[AINews] Anthropic ends Coding Interviews: "Hunger beats tenure"
Since coding is solved, why code for the job?
번역 서비스가 일시 중지되어 원문을 표시합니다.
잠재 공간
FOXAI SEARCH
전체 검색
뉴스 기사 221
Exowatt beats frontier models on accuracy with SageMaker serverless model customization
In this post, we show how Exowatt used Amazon SageMaker AI serverless model customization to build a repeatable AI pipeline that produces task-specific fine-tuned models for two deployment targets, edge and cloud, achieving higher accuracy than frontier models at up to 49x lower cost.
번역 서비스가 일시 중지되어 원문을 표시합니다.
AWS 머신러닝 블로그
How to put generative AI directly into a dbt pipeline with plain SQL
Google Cloud on wiring BigQuery's AI SQL functions into dbt pipelines, from sentiment scoring to LLM-generated product briefings.
번역 서비스가 일시 중지되어 원문을 표시합니다.
dbt
NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt
NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt
번역 서비스가 일시 중지되어 원문을 표시합니다.
허깅 페이스 공식 블로그
The Agentic Analytics Benchmark: ranking tables and labeling failures with Jev
Jev ranks warehouse tables and labels agent failures in under a second, but adding retrieval hints leaves accuracy flat across 20 models on the Agentic Analytics Benchmark.
번역 서비스가 일시 중지되어 원문을 표시합니다.
ClickHouse
The new cost-based join optimizer with reordering support for non-inner joins
ClickHouse’s new exhaustive cost-based join optimizer safely reorders inner, outer, semi, and anti joins to find the cheapest valid plan.
번역 서비스가 일시 중지되어 원문을 표시합니다.
ClickHouse
NVIDIA DGX Spark에서 MoE 추론을 향상시키는 3가지 방법
토큰을 더 빠르게 생성하려면 먼저 추론 성능을 제한하는 요인을 파악하는 것부터 시작합니다. NVIDIA에서 Inclusion AI의 Ling-3.0-flash를 대상으로 한 배치 크기 1 평가에서는...
엔비디아 개발자
Meta AI 이사 로힛 파텔이 마이크로소프트 오피스와 구글 워크스페이스를 맡기 위해 회사를 떠납니다.
로힛 파텔은 AI 평가와 강화학습 분야에서 8년간 근무한 뒤 메타를 떠난다고 테크크런치가 단독으로 확인했다. 그의 스타트업 엔닥(Ndoc)은 마이크로소프트 오피스 스위트에 도전하는 것을 목표로 한다.
테크크런치 · AI
PRISM: 암묵적 확률적 변조를 통한 대규모 언어 모델의 샘플링 다양성 증진
arXiv:2610.32101v1 발표 유형: 신규 초록: 대규모 언어 모델(LLM)은 출력 분포가 익숙한 의미적 패턴에 집중되는 모드 붕괴 현상을 보입니다. 다양성이 사라지면, 반복적인 샘플링은 발견이 아니라 의미적 반복으로 변하게 되어 흔하지는 않지만 더 강력한 해결책들이 드러나기 어려워지고, 자가 진화와 지속적 학습을 유지하기도 어렵게 됩니다. 대부분의 해결책들은 추론 단계에서만 개입하여 샘플을 조정할 뿐, 다양성을 모델의 핵심 역량으로 만들지는 않습니다. 우리는 훈련 시점에서 다양성을 모델 내부에 내재화하는 프레임워크인 PRISM을 제안합니다. PRISM은 (i) 각 프롬프트에 대해 다양하면서도 정확한 다중 교사 솔루션을 매칭하는 부분모듈러 큐레이션과, (ii) 특수 토큰 변형을 임플로…
arXiv cs.LG
Build specialized multimodal models with LFM3
Build specialized multimodal models with LFM3
번역 서비스가 일시 중지되어 원문을 표시합니다.
허깅 페이스 공식 블로그