128K Langer Kontext + Agenten-Reinforcement-Training! LFM2.5-2.6B Ermöglicht Effiziente Bereitstellung Großer Modelle Am Edge; DETR Nutzt Transformer, Um NMS Und Anker Zu Durchbrechen Und Die Objekterkennung Neu Zu gestalten.

Da KI-Agenten nach und nach von der Cloud auf das Endgerät verlagert werden, wird es entscheidend, bei begrenzter Rechenleistung und begrenztem Speicherplatz eine qualitativ hochwertige Aufgabenausführung zu erreichen. LFM2.5-2.6B wurde entwickelt, um diesem Bedarf gerecht zu werden. Basierend auf der LFM2-Architektur führt es einen 128K langen Kontext und ein verstärkendes Agententraining ein und demonstriert überlegene Leistung bei Werkzeugaufrufen, Befehlsausführung und mehrstufigen Aufgaben. Es kann mit Modellen mit viermal größeren Parametergrößen konkurrieren.Das Modell wurde zudem für gängige Agenten-Frameworks trainiert und optimiert, um die Kompatibilität in praktischen Anwendungen zu verbessern. Besonders hervorzuheben ist die Inferenzgeschwindigkeit von bis zu 220 Tok/s auf einem Apple M5 Max und 113 Tok/s auf einem AMD Ryzen Prozessor bei einem Speicherbedarf von unter 2,5 GB. Damit bietet es ein optimales Verhältnis zwischen geringem Speicherbedarf und hoher Leistung und eröffnet neue Möglichkeiten für den Einsatz von Edge-Agenten.

Auf der HyperAI-Website wird nun „LFM2.5-2.6B: Ein effizientes Agenten-Inferenzmodell für Edge-Bereitstellungen“ vorgestellt. Probieren Sie es aus!

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

Ein kurzer Überblick über die Aktualisierungen der offiziellen Website von hyper.ai vom 7. bis 13. August:

* Hochwertige öffentliche Datensätze: 5

* Eine Auswahl hochwertiger Tutorials: 6

* Beliebte Enzyklopädieeinträge: 5

Besuchen Sie die offizielle Website:hyper.ai

Ausgewählte öffentliche Datensätze

1. GLM-5.2-Datensatz für Konversationsdialogverläufe

GLM-5.2-Conversation ist ein Datensatz mit Dialogverläufen, der ein umfangreiches Korpus chinesischer und englischer Fragen und Antworten für das überwachte Feinabstimmen (SFT) und die Inferenzdestillation großer Konversationsmodelle bereitstellt. Der Datensatz enthält 50.000 Dialogverlaufsbeispiele, die von GLM-5.2 im Modus „Hohe Inferenz“ generiert wurden. Jedes Beispiel besteht aus einer Benutzerfrage und einer vollständigen Antwort des Modells und deckt Themen wie Programmierung, Mathematik, Physik, kreatives Schreiben und logisches Denken ab.

Online-Nutzung:https://go.hyper.ai/T2GCb

2. XYZ-Aquila SFT Agent Multi-round Trajectory Dataset

XYZ-Aquila SFT ist ein von XYZAILab veröffentlichter Datensatz mit mehrstufigen Trajektorien für suchorientierte Agenten. Er stellt hochwertige, zweisprachige Trajektorien mit mehrstufigen Werkzeugaufrufen für das überwachte Feinabstimmen (Supervised Fine-Tuning, SFT) von Suchagenten bereit. Der Datensatz umfasst 7.000 mehrstufige Trajektorien der Werkzeugnutzung, darunter 5.000 englische und 2.000 chinesische Beispiele. Er dient als Stichprobe des Korpus für das überwachte Feinabstimmen der Modelle XYZ-Aquila-mini und XYZ-Aquila-pro. Jedes Beispiel dokumentiert einen vollständigen Interaktionsprozess eines Agenten, einschließlich des Aufrufs des Suchwerkzeugs, der Zwischenbeobachtungen und der Generierung chinesischer und englischer Antworten.

Online-Nutzung:https://go.hyper.ai/t7r54

3. Rekursive Aufgabensynthese: Synthese von Datensätzen für rekursive Aufgaben

Recursive-Task-Synthesis ist ein Datensatz mit synthetischen rekursiven Aufgaben, der speziell für Reinforcement Learning und die Leistungsbewertung von KI-Agenten für die Kommandozeile entwickelt wurde. Er stellt Forschern ausführbare und validierte Aufgabenbeispiele aus der Praxis zur Verfügung. Der Datensatz umfasst 37.484 validierte Kommandozeilenaufgaben, jeweils mit natürlichsprachlichen Anweisungen, Referenzlösungen, Quelldaten und einer vorkonfigurierten Docker-Laufzeitumgebung. Die Aufgaben decken verschiedene technische Bereiche ab, darunter Softwareentwicklung, Systemwartung und Skripterstellung.

Online-Nutzung:https://go.hyper.ai/ZsQ2L

4. PROTECT-90 Fehlerdatensatz für den Schutz von Stromversorgungssystemen

PROTECT-90 ist ein Datensatz mit Fehlerwellenformen für den Netzschutz, der standardisierte und reproduzierbare Benchmark-Daten für die Forschung im Bereich Netzschutz und Transientenanalyse bereitstellt. Dieser Datensatz umfasst 9.022 Simulationsfälle elektromagnetischer Transienten (EMT), die alle unter einer Standardtopologie von 90 kV-Doppelleitungen generiert wurden. Jedes Segment liefert eine Sekunde synchroner dreiphasiger Spannungs- und Stromwellenformen mit einer Abtastrate von 6,4 kHz (128 Abtastpunkte pro 50-Hz-Zyklus), aufgezeichnet an acht schutzrelevanten Messpunkten. Insgesamt stehen 48 Kanäle für synchrone Wellenformen zur Verfügung.

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

5. Satellitenwetterdatensatz für den maritimen Kontinent

Maritime Continent Satellite Weather ist ein Datensatz mit meteorologischen Satellitenbildern für maritime Kontinentalregionen. Er dient der Erforschung der Anwendung von Deep Learning in der Wettervorhersage und Kurzfristprognose sowie der Unterstützung von Forschungsarbeiten zur Niederschlagsvorhersage, Gewittererkennung und multimodalen Modellfusion. Der Datensatz umfasst 95.036 stündlich aufgenommene Infrarotbilder der Satelliten Himawari-8/9, kombiniert mit meteorologischen Daten. Er deckt die westliche maritime Kontinentalregion (Südostasien und die Straße von Malakka, einschließlich Singapur, Indonesien, Malaysia und Thailand) ab und enthält zusätzlich Bodenwetterdaten für 23 Städte in diesen Ländern. Jede Stadtdatei umfasst 97.056 Datenzeilen.

Online-Nutzung:https://go.hyper.ai/2dOI3

Ausgewählte öffentliche Tutorials

1. LFM2.5-2.6B: Effizientes Agenten-Inferenzmodell für den Einsatz beim Endbenutzer

Das von Liquid AI im August 2026 veröffentlichte LFM2.5-2.6B ist ein ressourcenschonendes Sprachmodell der LFM2.5-Serie mit hybrider Architektur, das speziell für den Einsatz auf Edge-Systemen entwickelt wurde. Es unterstützt bis zu 128.000 ultralange Kontexte und bietet leistungsstarke Funktionen zur Aufrufung von Agentenwerkzeugen. Das Modell verwendet 22 Dual-Gated Short Convolutional Modules und 8 GQA-Module und erzielt so ein optimales Verhältnis zwischen Leistung und Recheneffizienz. Es wird mittels Agent Reinforcement Learning nachtrainiert und eignet sich für Anwendungsfälle wie Agenten-Workflows, das Verstehen langer Dokumente, RAG-Systeme und Edge-Inferenz.

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

2. NLP-Tutorial: Ähnlichkeitsvergleich von Patentphrasen basierend auf DeBERTa

Dieses Tutorial richtet sich an NLP-Einsteiger und erklärt anhand der Ähnlichkeitsanalyse von Patenttexten die Kernprozesse der natürlichen Sprachverarbeitung von Grund auf. Basierend auf Microsoft DeBERTa-v3 und HuggingFace Transformers behandelt es Datenexploration, Wortsegmentierung, Modelltraining und -evaluierung und eignet sich für Aufgaben wie die Ähnlichkeitsanalyse von Patenttexten, semantische Suche, Textklassifizierung und Regression.

Online ausführen:https://go.hyper.ai/3R3Yp

3. DETR: End-to-End-Objekterkennung mit Transformer

DETR (DEtection Transformer), 2020 von Facebook AI Research (FAIR) veröffentlicht, ist ein durchgängiges Objekterkennungsmodell, das Objekterkennung als direktes Mengenvorhersageproblem neu definiert. Es ersetzt komplexe Nachbearbeitungsschritte wie NMS und Anchors in traditionellen Detektoren durch eine Transformer-Architektur. Das Modell verwendet eine Encoder-Decoder-Struktur und Objektabfragen und nutzt den ungarischen Algorithmus, um einen bipartiten Graphabgleich zwischen vorhergesagten Ergebnissen und realen Objekten zu erreichen. Es kann sowohl für die Objekterkennung als auch für visuelle Aufgaben wie Instanzsegmentierung und panoptische Segmentierung eingesetzt werden.

Online ausführen:https://go.hyper.ai/eVfK1

4. GAN-BERT: Halbüberwachte Textklassifizierung basierend auf generativen adversariellen Netzwerken

GAN-BERT wurde im Juli 2020 vom Team um Tor Vergata an der Universität Rom Tor Vergata in Zusammenarbeit mit Amazon veröffentlicht. Es integriert ein Generatives Adversarial Network (GAN) in eine optimierte Version von BERT und ermöglicht so eine effiziente Textklassifizierung mit nur wenigen gelabelten Daten durch gemeinsames Training von Generator und Diskriminator. In der TREC-Aufgabe zur feinkörnigen Problemklassifizierung erreichte es mit nur 109 gelabelten Beispielen eine Genauigkeit von 41,81 TP3T und übertraf damit die 13,61 TP3T des herkömmlichen BERT deutlich.

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

5. Inflect-Micro-v2: TTS mit Parametern unter 10M

Inflect-Micro-v2, veröffentlicht von Owen Song im April 2026, ist ein ressourcenschonendes End-to-End-Text-to-Speech-Modell (TTS) mit nur etwa 9,357 Millionen einsetzbaren Parametern. Das FP32-Modell ist lediglich 37,53 MB groß und unterstützt CPU- und CUDA-Inferenz. Basierend auf der VITS-Architektur kann das Modell ohne zusätzlichen Vocoder direkt 24-kHz-Mono-Audio generieren und unterstützt die Segmentierung langer Texte, Pausensteuerung und deterministische Seed-Reproduktion. Es eignet sich für Anwendungsfälle wie lokale Sprachsynthese, Edge-Geräte-Einsatz und Textvorlesen.

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

6. DeePMD-Kit: Ein Tutorial zur Molekulardynamik mit tiefen Potentialen

Das 2018 von der DeepModeling-Community erstmals veröffentlichte DeePMD-Kit ist ein auf Deep Learning basierendes Toolkit für Molekulardynamiksimulationen. Es nutzt neuronale Netze, um die interatomare Potentialfläche anhand von Ab-initio-Berechnungsdaten zu lernen und ermöglicht so groß angelegte Molekülsimulationen mit nahezu absoluter Genauigkeit. Das Tool unterstützt verschiedene Deep-Learning-Frameworks wie TensorFlow, PyTorch, JAX und PaddlePaddle und lässt sich in gängige Molekulardynamik-Software wie LAMMPS und GROMACS integrieren. Für seine Anwendungen im Bereich Hochleistungsrechnen wurde es 2020 mit dem ACM Gordon Bell Prize ausgezeichnet. Es findet breite Anwendung in Bereichen wie der Vorhersage von Materialstrukturen, der Erforschung chemischer Reaktionswege, dem Katalysatordesign und der Simulation von Proteininteraktionen.

Online ausführen:https://go.hyper.ai/F0H9W

💡Wir haben außerdem eine Austauschgruppe für Tutorials zur stabilen Diffusion eingerichtet. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen~

Beliebte Enzyklopädieartikel

1. Optische Zeichenerkennung (OCR)

2. Weltaktionsmodell (WAM)

3. Fernerkundung

4. Glitch-Token (ein Begriff zur Beschreibung eines mit einem Glitch zusammenhängenden Begriffs)

5. Generatives vortrainiertes Transformationsmodell (GPT)

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!