lab Hugging Face Blog · há 2 h · releases

Liquid AI lança LFM2.5-2.6B para implantação local de agentes

Traduzido do English → Português (BR)

A Liquid AI lançou o modelo LFM2.5-2.6B, um agente de 2,6 bilhões de parâmetros projetado para rodar localmente em dispositivos de borda com alta eficiência e compatibilidade.

O modelo é treinado usando aprendizado por reforço agêntico dentro de harnesses populares para melhorar o uso de ferramentas e a conformidade com instruções. Ele alcança velocidades de inferência de 220 tok/s em um Apple M5 Max e 113 tok/s em uma CPU AMD Ryzen, enquanto usa menos de 2,5 GB de memória. Os benchmarks mostram que ele compete com modelos quatro vezes seu tamanho, liderando as métricas de conformidade com instruções e igualando os modelos Qwen maiores em tarefas agênticas.

O lançamento visa habilitar agentes confiáveis para cargas de trabalho de alto volume, disponível via Hugging Face e bibliotecas de inferência padrão.

Importância 2/3 Confiança 1/3 Hugging Face Blog AI agents Open weights

Ler original

LFM2.5-2.6B lança um modelo agêntico para dispositivos com inferência local gratuita

Os autores lançam o LFM2.5-2.6B, um modelo agêntico de 2,6 bilhões de parâmetros projetado para rodar inteiramente no dispositivo para planejamento, chamada de ferramentas e tarefas em múltiplos passos. Ele é pequeno o suficiente para operar em telefones e rápido o bastante para manter a responsividade em CPUs, oferecendo inferência gratuita, baixa latência e privacidade sem dependências de APIs na nuvem.

lab Microsoft Research Blog · há 22 h · 3 visualizações

Microsoft Research lança o framework Orchard para IA agente escalável

A Microsoft Research lançou o Orchard, um framework de código aberto projetado para permitir pesquisas escaláveis e com custo-benefício sobre agentes autônomos. O sistema tem como base o Orchard Env, um serviço de ambiente baseado em Kubernetes que permite aos pesquisadores treinar e avaliar agentes em diversos domínios, como engenharia de software, navegação na web e assistência pessoal, sem a necessidade de reconstruir a infraestrutura.

media Latent Space · há 4 d · 4 visualizações

DeepSeek lança V4-Flash com ganhos pós-treinamento e pesos abertos

A DeepSeek lançou uma API de beta público atualizada para o DeepSeek-V4-Flash, juntamente com a disponibilidade imediata dos pesos abertos, marcando um salto significativo no desempenho alcançado por meio de otimizações pós-treinamento, em vez de mudanças na arquitetura. O modelo mantém sua estrutura de 284B parâmetros totais / 13B parâmetros ativos, mas apresenta melhorias substanciais nas capacidades agênticas e nos benchmarks de codificação.

blog Simon Willison · há 4 d

DeepSeek lança DeepSeek-V4-Flash-0731 com capacidades agênticas aprimoradas

A DeepSeek lançou o DeepSeek-V4-Flash-0731, o modelo mais recente de sua família V4, com capacidades agênticas substancialmente aprimoradas. O modelo de 304 bilhões de parâmetros está disponível no Hugging Face e OpenRouter.

arxiv arXiv cs.CL · há 5 d · 1 visualização

Frontis-MA1 alcança estado da arte em MLE por meio de autoaperfeiçoamento recursivo do OpenMLE

A Frontis lança o Frontis-MA1, um modelo AI4AI com 35B de parâmetros projetado para autoaperfeiçoamento recursivo em engenharia de machine learning, juntamente com a pilha open-source OpenMLE. O sistema integra ambientes de tarefa verificáveis, aprendizado de operadores e busca de longo alcance para permitir que um agente melhore seu próprio código por meio de treinamento fundamentado na execução.