Hugging Face의 diffusers 라이브러리를 사용하여 커스텀 ControlNet 모델을 학습시키는 단계별 가이드를 제공한다.
Hugging Face Hub에서 Jupyter Notebook을 직접 렌더링하여 확인할 수 있는 기능이 도입되었다.
Hugging Face가 TRL과 PEFT를 통합하여 소비자용 GPU에서도 20B 규모의 LLM RLHF 학습이 가능하도록 지원한다.
카카오브레인이 7억 개의 이미지-텍스트 쌍을 포함한 COYO 데이터셋과 이를 학습한 ViT, ALIGN 모델을 오픈소스로 공개했다.
Hugging Face의 Diffusers 라이브러리가 Stable Diffusion의 생성 과정을 정밀하게 제어할 수 있는 ControlNet 기능을 지원한다.
Hugging Face가 Diffusers 라이브러리의 책임감 있는 개발을 위한 윤리적 프레임워크를 발표했다.
Witty Works가 SetFit를 활용해 적은 데이터로 문맥에 따른 비포용적 언어를 분류하는 기술적 해결책을 구현했다.
Hugging Face가 Core ML을 활용해 Mac에서 Stable Diffusion을 빠르게 실행하는 네이티브 앱을 공개했다.
Fetch가 Hugging Face와 AWS를 활용해 자체 AI 모델을 구축함으로써 영수증 처리 효율을 높이고 개발 시간을 단축했다.
Hugging Face와 AWS가 전략적 파트너십을 확대하여 차세대 AI 모델의 개발과 배포를 가속화한다.
Hugging Face가 내부 모델 서빙을 AWS ECS에서 Inference Endpoints로 전환하며 얻은 성능 및 비용 이점을 공개했다.
고정된 이미지 인코더와 LLM을 연결하는 Q-Former를 통해 효율적인 시각-언어 학습을 구현한 BLIP-2를 소개한다.
Hugging Face Transformers 라이브러리에 통합 음성 처리 모델인 SpeechT5가 추가되었습니다.
Hugging Face가 강화 학습 에이전트의 성능을 ELO 레이팅으로 평가하는 멀티 에이전트 경쟁 시스템을 출시했다.
Intel Sapphire Rapids CPU와 Optimum Intel 라이브러리를 활용해 PyTorch Transformer 모델의 추론 성능을 최적화하는 방법을 다룬다.
Hugging Face가 8가지 핵심 비전 태스크와 3,000개 이상의 모델을 지원하며 컴퓨터 비전 생태계를 확장하고 있다.
LoRA 기술을 Stable Diffusion에 적용하여 학습 속도를 높이고 모델 용량을 획기적으로 줄이는 방법을 소개한다.
Hugging Face의 Optimum 라이브러리와 ONNX Runtime을 통합하여 트랜스포머 모델 학습 속도를 최대 130%까지 향상시켰다.
Mask2Former와 OneFormer를 통해 인스턴스, 시맨틱, 파놉틱 세그멘테이션을 통합 수행하는 범용 모델을 소개한다.
AI Briefing