AI FRONTIER
Signals worth understanding before they become obvious.
ccore/Qwen3.5-4B-3D-Coder: Three.js 3D सीन पर केंद्रित 4B ओपन प्रीव्यू मॉडल
ccore ने Qwen/Qwen3.5-4B पर आधारित एक स्वतंत्र फाइन-ट्यून का शुरुआती प्रीव्यू जारी किया है, जो सामान्य कोडिंग और Three.js से इंटरैक्टिव 3D सीन बनाने पर केंद्रित है; FP16 वेट, GGUF क्वांटाइज़ेशन, ट्रेनिंग डेटासेट और तकनीकी रिपोर्ट भी उपलब्ध हैं।
- मॉडल में 4.5B पैरामीटर हैं; रिपॉज़िटरी में 5B params और F16 टेंसर प्रकार दर्शाया गया है।
- यह Apache 2.0 लाइसेंस के तहत जारी है और Qwen/Qwen3.5-4B पर आधारित स्वतंत्र फाइन-ट्यून है, Qwen की आधिकारिक रिलीज़ नहीं।
- ट्रेनिंग डेटासेट CCORE Three.js 3D Scenes सार्वजनिक है, जिसमें 4,146 सीन उदाहरण (3,933 ट्रेनिंग / 213 वैलिडेशन) MIT लाइसेंस के तहत हैं।
- Q4_K_M और Q8_0 GGUF वर्ज़न लगभग 644 MiB के वैकल्पिक BF16 विज़न प्रोजेक्टर के साथ इमेज इनपुट स्वीकार करते हैं, जिसे llama.cpp b11889 पर लोकली टेस्ट किया गया।
खुले डेटासेट और GGUF वेट वाला 4B-स्तरीय मॉडल डेवलपर्स को कॉन्फ़िगर किए गए 64K कॉन्टेक्स्ट में लोकली Three.js 3D सीन और इमेज-गाइडेड जनरेशन का प्रोटोटाइप बनाने देता है।
IBM Granite समय-श्रेणी मॉडलों के साथ एन्सेम्बल पूर्वानुमान
IBM Research ने Granite Timeseries Ensemble जारी किया है, जो चार पूर्व-प्रशिक्षित Granite मॉडलों को एक विस्तारणीय पूर्वानुमान इंटरफ़ेस में जोड़ता है और बिना पुनः प्रशिक्षण तथा बिना फिट किए गए एन्सेम्बल भार के माध्यिका एवं क्वांटाइल पूर्वानुमान लौटाता है।
- डिफ़ॉल्ट रेसिपी चार मॉडल जोड़ती है: Granite PatchTST-FM-r1 (Patched Transformer), Granite PatchTST-FM-r2 (Patched Conformer), Granite FlowState-r1.1 (स्टेट-स्पेस मॉडल) और Granite TTM-r3 (Tiny Time Mixers)।
- 97 GIFT-Eval डेटासेट कॉन्फ़िगरेशन पर मूल्यांकन में Probabilistic Ensemble का MASE 0.683 रहा, जबकि PatchTST-FM-r2 का 0.685 रहा; दिखाए गए छह पूर्वानुमानों में PatchTST-FM-r2 का CRPS/MWQL सबसे कम 0.467 रहा।
- रेसिपी मर्ज किए गए मॉडल भार के बजाय एन्सेम्बल कॉन्फ़िगरेशन संग्रहीत करती है और रनटाइम पर चार सदस्य चेकपॉइंट डाउनलोड करती है, इसलिए पहले रन में अतिरिक्त समय लगता है।
- डिफ़ॉल्ट क्वांटाइल 0.1 से 0.9 तक होते हैं, जहाँ 0.1 और 0.9 क्वांटाइल नाममात्र 80% कवरेज वाला केंद्रीय पूर्वानुमान अंतराल परिभाषित करते हैं।
AI निर्माताओं के लिए यह एन्सेम्बल एक डिफ़ॉल्ट शुरुआती बिंदु देता है जिसमें पहले से किसी एक आर्किटेक्चर को चुनने की आवश्यकता नहीं होती, लेकिन MASE का अंतर छोटा है, इसलिए मुख्य लाभ मजबूती है और इसे चार मॉडल चलाने की विलंबता तथा मेमोरी लागत के...
Google ने DNA डिज़ाइन करने और प्रयोगशाला से सीखने वाले AI एजेंट पेश किए
Pasquale Pillitteri की रिपोर्ट के अनुसार, Google ने ऐसे AI एजेंट पेश किए हैं जो DNA डिज़ाइन करते हैं और प्रयोगशाला के फ़ीडबैक से सीखते हैं।
- स्रोत Pasquale Pillitteri की रिपोर्ट है।
- रिपोर्ट बताती है कि Google ने ऐसे AI एजेंट पेश किए हैं जो DNA डिज़ाइन करते हैं और प्रयोगशाला से सीखते हैं।
AI बनाने वालों के लिए यह DNA डिज़ाइन हेतु एजेंट और बंद-लूप प्रयोगशाला फ़ीडबैक को जोड़ने वाली शोध दिशा का संकेत है।