat-7b 以 1-3 分制对候选答案打分,在 Docmatix 的 200 张图像子集上评估 MPLUGDocOwl1.5 的零样本表现。