AI FRONTIER
Signals worth understanding before they become obvious.
ccore/Qwen3.5-4B-3D-Coder: un'anteprima aperta da 4B dedicata alle scene 3D di Three.js
ccore ha pubblicato un'anteprima iniziale di un fine-tune indipendente basato su Qwen/Qwen3.5-4B, orientato al coding generale e alla generazione di scene 3D interattive con Three.js, con pesi FP16, quantizzazioni GGUF, dataset di addestramento e report tecnico ora disponibili.
- Il modello ha 4,5B parametri; il repository indica 5B params con tipo di tensore F16.
- È rilasciato con licenza Apache 2.0 ed è un fine-tune indipendente basato su Qwen/Qwen3.5-4B, non un rilascio ufficiale Qwen.
- Il dataset di addestramento CCORE Three.js 3D Scenes è pubblico con 4.146 esempi di scena (3.933 training / 213 validation) sotto licenza MIT.
- Le versioni GGUF Q4_K_M e Q8_0 accettano input immagine con il proiettore visivo BF16 opzionale di circa 644 MiB, testato localmente con llama.cpp b11889.
Un coder di classe 4B con dataset aperto e pesi GGUF consente agli sviluppatori di prototipare in locale scene 3D Three.js e generazione guidata da immagini con un contesto configurato a 64K.
Previsione d'insieme con i modelli di serie temporali IBM Granite
IBM Research ha pubblicato Granite Timeseries Ensemble, che combina quattro modelli Granite pre-addestrati in un'interfaccia di previsione estensibile che restituisce previsioni mediane e quantiliche senza riaddestramento e senza pesi d'insieme calibrati.
- La ricetta memorizza la configurazione dell'insieme anziché pesi dei modelli uniti e scarica i quattro checkpoint dei membri in fase di esecuzione, quindi la prima esecuzione richiede tempo aggiuntivo.
- I quantili predefiniti vanno da 0,1 a 0,9, dove i quantili 0,1 e 0,9 definiscono un intervallo di previsione centrale con copertura nominale dell'80%.
Per gli sviluppatori di IA, l'insieme offre un punto di partenza predefinito che evita di scegliere in anticipo una singola architettura, ma il margine di MASE è ridotto, quindi il beneficio principale è la robustezza e va bilanciato con il...
Google svela agenti IA che progettano DNA e imparano dal laboratorio
Secondo un reportage di Pasquale Pillitteri, Google ha svelato agenti IA che progettano DNA e imparano dal riscontro del laboratorio.
- La fonte è un reportage di Pasquale Pillitteri.
- Il reportage afferma che Google ha svelato agenti IA che progettano DNA e imparano dal laboratorio.
Per chi costruisce IA, questo segnala una direzione di ricerca che combina agenti e riscontro di laboratorio a ciclo chiuso per la progettazione del DNA.