跳到正文

#Hugging Face

RSS
今日 0 則
11月22日週日
  1. Dev.to Top Tech62

    VIDRAFT 如何重現黎曼猜想的 Lean 形式化證明

    數學證明就算寫成電腦能檢查的形式,也需要確認檔案能否完整編譯,以及最後的定理依賴哪些假設。VIDRAFT 下載並重新編譯一份以 Lean 撰寫的黎曼猜想證明,共檢查 175,187 個檔案,沒有編譯錯誤;Lean 核心也顯示,定理只依賴 Lean 和 Mathlib 的三個標準公理,沒有使用 sorry 或額外公理。作者另做了一個互動工具,用數值計算展示 Weil 二次型在五個真正的 L 函式與三個仿造例子上的正負差異。這些計算展示了相關性質,形式化證明則由 Lean 編譯與檢查。

11月21日週六
  1. Dev.to Top Tech62

    MegaBit Trajectories 公開 66 段 Python AI 助理實際工作紀錄

    訓練 AI 助理的資料如果只留下正確答案,模型就看不到工作中常遇到的錯誤和重試。作者公開 MegaBit Trajectories,收錄 66 段 Python 程式專案的完整工作紀錄,包括工具指令、錯誤訊息、測試失敗和後續修正;每段紀錄最後的測試都通過,也附有檢查工具,讓使用者確認下載的資料是否完整。作者也列出和其他公開資料集比較後的限制:這份資料的專案數較少,最長的錯誤重試過程也較短,目前尚未公佈訓練成果。

  2. Dev.to Top Tech49

    為什麼位元答對率變高,算出的總和還是錯?

    電腦加法時,前一位留下的進位會影響下一位。這個實驗比較同一個神經網路的兩種演算法:一種會把前一步的狀態帶到下一步,另一種每算一位就把狀態清空。算 1 + 15 時,保留狀態的版本答對 16;清空狀態的版本卻算成 14。把數字補上很多前面的零後,清空狀態的版本雖然答對更多位元,整個答案仍是錯的。 在整理的 64,856 個案例中,保留狀態的版本全部答對;清空狀態的版本只答對 6,290 題。這說明位元答對率可能被大量容易答對的零拉高,不能代表整個算式正確。研究結果只適用於這次測試的網路和案例,也提醒我們,實際計算仍應使用精確的整數運算。

11月20日週五
  1. Dev.to Top Tech64

    Sumama-Jameel 公開 66 段真實程式開發過程,讓 AI 助理學會從錯誤中修正

    只看最後寫好的程式碼,AI 助理學不到遇到錯誤後怎麼繼續。Sumama-Jameel 整理出 66 段實際執行的程式開發過程:AI 助理在 Docker 沙盒裡處理真實專案任務,使用工具、碰到錯誤再修正,工具輸出和失敗紀錄都保留下來。每段資料都會檢查專案測試,也能在自己的電腦上重新驗證。作者公開與四份大型資料集的比較,並說明這份資料在規模和部分指標上落後;用它訓練的小型模型有一項分數從 43% 升到 80%,其他分數則退步。

11月19日週四
  1. Hugging Face Blog62

    Hugging Face 團隊用 272 次微調紀錄預測 GPU 工作時間

    共享 GPU 叢集很難排工作:微調任務若提早或延後結束,都會影響其他工作,單靠運算量公式也常估不準。Hugging Face 團隊整理 272 次實際監督式微調紀錄,用工作設定和模型資料訓練 CatBoost,預測任務從取得 GPU 到完成所需的時間。交叉驗證中,平均誤差約 1.71 小時;工作時間在 60 小時以內時,誤差通常較小,超過 60 小時的少數任務則較難預測。這套模型使用 H200 資料訓練,不能直接當成其他 GPU 的時間估算。

    推薦理由:文章比較公式估算與機器學習預測,呈現評估和檢查點設定如何影響 GPU 工作時間,也指出長時間任務的誤差較大。

11月16日週一
  1. Dev.to Top Tech48

    Web 搜尋和 API 查詢誰比較會查公司?Bosco Labs 用 25 家公司重新測試

    替供應商或客戶做背景確認時,得查公司是否還在營業、是否破產或被列入制裁名單。Bosco Labs 拿 25 家公司比較 Claude Sonnet 5.5 用網路搜尋的結果,以及自家 API 查到的資料。第一次測試,網路搜尋有 23 家全對,API 只有 17 家;檢查後,他們發現 API 有四個程式問題,修好再測,結果變成 API 20 家、網路搜尋 19 家。 不過,第二次測試中網路搜尋有幾次卡住或沒查完,分數也因此下降;而且 API 的錯誤已依這 25 家公司的情況修正,不能當成公平的全新考試。像 Tesco 這種知名公司,模型可能不用搜尋就答對;但要讓人查清楚答案從哪裡來,API 會列出制裁名單資料。這次結果只能說明這 25 家公司的測試情況,還需要用沒測過的公司再比較。

11月14日週六
  1. Hugging Face Blog65

    Hugging Face 發布 XYBench,測試 AI 助理能否看出問題問錯了

    有時候,人問的問題不是解決麻煩的好方法,例如蛋糕還太熱,卻一直想找讓糖霜黏住的方法。Hugging Face 與研究人員推出 XYBench,收錄 8,115 個程式和日常生活問題,用來測試 AI 助理能不能看出使用者真正想達成的目標,並把回答帶向更合適的解法。測試發現,受測模型常會回答使用者原本問的方法,較少把真正的目標放在回答重點;即使模型在選擇題中能挑出較好的建議,也不一定會在自己回答時這麼做。這項基準目前以英文和程式性問題為主。

    推薦理由:XYBench 比較模型回答字面問題與真正目標的差異,也呈現模型辨認出好建議後,仍未必能在作答時優先採用。

11月13日週五
  1. Dev.to Top Tech73

    VIDRAFT 推出天氣預報排行榜,公開比較 Darwin-Prediction-Weather 與各家模型

    天氣預報模型很多,光看過去的研究不容易知道它們今年預測得準不準。VIDRAFT 在 Hugging Face 公開 Darwin-Prediction-Weather 和天氣模型排行榜,每天把各模型對 24 個城市、四種天氣專案的預測,和事後觀測資料比較。依截至 2026-11-07 的紀錄,Darwin-Prediction-Weather 在 1 到 7 天的預報中,四種專案的誤差都最低;排行榜也能按城市和預報天數檢視結果,並提供預報與觀測資料供人檢查。

  2. Dev.to Top Tech72

    Vidraft 公開 Darwin-Prediction-Weather,並每日比較全球天氣模型

    天氣預報模型很多,光看單一總分不容易知道哪種模型在不同天數和天氣專案上表現較好。Vidraft 公開 Darwin-Prediction-Weather 和全球天氣模型排行榜,使用相同城市與日期的預報,對照 ERA5 資料計算誤差,排行榜每天更新,也提供資料供人查閱。文中列出的 2026 年累積紀錄截至 11 月 7 日;Darwin-Prediction-Weather 在四項天氣數值、1 至 7 天預報中誤差最低。作者也表示,它在 WeatherBench 2 的 2020 年測試中,15 個專案的誤差都低於文中列出的官方最佳分數。

11月11日週三
11月9日週一
  1. Hugging Face Blog69

    HOPE 如何透過專家互動改善 MoE 模型剪枝

    HOPE 是一種納入專家成對互動的 MoE 剪枝方法;在 3 個模型與多組基準測試中,它取得最佳整體排名,且在 50% 剪枝時優勢較明顯。 - 方法:HOPE 以校準資料計算專家互動矩陣,再透過二次規劃選出要移除的專家;作者提供校準、求解與剪枝工具。

    推薦理由:HOPE 將專家間的成對互動納入剪枝決策,並以 50% 剪枝下的基準比較呈現這種方法在高剪枝率時的表現差異。

11月7日週六
11月6日週五
11月5日週四
11月4日週三
  1. Hugging Face Blog77

    StateBench:測試語言模型在長篇檔案中追蹤狀態變化的能力

    StateBench 是一個針對長文本狀態追蹤的基準測試,涵蓋四個難度層級,旨在評估模型在長依賴下的表現。 - 四層級:r‑trivial、aperiodic、soluble、general finite。

    推薦理由:StateBench 透過多層級長文本追蹤測試,揭示 Transformer 在長依賴下的侷限,並證明 Gated DeltaNet 等混合架構可突破此瓶頸。

11月2日週一
11月1日週日
10月28日週三
10月26日週一
10月24日週六
10月22日週四
  1. Hugging Face Blog88

    VocabX:成本加權詞彙最佳化能將單域 LLM 推理成本降低 77%

    VocabX 是一種成本加權詞彙最佳化方法,針對單域 LLM 在實際應用中可將推理成本降低 77%。 - 模型:以 Qwen3-4B 為基礎,維持 4B 引數,未改變模型權重。

    推薦理由:VocabX 透過成本加權詞彙最佳化,實驗證明可將推理成本降低 77%,同時提升評分 15%,並保持原始模型精度。

10月21日週三
  1. Hugging Face Blog80

    ALTK‑Evolve:學習式記憶在客戶服務基準上超越前沿模型

    ALTK‑Evolve 透過自動提取規則,將 GPT‑4.1 轉化為在 τ²‑bench 客戶服務基準上領先的代理,無需權重更新。 - 核心成效:零售領域 Pass^4 從 57.5% 提升至 67.5%,航空領域從 35.0% 提升至 45.0%;在整體排行榜上位居首位。

    推薦理由:本研究展示了透過自動提取規則而無需權重更新,將舊版 GPT‑4.1 轉化為領先客戶服務基準的能力,說明提示級記憶可顯著提升多模態代理。

10月20日週二
10月15日週四
10月13日週二
  1. Amazon Science85

    Priming:從預訓練 Transformer 建立混合狀態空間模型

    Amazon Web Services 團隊發表名為 Priming 的新方法,能以不到傳統預訓練 0.5% 的成本,將預訓練 Transformer 轉換為混合狀態空間模型。

    推薦理由:原文提出無需從頭訓練即可將 Transformer 轉換為混合狀態空間模型的 priming 方法,讀者可據此評估如何大幅降低架構探索與訓練成本。

10月12日週一
10月9日週五
9月29日週二
  1. Hugging Face Blog42

    ProvenanceGuard 如何針對 MCP AI 助理實現源感知的事實核查

    ProvenanceGuard 是一款針對 MCP AI 助理的後置生成驗證層,旨在解決交叉來源混淆問題並進行源感知的事實核查。該系統通過保持來源身份不變來分別檢查支援來源與回答中的指定來源是否一致。在包含 281 條真實醫療AI 助理軌跡的測試中,它從專家判定的 361 個宣告中捕獲了 138 個不應通過的宣告,並在可識別來源的宣告中取得了約 86% 的正確選源率。

9月2日週三
  1. Hugging Face Blog55

    BenchMIRT:大模型基準測試究竟在測量什麼?

    Allen Institute for AI 介紹了 BenchMIRT,這是一種用於在單個提示詞層面審計大模型基準測試的新方法。該方法將多維專案反應理論應用於 100 個大模型在 16 個基準測試中的表現,獨立恢復出安全與通用推理兩個主導維度,發現部分基準測試的實際測量結果與其宣稱的目標存在偏差。

8月25日週二
8月21日週五
8月19日週三
  1. Hugging Face Blog65

    AI 助理究竟需要多少記憶容量:ALTK-Evolve 評測與劑量校準方法

    Hugging Face 團隊釋出研究探討如何為 AI 助理配置自蒸餾記憶,評估了從 30B 到前沿模型的 8 款模型在 AppWorld 基準上的表現。研究發現AI 助理記憶效果取決於模型能力層級:強模型適合注入完整記憶,較弱模型適合精選檢索,而已飽和模型則無明顯增益。精選檢索能在僅增加 5% token 的情況下使 gpt-oss-120b 任務完成度提升 16.1 個百分點。

8月13日週四
  1. Hugging Face Blog74

    Hugging Face 部落格:復現 2,200 篇 ICML 論文的經驗與發現

    Hugging Face 舉辦了一場使用編碼AI 助理逐條復現 ICML 2026 論文的駭客松,1,221 名參與者在 19 天內釋出了 6,816 份日誌並嘗試復現了 2,226 篇論文。

    推薦理由:文章公佈了大規模AI 助理復現學術論文的成果與發現,讀者可以從中瞭解自動化復現對檢驗科研質量的實際效果與侷限。