پرش به محتوای اصلی

موضوع

مدل‌های بازوزن

Open-source models, open weights, local hosting, licensing

۲٬۳۹۶ مقاله منتشر شده

آموزش کاربردی

رفع «جهنم وابستگیات» در توسعهٔ عامل‌های هوش مصنوعی با داکر کامپوز

یک الگوی معماری جدید از Docker Compose برای یکپارچه‌سازی مدل‌های زبانی، حافظه برداری و سامانه نظارتی استفاده می‌کند. این روش با تبدیل زیرساخت به مجموعه‌ای از سرویس‌های ایزوله،…

۵ دقیقه خواندن۱
آموزش کاربردی

MyZubster: انتقال ربات‌ها به سیستم تشخیص لحظه‌ای اشیا با دوربین‌های باز

پروژه MyZubster با معرفی یک ماژول دوربین هوشمند و بازاستفاده، ربات‌های خود را از مدل «دستور-عملکرد» به معماری «ادراک-تصمیم-عمل» منتقل کرد. این سیستم امکان تشخیص لحظه‌ای اشیا و…

۸ دقیقه خواندن۱
آموزش کاربردی

مدل Muse Glimmer متا: اجرای عامل‌های ۳۰ میلیارد پارامتری روی GPUهای خانگی

متا مدل Muse Glimmer را به عنوان یک مدل وزن‌باز ۳۰ میلیارد پارامتری برای اجرای محلی عامل‌های هوش مصنوعی منتشر کرد. این مدل با استفاده از کوانتش ۴ بیتی و رمزگشایی گمانه‌زنانه، روی…

۶ دقیقه خواندن۳
آموزش کاربردی

«نادیده گرفتن نوسانات سخت‌افزاری»؛ دلیل گمراه‌کننده بودن نتایج مدل‌های AI

محک‌های استاندارد هوش مصنوعی با نادیده گرفتن نوسانات سخت‌افزاری موبایل، نتایجی گمراه‌کننده ارائه می‌دهند. چارچوب جدید تست مدل MiniMax H3 بر توان بازیابی سیستم پس از قطع اتصال…

۵ دقیقه خواندن۲
آموزش کاربردی

ارزیابی بر اساس کدبیس اختصاصی در برابر رده‌بندی‌های عمومی مدل‌های AI

یک فرآیند ارزیابی تکرارپذیر به توسعه‌دهندگان اجازه می‌دهد تا به‌جای تکیه بر جدول‌های رده‌بندی عمومی، مدل‌های وزن‌باز را با ۶ تسک واقعی بسنجند. این روش با استفاده از منابع رایگان،…

۵ دقیقه خواندن۲
آموزش کاربردی

گرافای با جایگزینی جست‌وجوی برداری، کورسوشانی AI در پروژه‌های بزرگ را حل کرد

ابزار Graphify با تبدیل کدها به گراف دانش، جایگزین جست‌وجوی کلمات کلیدی در دستیارهای برنامه‌نویسی شده است. این ابزار به جای حدس زدن شباهت‌ها، روابط ساختاری و زنجیره‌های فراخوانی…

۸ دقیقه خواندن۲
آموزش کاربردی

Lumabri مدل‌های عظیم MoE را روی شبکه‌ای از پردازنده‌های معمولی اجرا می‌کند

پروژه Lumabri با توزیع وزن‌ها و محاسبات میان گره‌های Peer-to-Peer، اجرای مدل‌های غول‌پیکر ترکیب خبره‌ها را بدون نیاز به GPU ممکن کرده است. این سیستم خروجی‌های کاملاً یکسانی را روی…

۲۱ دقیقه خواندن۳
آموزش کاربردی

زیرساخت ۲۵ دلاری AIdeazz: مدیریت ۱۰ عامل هوش مصنوعی با هزینه صفر

النا رِویچوا، بنیان‌گذار AIdeazz، استراتژی کاهش هزینه‌های عملیاتی را فاش کرد که در آن از لایه‌های رایگان اوراکل و مسیریابی هوشمند مدل‌ها برای اجرای ۱۰ عامل تولیدی استفاده شده است.…

۷ دقیقه خواندن۴
آموزش کاربردی

آیا درگاه‌های سیاست‌گذاری محلی می‌توانند ریسک نفوذ AI به فایل‌ها را بکاهند؟

پروژه متن‌باز RunOnMine با ایجاد یک لایه امنیتی محلی، مانع از دسترسی کامل عامل‌های هوش مصنوعی به کل سیستم‌عامل کاربر می‌شود. این ابزار دسترسی‌های گسترده را با سیستمی جایگزین…

۶ دقیقه خواندن