128 000 Contextes Longs + Entraînement Par Renforcement Des Agents ! LFM 2.5-2.6B Permet Un Déploiement Efficace Des Grands Modèles En Périphérie ; DETR Utilise Transformer Pour s'affranchir Des Systèmes De Gestion De Réseau Et Des Ancres, Révolutionnant Ainsi La Détection d'objets.

À mesure que les agents d'IA migrent progressivement du cloud vers le terminal, il devient crucial de parvenir à une exécution de tâches de haute qualité avec une puissance de calcul et une mémoire limitées. LFM2.5-2.6B a été conçu pour répondre à ce besoin. Basé sur l'architecture LFM2, il introduit un contexte long de 128 000 éléments et un entraînement par renforcement des agents, démontrant des performances supérieures en matière d'appel d'outils, de respect des instructions et de tâches multi-étapes, et peut rivaliser avec des modèles dont la taille des paramètres est quatre fois supérieure.Le modèle est également entraîné et optimisé pour les principaux frameworks d'agents afin d'améliorer sa compatibilité dans les applications pratiques. Plus particulièrement, il atteint des vitesses d'inférence allant jusqu'à 220 tok/s sur un Apple M5 Max et 113 tok/s sur un processeur AMD Ryzen, avec une empreinte mémoire inférieure à 2,5 Go. Il offre ainsi un excellent compromis entre légèreté et hautes performances, et constitue une nouvelle option pour le déploiement d'agents en périphérie de réseau.

Le site web d'HyperAI propose désormais « LFM2.5-2.6B : un modèle d'inférence d'agents efficace pour le déploiement en périphérie ». Essayez-le !

Utilisation en ligne :https://go.hyper.ai/rbtpt

Aperçu rapide des mises à jour du site web officiel d'hyper.ai du 7 au 13 août :

* Jeux de données publics de haute qualité : 5

* Une sélection de tutoriels de haute qualité : 6

* Entrées d'encyclopédie populaire : 5

Visitez le site officiel :hyper.ai

Ensembles de données publiques sélectionnés

1. Ensemble de données GLM-5.2 - Trajectoire de dialogue conversationnel

GLM-5.2-Conversation est un jeu de données de trajectoires de dialogue conçu pour fournir un vaste corpus de questions-réponses en chinois et en anglais, destiné à l'ajustement supervisé (SFT) et à la distillation de l'inférence de grands modèles conversationnels. Ce jeu de données contient 50 000 exemples de trajectoires de dialogue générées par GLM-5.2 en mode d'inférence élevée. Chaque exemple comprend une question de l'utilisateur et une réponse complète du modèle, couvrant des sujets tels que la programmation, les mathématiques, la physique, l'écriture créative et la réponse à des questions logiques.

Utilisation en ligne :https://go.hyper.ai/T2GCb

2. Ensemble de données de trajectoires multi-tours de l'agent SFT XYZ-Aquila

XYZ-Aquila SFT est un jeu de données de trajectoires multi-tours pour agents de recherche, développé par XYZAILab. Il vise à fournir des données bilingues de haute qualité sur les trajectoires d'appel d'outils multi-tours pour l'optimisation supervisée (SFT) des agents de recherche. Ce jeu de données contient 7 000 trajectoires d'utilisation d'outils de recherche multi-tours, dont 5 000 exemples en anglais et 2 000 en chinois. Il s'agit d'un échantillon du corpus d'optimisation supervisée utilisé par les modèles XYZ-Aquila-mini et XYZ-Aquila-pro. Chaque échantillon enregistre intégralement un processus d'interaction d'un agent, depuis l'appel de l'outil de recherche jusqu'à la génération des réponses en chinois et en anglais, en passant par les observations intermédiaires.

Utilisation en ligne :https://go.hyper.ai/t7r54

3. Synthèse de tâches récursives : Synthèse d’ensembles de données de tâches récursives

Recursive-Task-Synthesis est un ensemble de données de tâches récursives synthétiques conçu spécifiquement pour l'apprentissage par renforcement et l'évaluation des capacités des agents d'IA en ligne de commande. Il vise à fournir aux chercheurs des instances de tâches réelles, exécutables et validées. L'ensemble de données contient 37 484 instances de tâches en ligne de commande validées, chacune accompagnée d'instructions en langage naturel, de réponses de référence, de données sources et d'un environnement d'exécution Docker préconfiguré. Les tâches couvrent de multiples domaines techniques, notamment le développement logiciel, la maintenance système et la programmation.

Utilisation en ligne :https://go.hyper.ai/ZsQ2L

4. Ensemble de données sur les défauts de protection du système d'alimentation PROTECT-90

PROTECT-90 est un jeu de données de formes d'onde de défauts de protection des réseaux électriques, conçu pour fournir des données de référence standardisées et reproductibles pour la recherche en protection des réseaux électriques et en analyse transitoire. Ce jeu de données contient 9 022 simulations de transitoires électromagnétiques (TEM), toutes générées sous une topologie standard à double circuit de 90 kV. Chaque segment fournit une seconde de formes d'onde synchrones de tension et de courant triphasées à une fréquence d'échantillonnage de 6,4 kHz (128 points d'échantillonnage par cycle de 50 Hz), enregistrées à 8 emplacements de mesure liés à la protection, pour un total de 48 canaux de formes d'onde synchrones.

Utilisation en ligne :https://go.hyper.ai/epqXm

5. Ensemble de données météorologiques satellitaires du continent maritime

Le jeu de données météorologiques satellitaires des régions maritimes continentales (Maritime Continent Satellite Weather) est un ensemble d'images météorologiques satellitaires conçu pour explorer l'application de l'apprentissage profond à la prévision météorologique et à l'estimation immédiate du temps, et pour soutenir la recherche sur la prévision des précipitations, l'identification des orages et la fusion de modèles multimodaux. Ce jeu de données contient 95 036 images infrarouges satellitaires Himawari-8/9 acquises toutes les heures, associées à des données météorologiques. Il couvre la région maritime continentale occidentale (Asie du Sud-Est et détroit de Malacca, incluant Singapour, l'Indonésie, la Malaisie et la Thaïlande) et est complété par des données météorologiques de surface pour 23 villes de ces pays. Chaque fichier de ville contient 97 056 lignes de données.

Utilisation en ligne :https://go.hyper.ai/2dOI3

Tutoriels publics sélectionnés

1. LFM2.5-2.6B : Modèle d’inférence d’agent efficace pour le déploiement chez l’utilisateur final

Publié par Liquid AI en août 2026, LFM2.5-2.6B est un modèle de langage hybride léger de la série LFM2.5, conçu pour le déploiement en périphérie de réseau. Il prend en charge 128 000 contextes ultra-longs et offre de puissantes capacités d'invocation d'outils pour agents. Le modèle utilise 22 modules convolutionnels courts à double porte et 8 modules GQA, assurant un équilibre optimal entre performance et efficacité de calcul. Il est post-entraîné par apprentissage par renforcement pour agents et peut être utilisé dans des scénarios tels que les flux de travail d'agents, la compréhension de documents longs, la reconnaissance d'agents (RAG) et l'inférence en périphérie de réseau.

Exécutez en ligne :https://go.hyper.ai/rbtpt

2. Tutoriel NLP : Appariement de similarités de phrases de brevets basé sur DeBERTa

Ce tutoriel est conçu pour les débutants en TALN et utilise la correspondance de phrases de brevets comme étude de cas pour expliquer les processus fondamentaux du traitement automatique du langage naturel. Basé sur Microsoft DeBERTa-v3 et les transformateurs HuggingFace, il aborde l'exploration des données, la segmentation des mots, l'entraînement et l'évaluation du modèle, et peut être utilisé pour des tâches telles que l'analyse de similarité de textes de brevets, la recherche sémantique, la classification de textes et la régression.

Exécutez en ligne :https://go.hyper.ai/3R3Yp

3. DETR : Détection d'objets de bout en bout à l'aide de Transformers

DETR (DEtection Transformer), développé par Facebook AI Research (FAIR) en 2020, est un modèle de détection d'objets de bout en bout qui redéfinit la détection d'objets comme un problème de prédiction directe d'ensembles. Il remplace les étapes de post-traitement complexes, telles que la sélection de réseaux neuronaux (NMS) et l'utilisation d'ancres, présentes dans les détecteurs traditionnels, par une architecture Transformer. Le modèle emploie une structure encodeur-décodeur et des requêtes d'objets, et utilise l'algorithme hongrois pour réaliser une correspondance de graphes bipartites entre les résultats prédits et les objets réels. Il peut être utilisé pour la détection d'objets, ainsi que pour des tâches visuelles telles que la segmentation d'instances et la segmentation panoptique.

Exécutez en ligne :https://go.hyper.ai/eVfK1

4. GAN-BERT : Classification de texte semi-supervisée basée sur des réseaux antagonistes génératifs

GAN-BERT a été publié en juillet 2020 par l'équipe de Tor Vergata à l'Université de Rome Tor Vergata, en collaboration avec Amazon. Ce modèle intègre un réseau antagoniste génératif (GAN) à une version optimisée de BERT, permettant une classification de texte efficace avec un nombre réduit de données étiquetées grâce à l'entraînement collaboratif du générateur et du discriminateur. Sur la tâche de classification fine TREC, il a atteint une précision de 41,81 % TP3T avec seulement 109 échantillons étiquetés, surpassant largement les 13,61 % TP3T du BERT traditionnel.

Exécutez en ligne :https://go.hyper.ai/ujIry

5. Inflect-Micro-v2 : Synthèse vocale avec des paramètres inférieurs à 10 millimètres

Inflect-Micro-v2, développé par Owen Song et publié en avril 2026, est un modèle de synthèse vocale (TTS) léger et complet, ne comportant qu'environ 9,357 millions de paramètres déployables. Ce modèle FP32 ne pèse que 37,53 Mo et prend en charge l'inférence CPU et CUDA. Basé sur l'architecture VITS, il génère directement un flux audio mono à 24 kHz sans vocodeur supplémentaire et prend en charge la segmentation de textes longs, le contrôle des pauses et la reproduction déterministe des séquences initiales. Il est adapté à des applications telles que la synthèse vocale locale, le déploiement sur des périphériques et la lecture de textes.

Exécutez en ligne :https://go.hyper.ai/oAocJ

6. Kit DeePMD : un tutoriel sur la dynamique moléculaire à potentiel profond

DeePMD-kit, initialement publié par la communauté DeepModeling en 2018, est un outil de simulation de dynamique moléculaire basé sur l'apprentissage profond. Il utilise des réseaux de neurones pour apprendre la surface de potentiel interatomique à partir de données de calcul ab initio, permettant ainsi des simulations moléculaires à grande échelle avec une précision proche des calculs ab initio. Cet outil est compatible avec plusieurs frameworks d'apprentissage profond tels que TensorFlow, PyTorch, JAX et PaddlePaddle, et peut être intégré aux logiciels de dynamique moléculaire les plus utilisés, comme LAMMPS et GROMACS. Il a remporté le prix Gordon Bell de l'ACM en 2020 pour ses applications de calcul haute performance. Il est largement utilisé dans des domaines tels que la prédiction de la structure des matériaux, l'exploration des voies de réaction chimique, la conception de catalyseurs et la simulation des interactions protéiques.

Exécutez en ligne :https://go.hyper.ai/F0H9W

💡Nous avons également créé un groupe d'échange de tutoriels Stable Diffusion. Bienvenue aux amis pour scanner le code QR et commenter [tutoriel SD] pour rejoindre le groupe pour discuter de divers problèmes techniques et partager les résultats de l'application ~

Articles populaires de l'encyclopédie

1. Reconnaissance optique de caractères (OCR)

2. Modèle d'action mondial WAM

3. Télédétection

4. Glitch Token (terme utilisé pour décrire un terme lié aux bugs)

5. Modèle de transformation pré-entraîné génératif (GPT)

Voici des centaines de termes liés à l'IA compilés pour vous aider à comprendre « l'intelligence artificielle » ici :

https://go.hyper.ai/wiki

Voici tout le contenu de la sélection de l’éditeur de cette semaine. Si vous avez des ressources que vous souhaitez inclure sur le site officiel hyper.ai, vous êtes également invités à laisser un message ou à soumettre un article pour nous le dire !

À la semaine prochaine !