AI FRONTIER
Signals worth understanding before they become obvious.
ccore/Qwen3.5-4B-3D-Coder: uma prévia aberta de 4B focada em cenas 3D com Three.js
A ccore lançou uma prévia inicial de um ajuste fino independente baseado no Qwen/Qwen3.5-4B, voltado à programação geral e à geração de cenas 3D interativas com Three.js, com pesos FP16, quantizações GGUF, o conjunto de dados de treinamento e um relatório técnico já disponíveis.
- O modelo tem 4,5B de parâmetros; o repositório indica 5B params com tipo de tensor F16.
- É publicado sob licença Apache 2.0 e é um ajuste fino independente baseado no Qwen/Qwen3.5-4B, não um lançamento oficial da Qwen.
- O conjunto de dados de treinamento CCORE Three.js 3D Scenes é público, com 4.146 exemplos de cenas (3.933 treino / 213 validação) sob a licença MIT.
- As versões GGUF Q4_K_M e Q8_0 aceitam entradas de imagem com o projetor visual BF16 opcional de aproximadamente 644 MiB, testado localmente com o llama.cpp b11889.
Um modelo de programação de classe 4B com conjunto de dados aberto e pesos GGUF permite que desenvolvedores prototipem localmente cenas 3D em Three.js e geração guiada por imagem com contexto configurado de 64K.
Previsão por ensemble com modelos de séries temporais IBM Granite
A IBM Research publicou o Granite Timeseries Ensemble, que combina quatro modelos Granite pré-treinados em uma interface de previsão extensível que retorna previsões de mediana e quantis sem retreinamento e sem pesos de ensemble ajustados.
- A receita padrão combina quatro modelos: Granite PatchTST-FM-r1 (Patched Transformer), Granite PatchTST-FM-r2 (Patched Conformer), Granite FlowState-r1.1 (modelo de espaço de estados) e Granite TTM-r3 (Tiny Time Mixers).
- A receita armazena a configuração do ensemble em vez de pesos de modelos mesclados e baixa os quatro checkpoints dos membros em tempo de execução, portanto a primeira execução exige tempo adicional.
- Os quantis padrão variam de 0,1 a 0,9, em que os quantis 0,1 e 0,9 definem um intervalo de previsão central com cobertura nominal de 80%.
Para os desenvolvedores de IA, o ensemble oferece um ponto de partida padrão que evita escolher uma única arquitetura de antemão, mas a margem de MASE é pequena, então o principal benefício é a robustez e deve ser ponderado contra o custo d...
Google apresenta agentes de IA que projetam DNA e aprendem no laboratório
Segundo uma reportagem de Pasquale Pillitteri, o Google apresentou agentes de IA que projetam DNA e aprendem com o retorno do laboratório.
- A fonte é uma reportagem de Pasquale Pillitteri.
- A reportagem afirma que o Google apresentou agentes de IA que projetam DNA e aprendem no laboratório.
Para os construtores de IA, isso sinaliza uma direção de pesquisa que combina agentes com retorno de laboratório em ciclo fechado para o projeto de DNA.