Training data

arxiv arXiv cs.AI · há 5 h · 10 visualizações

VideoX-Qwen apresenta estrutura centrada em dados para edição de vídeo baseada em instruções

Pesquisadores apresentam o VideoX-Qwen, uma estrutura integrada que combina construção escalável de dados com treinamento de modelo para avançar na edição de vídeo de propósito geral e orientada por instruções. O sistema utiliza um pipeline de produção que organiza modelos especializados para gerar registros de edição direcional, resultando em mais de 1,2 milhão de amostras de alta qualidade nas tarefas de adição, remoção, substituição e atributos.

media Hugging Face Forums · há 5 d · 10 visualizações

Conjunto de dados de preferência e segurança de LLM para saúde em hausa

Um linguista computacional e especialista em PLN do idioma hausa apresentou um novo conjunto de dados projetado para avaliar Grandes Modelos de Linguagem no contexto da saúde e segurança dentro do idioma hausa.

media Hugging Face Forums · há 5 d · 11 visualizações

FlyEye lança escape-neuron-v1: grafo compacto de 3.376 neurônios / 78.797 arestas derivado do MaleCNS

O projeto FlyEye publicou o primeiro conjunto de dados compacto em nível de neurônio, junto com um kit de desenvolvimento para navegador e runtime. Este lançamento inclui o conjunto de dados Tubban/flyeye-escape-neuron-v1 hospedado no Hugging Face.

media MarkTechPost · há 18 d · 27 visualizações

Adaption Labs lança 'Invent a Dataset' para gerar dados de treinamento a partir de descrições de tarefas

A Adaption Labs apresentou o "Invent a Dataset", um recurso que gera conjuntos de dados estruturados e prontos para treinamento diretamente a partir de descrições de tarefas em linguagem natural, sem exigir um corpus semente, esquema predefinido ou guia de rotulagem. A ferramenta está disponível por meio do aplicativo Adaption, SDK Python e API REST, permitindo que os usuários baixem as linhas geradas nos formatos JSONL, JSON, CSV ou Parquet.

arxiv arXiv cs.CL · há 21 d · 17 visualizações

TrialGPT 2.0 melhora a eficiência e o acesso ao recrutamento em ensaios clínicos em avaliação multicêntrica

Os autores apresentam o TrialGPT 2.0, um sistema de recomendação de ensaios clínicos assistido por IA projetado para implantação no mundo real, que avalia quais ensaios merecem consideração com base nas necessidades dos pacientes e nas prioridades do fluxo de trabalho.

media Hugging Face Forums · há 23 d · 29 visualizações

Tutorial: Construa e treine um tokenizador BPE em nível de bytes do zero

Um novo tutorial documenta o processo passo a passo para construir e treinar um tokenizador BPE em nível de bytes a partir dos primeiros princípios. O guia cobre detalhes-chave de implementação, como pré-tokenização consciente de Unicode, atualizações incrementais de frequência de pares e uso de um max heap com deleção preguiçosa.

lab Hugging Face Blog · há 25 d · 36 visualizações

Classificação de ASR Aberto adiciona conjuntos de dados Monsoon para hindi e inglês indiano

A Classificação de ASR Aberto introduziu seus primeiros idiomas do Sul Global com dois novos conjuntos de avaliação: Monsoon en-IN (inglês indiano) e Monsoon hi-IN (hindi). Essas adresses abordam a falta de diversidade demográfica nos benchmarks atuais, que historicamente se concentraram em línguas europeias.

media Hugging Face Forums · há 26 d · 25 visualizações

omertt27 lança Calibra para observabilidade e seleção de coreset em conjuntos de dados de robótica

O autor lançou o Calibra, uma ferramenta projetada para identificar demonstrações ruins em conjuntos de dados de aprendizado por imitação em robótica antes que consumam recursos de GPU.

media Hugging Face Forums · há 28 d · 40 visualizações

Harmonic Frontier lança prévia do conjunto de dados Celtic Constellation Reference Sessions

A Harmonic Frontier publicou uma prévia do conjunto de dados Celtic Constellation Reference Sessions, apresentando gravações multicanal alinhadas de arranjos de conjuntos celtas tradicionais e contemporâneos. A arquitetura consiste em pares alinhados onde cada peça inclui stems isolados secos, a mesma performance processada através de uma cadeia de produção e a mixagem final.

media Hugging Face Forums · há 29 d · 39 visualizações

vldmrbesk lança arquivo Tsiolkovsky com 51 mil folhas e precisão de reconhecimento medida

Um arquivo pessoal completo de Konstantin Tsiolkovsky, composto por 51.008 folhas e 2.019 arquivos arquivísticos, foi lançado como um conjunto de dados CC0. A coleção abrange cinquenta anos de trabalho do teórico autodidata dos foguetes e inclui manuscritos à mão ao lado de cópias digitadas.