AI FRONTIER
Signals worth understanding before they become obvious.
ccore/Qwen3.5-4B-3D-Coder: eine offene 4B-Vorschau für Three.js-3D-Szenen
ccore veröffentlicht eine frühe Vorschau eines unabhängigen Fine-Tunes auf Basis von Qwen/Qwen3.5-4B, das auf allgemeines Coding und die Erzeugung interaktiver Three.js-3D-Szenen ausgerichtet ist; FP16-Gewichte, GGUF-Quantisierungen, Trainingsdatensatz und technischer Bericht sind nun verfügbar.
- Das Modell hat 4,5B Parameter; das Repository gibt 5B params mit dem Tensortyp F16 an.
- Es steht unter Apache 2.0 und ist ein unabhängiges Fine-Tune auf Basis von Qwen/Qwen3.5-4B, keine offizielle Qwen-Veröffentlichung.
- Der Trainingsdatensatz CCORE Three.js 3D Scenes ist öffentlich und enthält 4.146 Szenenbeispiele (3.933 Training / 213 Validierung) unter der MIT-Lizenz.
- Die GGUF-Versionen Q4_K_M und Q8_0 akzeptieren Bildeingaben mit dem optionalen BF16-Vision-Projektor von etwa 644 MiB, lokal getestet mit llama.cpp b11889.
Ein Coder der 4B-Klasse mit offenem Datensatz und GGUF-Gewichten erlaubt Entwicklern lokale Prototypen für Three.js-3D-Szenen und bildgestützte Generierung bei einem konfigurierten 64K-Kontext.
Ensemble-Prognose mit IBM Granite-Zeitreihenmodellen
IBM Research hat Granite Timeseries Ensemble veröffentlicht, das vier vortrainierte Granite-Modelle in einer erweiterbaren Prognoseschnittstelle kombiniert und Median- sowie Quantilsprognosen ohne Neutraining und ohne angepasste Ensemble-Gewichte liefert.
- Das Standardrezept kombiniert vier Modelle: Granite PatchTST-FM-r1 (Patched Transformer), Granite PatchTST-FM-r2 (Patched Conformer), Granite FlowState-r1.1 (Zustandsraummodell) und Granite TTM-r3 (Tiny Time Mixers).
- Das Rezept speichert die Ensemble-Konfiguration statt zusammengeführter Modellgewichte und lädt die vier Mitglieds-Checkpoints zur Laufzeit, sodass der erste Lauf zusätzliche Zeit benötigt.
- Die Standard-Quantile reichen von 0,1 bis 0,9, wobei die Quantile 0,1 und 0,9 ein zentrales Prognoseintervall mit nominaler 80-prozentiger Abdeckung definieren.
Für KI-Entwickler bietet das Ensemble einen Standardausgangspunkt, der die Vorabwahl einer einzelnen Architektur vermeidet, doch der MASE-Vorsprung ist klein, sodass der Hauptnutzen in der Robustheit liegt und gegen Latenz- und Speicherkost...
Google stellt KI-Agenten vor, die DNA entwerfen und im Labor lernen
Laut einem Bericht von Pasquale Pillitteri hat Google KI-Agenten vorgestellt, die DNA entwerfen und aus Labor-Feedback lernen.
- Die Quelle ist ein Bericht von Pasquale Pillitteri.
- Der Bericht gibt an, dass Google KI-Agenten vorgestellt hat, die DNA entwerfen und im Labor lernen.
Für KI-Entwickler deutet dies auf eine Forschungsrichtung hin, die Agenten mit geschlossenem Labor-Feedback für DNA-Design verbindet.