Hugging Face
O Hugging Face é o GitHub do aprendizado de máquina — a plataforma que hospeda milhões de modelos abertos, datasets e demos. Sua biblioteca Transformers e seus rankings abertos a tornaram o centro de gravidade da IA de código aberto. Toda a nossa cobertura sobre o Hugging Face está nesta página.
T2Quant redistribui a precisão pelos passos de LLMs de difusão: até +6,7 p.p.
O T2Quant quantiza modelos de linguagem de difusão ajustando os bits das ativações a cada passo de denoising e ganha até 6,7 p.p. de acurácia com o mesmo orçamento…
UserArena: benchmark com 64 729 sessões testa se é possível simular compradores
Pesquisadores reuniram 64 729 sessões reais de compras de 11 010 usuários e propuseram o OPTD, que reproduz o efeito de um teste A/B real com mais precisão que…
HiSTEVE 1.0 joga Minecraft com mouse e teclado: 85,0% no MineStudio Bench
O agente VLA HiSTEVE 1.0 cumpre tarefas longas no Minecraft sem API nem estados ocultos do jogo: 85,0% no MineStudio Bench, 37,4% no OpenHA e picareta de ferro do…
Nestor: esparsidade aninhada na atenção supera MoE em custos iguais
Um encoder de 17 milhões de parâmetros escolhe a ferramenta certa em 14 ms numa CPU
RiseHarness ensina agentes de terminal a corrigir a própria camada de orquestração sem retreinamento
Revisão: robôs aprendem a melhorar o próprio processo de aprendizado, mas ainda faltam provas
Quant-Arena: nenhum dos 9 LLMs superou o mercado A-share em 2024
Novo benchmark testou nove modelos de ponta no ciclo completo de pesquisa quant. O GPT-6 Astra foi o melhor, mas nenhuma estratégia superou o mercado equiponderado…
Pesquisadores propõem o framework PAPAV: apenas 3 de 64 benchmarks avaliam a verificação
Novo artigo compara agentes de computador e robôs por cinco funções do PAPAV. Entre 64 benchmarks, só 5 avaliam a previsão de consequências e apenas 3 checam o…
WorldStream constrói um mundo 3D infinito e lembra cada edição do jogador
Agent4Sci: Claude Opus melhora recordes em 20 benchmarks científicos em 10,4%
Stateful Harness eleva a precisão de modelos de mundo de 32% para 92% em estado oculto
ActionRoPE transforma ações do jogador em coordenadas e reduz em 66% o drift da cena
Pesquisadores descrevem como o JEPA seleciona características: o que importa são as conexões, e não as características isoladas
Mosh Levy, Aly Lidayan e Yoav Goldberg introduzem a "predictive closure": o JEPA mantém conjuntos de características que se preveem mutuamente, e não…
Fine-tuning do Gemma 4 com GPU no Cloud Run: de 89% a 94% na classificação de animais
Uma análise completa do fine-tuning do Gemma 4 com dados próprios no Google Cloud. Uma arquitetura com suporte nativo a vídeo e áudio, quantização QLoRA e um salto…