Hugging Faceは、自然言語処理ワークフローにおけるトークナイザーの性能を大幅に向上させた「tokenizers v1」をリリースしました。従来、トークン化処理は機械学習パイプライン全体から見ると計算負荷が低いとされてきましたが、大規模データセットでの学習や多数の同時リクエスト処理
AIエージェントの性能評価において、多くのベンチマークは単一の平均的な成功率（Mean@k）を報告しますが、これは実運用における「再現性」という重要な課題を覆い隠しています。例えば、GPT-4.1を用いたReActエージェントがAppWorldテストで平均77.4%の成功率を示しても、5回
Hugging Faceは、TRLのAsyncGRPOTrainerにLoRAアダプターのサポートを導入し、TRL v1.14で提供を開始しました。この機能により、トレーナーがモデル全体ではなく、数メガバイト程度の軽量なLoRAアダプターのみを学習し、それをvLLMに同期することが可能にな
Hugging Faceは、以前の投稿で示唆された複雑なシステムであるAUTOMATIC1111のstable-diffusion-webuiの機能を、Gradio Workflowを用いて再構築した「Workflow1111」を発表しました。このWorkflow1111は、73のノードか
Hugging Faceは、新しい多言語マルチモーダルエンコーダ「NeoMME」（ニーオミ）を発表しました。NeoMMEは、既存の生成型ビジュアル言語モデルとは異なり、別途事前学習されたビジョンタワーや因果言語モデルを使用しません。代わりに、単一の双方向Transformerがテキストトー
本ガイドは、比較的小規模な大規模言語モデル（LLM）を、特定のタスクである「構造化出力の遵守（schema compliance）」において大幅に改善するための、公開され低コストな手法を提示しています。具体的には、LFM2.5-350Mというモデルに対し、Group Relative Po
開発者が複数のマシンやタスクに応じて利用するコーディングエージェントは、セッションが終了すると過去の推論過程や決定理由といった重要な情報を失いがちです。これまでのエージェントの実行ログは、何が変更されたかだけでなく「なぜ変更されたのか」という詳細な記録を残していますが、これらは単なるアーカ
言語モデルがコードを生成し、それによって水彩画を描くという、芸術と工学の融合したプロジェクトが公開されました。このアイデアは、Surya Narreddi氏によるもので、当初はクローズアップの花など、限定的な段階で発表されていましたが、本記事ではその手法をTRL（Transformer R
本稿では、大規模言語モデル（LLM）のベンチマーク評価を、個々のプロンプト（質問やタスク）レベルで監査するための新しい手法「BenchMIRT」が導入されたことを報告しています。従来のベンチマークは、安全性や一般的な推論といった特定の能力を測定するように設計されていますが、個々のタスクが必
Hugging Faceは、ブラウザ上でのAI推論を可能な限り高速かつ使いやすくすることを目指す取り組みの一環として、新しいライブラリ「@huggingface/kernels」をリリースしました。このライブラリは、Hugging Face Hubから最適化されたWebGPUカーネルをロー
Hugging FaceとVoice Arenaは提携し、オープンな自動音声認識（ASR）評価の枠組みを拡充しました。この度、南アジアの言語を対象とした評価セットが導入され、特にヒンディー語とインド英語のベンチマークが追加されました。これまでのリーダーボードは、主にヨーロッパ言語を対象とし
PythonライブラリであるSentence Transformersは、検索拡張生成（RAG）や意味的検索など、多様なアプリケーションで埋め込みおよびリランカーモデルを利用・訓練するためのツールです。このライブラリのv6.0アップデートにより、ColBERTスタイルの遅延相互作用検索に対
Hugging Faceは、推論能力に特化した新しい大規模言語モデル（LLM）ファミリー「Granite 4.2」を発表しました。このファミリーは、密なデコーダーオンリー型の推論LLMとして初めてリリースされ、3B、8B、30Bの3つの異なるサイズで提供されています。Granite 4.2
大規模言語モデル（LLM）を実用的に展開する際、モデルのサイズを削減するために、まずアーキテクチャのパラメータ数を削減する構造的圧縮を行い、その後、残った重みを4ビットに量子化するという手法が標準的となっています。しかし、この「圧縮してから量子化する」プロセスを経ると、推論能力、数学的推論