Training data

arxiv arXiv cs.AI · 5 jam lalu · 10 tayangan

VideoX-Qwen memperkenalkan kerangka kerja berpusat pada data untuk pengeditan video berbasis instruksi

Peneliti mempersembahkan VideoX-Qwen, sebuah kerangka kerja terintegrasi yang menggabungkan konstruksi data yang dapat diskalakan dengan pelatihan model untuk memajukan pengeditan video tujuan umum yang digerakkan oleh instruksi. Sistem ini memanfaatkan pipeline produksi yang mengorganisir model khusus untuk menghasilkan catatan pengeditan arah, menghasilkan lebih dari 1,2 juta sampel berkualitas tinggi dalam tugas penambahan, penghapusan, penggantian, dan atribut.

media Hugging Face Forums · 5 hari lalu · 10 tayangan

Dataset Evaluasi Preferensi & Keamanan LLM Kesehatan Hausa

Seorang ahli linguistik komputasi dan spesialis NLP Hausa telah memperkenalkan dataset baru yang dirancang untuk mengevaluasi Model Bahasa Besar dalam konteks kesehatan dan keamanan dalam bahasa Hausa.

media Hugging Face Forums · 5 hari lalu · 11 tayangan

FlyEye merilis escape-neuron-v1: grafik kompak 3.376 neuron / 78.797 tepi yang berasal dari MaleCNS

Proyek FlyEye telah menerbitkan dataset tingkat neuron kompak pertama bersama dengan kit pengembang browser dan runtime. Rilis ini mencakup dataset Tubban/flyeye-escape-neuron-v1 yang di-hosting di Hugging Face.

media MarkTechPost · 18 hari lalu · 27 tayangan

Adaption Labs merilis 'Invent a Dataset' untuk menghasilkan data pelatihan dari deskripsi tugas

Adaption Labs telah memperkenalkan "Invent a Dataset," sebuah fitur yang menghasilkan dataset terstruktur siap pelatihan langsung dari deskripsi tugas dalam bahasa alami tanpa memerlukan korpus benih, skema yang telah ditentukan sebelumnya, atau panduan pelabelan. Alat ini tersedia melalui aplikasi Adaption, Python SDK, dan REST API, memungkinkan pengguna mengunduh baris yang dihasilkan dalam format JSONL, JSON, CSV, atau Parquet.

arxiv arXiv cs.CL · 21 hari lalu · 17 tayangan

TrialGPT 2.0 meningkatkan efisiensi dan akses pencocokan uji klinis dalam evaluasi multisenter

Para penulis menyajikan TrialGPT 2.0, sistem rekomendasi uji klinis yang dibantu AI yang dirancang untuk penerapan di dunia nyata, yang menilai uji mana yang layak dipertimbangkan berdasarkan kebutuhan pasien dan prioritas alur kerja.

media Hugging Face Forums · 23 hari lalu · 29 tayangan

Tutorial: Bangun dan Latih Tokenizer BPE Tingkat Byte dari Awal

Sebuah tutorial baru mendokumentasikan proses langkah demi langkah untuk membangun dan melatih tokenizer BPE tingkat byte dari prinsip pertama. Panduan ini mencakup detail implementasi kunci seperti pre-tokenisasi yang sadar Unicode, pembaruan frekuensi pasangan secara inkremental, dan penggunaan max heap dengan penghapusan malas.

lab Hugging Face Blog · 25 hari lalu · 36 tayangan

Papan Peringkat ASR Terbuka menambahkan dataset Monsoon untuk Hindi dan Inggris India

Papan Peringkat ASR Terbuka telah memperkenalkan bahasa Global South pertamanya dengan dua set evaluasi baru: Monsoon en-IN (Inggris India) dan Monsoon hi-IN (Hindi). Penambahan ini mengatasi kurangnya keragaman demografis dalam benchmark saat ini, yang secara historis berfokus pada bahasa Eropa.

media Hugging Face Forums · 26 hari lalu · 25 tayangan

omertt27 merilis Calibra untuk observabilitas dan pemilihan coreset pada dataset robotika

Penulis telah merilis Calibra, sebuah alat yang dirancang untuk mengidentifikasi demonstrasi buruk dalam dataset pembelajaran imitasi robotika sebelum mereka mengonsumsi sumber daya GPU.

media Hugging Face Forums · 28 hari lalu · 40 tayangan

Harmonic Frontier merilis pratinjau dataset Celtic Constellation Reference Sessions

Harmonic Frontier telah menerbitkan pratinjau dari dataset Celtic Constellation Reference Sessions, yang menampilkan rekaman multitrack yang selaras dari aransemen ansambel Celtic tradisional dan kontemporer. Arsitekturnya terdiri dari pasangan yang selaras di mana setiap trek mencakup stem kering terisolasi, performa yang sama yang diproses melalui rantai produksi, dan mix akhir.

media Hugging Face Forums · 29 hari lalu · 39 tayangan

vldmrbesk merilis arsip Tsiolkovsky berisi 51 ribu lembar dengan akurasi pengenalan terukur

Arsip pribadi lengkap Konstantin Tsiolkovsky, yang terdiri dari 51.008 lembar dan 2.019 file arsip, telah dirilis sebagai dataset CC0. Koleksi ini mencakup lima puluh tahun karya sang teoretikus roket autodidak dan mencakup naskah tulisan tangan bersama salinan ketikan.