TabFM, veröffentlicht von Google Research am 30. Juni 2026, ist ein grundlegendes Modell zur Verarbeitung strukturierter Tabellendaten. Es wurde für Klassifizierungs- und Regressionsaufgaben mit gemischten numerischen und kategorialen Spalten entwickelt und bietet ein neues Paradigma für tabellarische Vorhersage-Workflows in Unternehmen und Forschungseinrichtungen. TabFM definiert tabellarische Vorhersagen innovativ als kontextlernendes Problem.Es beseitigt die Abhängigkeit von menschlichen Eingriffen in traditionellen überwachten Modellen und generiert Vorhersageergebnisse in einem einzigen Vorwärtsausbreitungsschritt. Dadurch entfällt vollständig die Notwendigkeit einer mühsamen Feinabstimmung der Gewichte, der Suche nach Hyperparametern und des Feature Engineerings.Dank seiner einzigartigen Architektur hat TabFM mehrere leistungsstarke traditionelle überwachte Basismodelle mit Zero-Sample-Konfigurationen, die keine Anpassung erfordern, deutlich übertroffen und die Effizienz der Datenverarbeitung erheblich verbessert.

Auf der HyperAI-Website findet ihr jetzt „tabfm-1.0.0-pytorch: Zero-Shot Table-Based Model Benchmark“. Probiert es doch mal aus!

Online-Nutzung:https://go.hyper.ai/acMZd

Besuchen Sie unsere offizielle Website für weitere Informationen:

https://hyper.ai

Ein kurzer Überblick über die Aktualisierungen der offiziellen Website von hyper.ai vom 11. bis 17. Juli:

* Hochwertige öffentliche Datensätze: 8

* Eine Auswahl hochwertiger Tutorials: 7

* Analyse von Community-Artikeln: 1 Artikel

* Beliebte Enzyklopädieeinträge: 5

Besuchen Sie die offizielle Website:hyper.ai

Ausgewählte öffentliche Datensätze

1. Nemotron-Personas-India Indischer Datensatz für synthetische Personen

Nemotron-Personas-India ist ein von NVIDIA veröffentlichter Datensatz mit synthetischen Charakteren für Indien. Ziel ist es, die Diversität synthetischer Daten zu verbessern, Modellverzerrungen zu reduzieren und Modellzusammenbrüche zu verhindern, indem die reale geografische und demografische Verteilung Indiens abgebildet wird. Der Datensatz umfasst 3 Millionen Datensätze mit jeweils 7 virtuellen Charakterrollen, insgesamt etwa 21 Millionen Charakterbeschreibungen und ca. 7,7 Milliarden Token.

* Online nutzen:https://go.hyper.ai/CBnWF

2. Nemotron-Personas-Korea Koreanischer Datensatz für synthetische Menschen

Nemotron-Personas-Korea ist ein von NVIDIA veröffentlichter Datensatz mit synthetischen menschlichen Charakteren, der die Vielfalt und die Merkmale der südkoreanischen Bevölkerung umfassend abbilden soll. Der Datensatz enthält eine Million Einträge mit jeweils sieben virtuellen Charakteren, insgesamt etwa sieben Millionen Charakterbeschreibungen und rund 1,7 Milliarden Token, von denen eine Milliarde den Charakteren zugeordnet sind. Die Daten umfassen 17 autonome Metropolregionen und 252 Städte und Bezirke in Südkorea mit 209.167 einzigartigen Namen.

* Online nutzen:https://go.hyper.ai/FDU8d

3. Nemotron-Personas-Japan (Japanischer Datensatz synthetischer Charaktere)

Nemotron-Personas-Japan ist ein von NVIDIA veröffentlichter Datensatz mit synthetischen menschlichen Charakteren. Er soll die Vielfalt der japanischen Bevölkerung abbilden und dient primär der Entwicklung autonomer KI-Systeme, dem Training großer Sprachmodelle und der Reduzierung von Verzerrungen in synthetischen Daten. Der Datensatz umfasst eine Million Einträge mit jeweils sechs virtuellen menschlichen Charakteren, was insgesamt etwa sechs Millionen Charakterbeschreibungen ergibt. Die Daten decken alle 47 Präfekturen Japans, über 1.500 Berufskategorien und über 950.000 einzigartige Namen ab.

* Online nutzen:https://go.hyper.ai/5vLQd

4. Nemotron-Personas-Vietnam (Vietnam Synthetic Person Dataset)

Nemotron-Personas-Vietnam ist ein von NVIDIA veröffentlichter Datensatz mit synthetischen menschlichen Charakteren, der die Vielfalt und die Merkmale der vietnamesischen Bevölkerung umfassend abbilden soll. Der Datensatz umfasst 100.000 Einträge mit jeweils sechs virtuellen Charakteren, insgesamt etwa 600.000 Charakterbeschreibungen und rund 118 Millionen Tokens, von denen 52 Millionen charakterbezogene Informationen enthalten. Die Daten decken sechs zentral verwaltete Städte und Provinzen Vietnams ab und beinhalten etwa 13.000 eindeutige Namen.

* Online nutzen:https://go.hyper.ai/6BfkJ

5. Nemotron-Personas-Belgium (Belgischer synthetischer menschlicher Datensatz)

Nemotron-Personas-Belgium ist ein Datensatz mit synthetischen Charakteren aus Belgien, der von NVIDIA in Zusammenarbeit mit Pleias und der KU Leuven veröffentlicht wurde. Er soll die Vielfalt und die Merkmale der belgischen Bevölkerung umfassend abbilden. Der Datensatz enthält 1,2 Millionen Einträge mit jeweils sechs virtuellen Charakteren, was insgesamt etwa 1,8 Millionen Charakterbeschreibungen ergibt. Er deckt 581 belgische Gemeinden und drei Verwaltungsbezirke ab und umfasst rund 260.000 eindeutige Namen. Der Datensatz ist in vier Sprachen verfügbar: Niederländisch, Französisch, Deutsch und Englisch. Jede Sprachversion enthält 300.000 Einträge.

* Online nutzen:https://go.hyper.ai/tvwbu

6. Nemotron-Personas-Singapore Synthetic Person Dataset

Nemotron-Personas-Singapore ist ein von NVIDIA veröffentlichter Datensatz mit synthetischen Charakteren, der die Bevölkerung, Geografie und Persönlichkeitsmerkmale Singapurs widerspiegelt. Der Datensatz umfasst 148.000 Einträge mit jeweils sechs virtuellen Charakterprofilen, insgesamt also 888.000 Charakterbeschreibungen. Die Daten decken 55 Planungsbezirke Singapurs ab und enthalten rund 146.000 eindeutige Namen.

* Online nutzen:https://go.hyper.ai/wFJAn

7. Nemotron-Pretraining-Code-v3 Programmiercode-Vortrainingsdatensatz

Nemotron-Pretraining-Code-v3 ist einer der Code-Vortrainingsdatensätze, die von NVIDIA für die Nemotron 3-Serie großer Sprachmodelle erstellt wurden und dazu dienen, das Codeverständnis, die Generierung, die Vervollständigung und die Schlussfolgerungsfähigkeiten von LLM zu verbessern.

* Online nutzen:https://go.hyper.ai/8IZbu

8. Nemotron-Personas-El-Salvador Salvador Synthetischer menschlicher Datensatz

Nemotron-Personas-El Salvador ist ein von NVIDIA veröffentlichter, synthetischer Personendatensatz aus El Salvador. Dieser Datensatz zielt darauf ab, die Vielfalt und die Merkmale der salvadorianischen Bevölkerung umfassend abzubilden. Er enthält 148.000 Datensätze mit insgesamt etwa einer Million Personenbeschreibungen. Die Daten decken 14 Provinzen und 44 Städte in El Salvador ab und umfassen rund 144.000 eindeutige Namen.

* Online nutzen:https://go.hyper.ai/44dxL

Ausgewählte öffentliche Tutorials

1. tabfm-1.0.0-pytorch: Zero-Shot-Tabellen-basierter Benchmark

tabfm-1.0.0-pytorch ist die PyTorch-Version von TabFM, die von Google Research im Juni 2026 über den Google Research Blog veröffentlicht wurde. TabFM konzentriert sich auf die Klassifizierung und Regression strukturierter Tabellendaten mit gemischten numerischen und kategorialen Spalten. Es behandelt Trainingszeilen als Kontextbeispiele und generiert Vorhersagen in einem einzigen Vorwärtsausbreitungsschritt. Dadurch entfällt die Notwendigkeit der Feinabstimmung von Gewichten, der Suche nach Hyperparametern oder des aufwendigen Feature Engineerings für jeden Datensatz.

Online ausführen:https://go.hyper.ai/acMZd

2. ComfyUI × Wan 2.2 Bildbasierter Video-Workflow

Wan 2.2 ist ein Open-Source-Grundlagenmodell zur Videogenerierung, das vom Wan-AI-Team von Alibaba entwickelt wurde. Es verwendet eine innovative Mixture-of-Experts-Architektur (MoE) und kann statische Bilder in dynamische Videos umwandeln (Bild-zu-Video-Konvertierung, I2V). Dabei zeigt es hervorragende Leistungen in der Bewegungssteuerung und Stilerhaltung.

Online ausführen:https://go.hyper.ai/UNbdm

3. Krea-2-Raw: 12B Diffusion Transformer Textural Graph Model

Krea-2 ist ein umfangreiches Text-zu-Bild-Diffusionsmodell, das von Krea.ai im Juni 2026 veröffentlicht wurde. Krea-2-Raw ist der vortrainierte Basis-Checkpoint (ca. 12 Milliarden Parameter) dieser Reihe. Es basiert auf der Diffusion Transformer (DiT)-Architektur und kann anhand von natürlichsprachlichen Beschreibungen hochwertige und vielfältige Bilder generieren. 

Online ausführen:https://go.hyper.ai/NHNAD

4. VibeThinker-3B: Ein verifizierbares Inferenzmodell mit kleinen Parametern und hoher Inferenzleistung.

VibeThinker-3B, im Juni 2026 vom WeiboAI-Team veröffentlicht, ist ein Small-Parameter-Sprachmodell (SLM) mit Fokus auf verifizierbare Schlussfolgerungsaufgaben. Mit etwa 3 Milliarden Parametern zielt es primär auf Szenarien mit expliziten Verifizierungssignalen ab, wie etwa Mathematik, Programmierung und MINT-Fächer. Das Modell nutzt die Qwen2ForCausalLM-Architektur und unterstützt Kontexte mit bis zu 128.000 Token. Es setzt das Spektrum-zu-Signal-Prinzip der VibeThinker-Serie fort und verbessert seine Schlussfolgerungsfähigkeiten schrittweise durch einen lehrplanbasierten zweistufigen SFT-Prozess, domänenübergreifendes Reinforcement Learning, Offline-Selbstdestillation und Instruct-RL-Prozesse.

Online ausführen:https://go.hyper.ai/aO6hb

5. ViiTorVoice-NAR: Ein nicht-autoregressives Sprachklon- und lokales Bearbeitungssystem

Die ViiTorVoice-NAR-Modelldatei wurde im Juni 2026 veröffentlicht. Es handelt sich um ein nicht-autoregressives Sprachgenerierungssystem für Sprachklonierung, lokale Sprachbearbeitung und Emotions-/Paralinguistiksteuerung. Dieses Modell verzichtet auf die traditionelle Wort-für-Wort-Generierung und vervollständigt stattdessen das Masken-Codebuch innerhalb eines diskreten Audio-Token-Raums. Sein Kern verwendet ein 12-schichtiges DualCodec-25-Hz-Codebuch, das semantische und akustische Merkmale gleichzeitig überträgt und so die präzise Erhaltung der Sprecherklangfarbe, die Inhaltskonsistenz und die lokale Segmentresynthese ermöglicht.

Online ausführen:https://go.hyper.ai/HoBLS

6. CamCloneMaster: Generierung von Kamerabewegungssteuerungsvideos basierend auf Referenzvideos

Das CamCloneMaster-Modell wurde im Juni 2025 von einem Team der Chinesischen Universität Hongkong, der Zhejiang-Universität und Kuaishou Technology veröffentlicht. Zu seinen Kernfunktionen und Innovationen gehören die Referenzkamerasteuerung, die Kamerabewegungsmuster direkt aus Referenzvideos ohne explizite Kameraparameter lernen kann, ein einheitliches Framework, das sowohl Bild-zu-Video- (I2V) als auch Video-zu-Video- (V2V) Generierungsmodi unterstützt, und eine effiziente Trainingsmethode basierend auf der Wan2.1-T2V-1.3B-Adaption, die lediglich das Training der Parameter der Selbstaufmerksamkeitsschicht erfordert.

Online ausführen:https://go.hyper.ai/qehlc

7. ComfyUI Workflow-Benutzerhandbuch: Laden und Ausführen bestehender offizieller Workflows mit einem Klick

ComfyUI ist ein Open-Source-Framework für visuelle Workflows mit Knotenstruktur, das in der Bild- und Videogenerierung weit verbreitet ist. Benutzer können Module wie Modellladen, Textkodierung, Sampling und Dekodierung per Drag & Drop zu einem kompletten Generierungsprozess kombinieren und verschiedene innovative generative Modelle aufrufen, ohne Code schreiben zu müssen.

Online ausführen:https://go.hyper.ai/7wesQ

Interpretation von Gemeinschaftsartikeln

1. RNA-Strukturvorhersage konkurriert mit AlphaFold 3! Ein Team der Virginia Tech stellt RNAbpFlow vor, das völlig unabhängig von evolutionären Informationen ist.

Ein Forschungsteam der Virginia Tech hat kürzlich mit RNAbpFlow ein neuartiges Modell zur Vorhersage der 3D-RNA-Struktur vorgestellt, das mehrere Schwächen bestehender Generierungsalgorithmen behebt. Es beschränkt sich nicht mehr auf die Verwendung multipler Sequenzalignments oder die Ausgabe eines einzelnen statischen Ergebnisses, sondern ermöglicht auch Szenarien, die dynamisches und hochpräzises Sampling erfordern. Dazu gehören die Generierung eines vollständigen Satzes atomarer Konformationen und die genaue Rekonstruktion der globalen Faltungstopologie allein auf Basis der Nukleotidsequenz und der Basenpaarungsinformationen.

Den vollständigen Bericht ansehen:https://go.hyper.ai/Spbq5

Beliebte Enzyklopädieartikel

1. Weltaktionsmodell (WAM)

2. A-priori-Wahrscheinlichkeit

3. Multiagenten-Workflow CudaForge

4. Falsche Angabe der Belohnung

5. Quantenneuronales Netzwerk

Hier sind Hunderte von KI-bezogenen Begriffen zusammengestellt, die Ihnen helfen sollen, „künstliche Intelligenz“ zu verstehen:

https://go.hyper.ai/wiki

Das Obige ist der gesamte Inhalt der Auswahl des Herausgebers dieser Woche. Wenn Sie über Ressourcen verfügen, die Sie auf der offiziellen Website von hyper.ai veröffentlichen möchten, können Sie uns auch gerne eine Nachricht hinterlassen oder einen Artikel einreichen!

Bis nächste Woche!