Command Palette
Search for a command to run...
128K 장문 컨텍스트 + 에이전트 강화 학습! LFM2.5-2.6B는 엣지 컴퓨팅 환경에서 대규모 모델의 효율적인 배포를 가능하게 합니다. DETR은 Transformer를 사용하여 NMS 및 앵커를 뛰어넘어 객체 탐지 방식을 혁신합니다.
AI 에이전트가 점차 클라우드에서 터미널로 이동함에 따라, 제한된 컴퓨팅 성능과 메모리로 고품질의 작업 실행을 달성하는 것이 중요해지고 있습니다. LFM2.5-2.6B는 이러한 요구를 충족하도록 설계되었습니다. LFM2 아키텍처를 기반으로 128K 길이의 컨텍스트와 에이전트 강화 학습을 도입하여 도구 호출, 지침 준수 및 다단계 작업에서 탁월한 성능을 보여주며, 파라미터 크기가 4배 더 큰 모델과도 경쟁할 수 있습니다.이 모델은 주요 에이전트 프레임워크에 맞춰 학습 및 최적화되어 실제 응용 분야에서의 호환성을 향상시켰습니다. 특히, Apple M5 Max에서 최대 220 tok/s, AMD Ryzen CPU에서 최대 113 tok/s의 추론 속도를 달성하며, 2.5GB 미만의 메모리 사용량으로 경량 설계와 고성능 간의 균형을 잘 맞춰 엣지 에이전트 배포를 위한 새로운 선택지를 제공합니다.
HyperAI 웹사이트에서 "LFM2.5-2.6B: 엣지 배포를 위한 효율적인 에이전트 추론 모델"을 만나보세요!
온라인 사용:https://go.hyper.ai/rbtpt
8월 7일부터 8월 13일까지 hyper.ai 공식 웹사이트의 주요 업데이트 사항을 간략하게 살펴보겠습니다.
* 고품질 공개 데이터 세트: 5
* 엄선된 고품질 튜토리얼: 6개
* 인기 백과사전 항목: 5개
공식 웹사이트를 방문하세요:하이퍼.AI
선택된 공개 데이터 세트
1. GLM-5.2-대화 궤적 데이터셋
GLM-5.2-Conversation은 대규모 대화형 모델의 지도 미세 조정(SFT) 및 추론 정제를 위한 대규모 중국어 및 영어 질의응답 코퍼스를 제공하도록 설계된 대화 궤적 데이터셋입니다. 이 데이터셋은 GLM-5.2의 고추론 모드로 생성된 5만 개의 대화 궤적 샘플을 포함합니다. 각 샘플은 사용자의 질문과 모델이 도출한 완전한 추론 응답으로 구성되며, 프로그래밍, 수학, 물리학, 창작 글쓰기, 논리적 질문 답변 등 다양한 주제를 다룹니다.
온라인 사용:https://go.hyper.ai/T2GCb
2. XYZ-Aquila SFT 에이전트 다중 라운드 궤적 데이터 세트
XYZ-Aquila SFT는 XYZAILab에서 공개한 탐색 지향 에이전트용 다중 턴 궤적 데이터셋입니다. 이 데이터셋은 탐색 에이전트의 지도 학습 기반 미세 조정(SFT)을 위한 고품질의 이중 언어 다중 턴 도구 호출 궤적 데이터를 제공하는 것을 목표로 합니다. 데이터셋에는 7,000개의 다중 턴 탐색 지향 도구 사용 궤적이 포함되어 있으며, 그중 5,000개는 영어 예시이고 2,000개는 중국어 예시입니다. 이 데이터셋은 XYZ-Aquila-mini 및 XYZ-Aquila-pro 모델에서 사용된 지도 학습 기반 미세 조정 코퍼스의 샘플입니다. 각 샘플은 에이전트의 상호 작용 과정을 완벽하게 기록하고 있으며, 탐색 도구 호출, 중간 관찰, 그리고 중국어 및 영어 응답 생성 과정을 모두 포함합니다.
온라인 사용:https://go.hyper.ai/t7r54
3. 재귀적 작업 합성: 재귀적 작업 데이터셋 합성
Recursive-Task-Synthesis는 강화 학습 및 명령줄 AI 에이전트의 기능 평가를 위해 특별히 설계된 합성 재귀 작업 데이터셋입니다. 이 데이터셋은 연구자들에게 실행 가능하고 검증된 실제 작업 인스턴스를 제공하는 것을 목표로 합니다. 데이터셋에는 37,484개의 검증된 명령줄 작업 인스턴스가 포함되어 있으며, 각 인스턴스는 자연어 명령어, 참조 답변, 소스 데이터 및 사전 구성된 Docker 런타임 환경을 제공합니다. 작업들은 소프트웨어 개발, 시스템 유지 관리, 스크립트 작성 등 다양한 기술 분야를 포괄합니다.
온라인 사용:https://go.hyper.ai/ZsQ2L
4. PROTECT-90 전력 시스템 보호 고장 데이터 세트
PROTECT-90은 전력 시스템 보호 및 과도 현상 분석 연구를 위한 표준화되고 재현 가능한 벤치마크 데이터를 제공하도록 설계된 전력 시스템 보호 고장 파형 데이터 세트입니다. 이 데이터 세트는 표준 90kV 이중 회로 토폴로지에서 생성된 9,022개의 전자기 과도 현상(EMT) 시뮬레이션 사례를 포함합니다. 각 세그먼트는 8개의 보호 관련 측정 위치에서 기록된 1초 분량의 동기식 3상 전압 및 전류 파형을 6.4kHz(50Hz 주기당 128개 샘플링 포인트)의 샘플링 속도로 제공하며, 총 48개의 동기식 파형 채널을 포함합니다.
온라인 사용:https://go.hyper.ai/epqXm
5. 해양대륙 위성 기상 데이터 세트
해양 대륙 위성 기상 데이터셋(Maritime Continent Satellite Weather, MASTW)은 해양 대륙 지역의 위성 기상 영상 데이터셋으로, 딥러닝을 활용한 기상 예측 및 단기 예보, 강우 예측, 뇌우 식별, 다중 모드 모델 융합 연구를 지원하기 위해 설계되었습니다. 이 데이터셋은 서부 해양 대륙 지역(동남아시아 및 말라카 해협, 싱가포르, 인도네시아, 말레이시아, 태국 포함)을 대상으로 시간 단위로 촬영된 히마와리-8/9 위성 적외선 영상 프레임 95,036개와 기상 데이터를 포함하고 있으며, 각 도시별 23개 도시의 지상 기상 데이터도 함께 제공됩니다. 각 도시 파일은 97,056개의 행으로 구성되어 있습니다.
온라인 사용:https://go.hyper.ai/2dOI3
선택된 공개 튜토리얼
1. LFM2.5-2.6B: 최종 사용자 배포를 위한 효율적인 에이전트 추론 모델
Liquid AI에서 2026년 8월에 출시한 LFM2.5-2.6B는 엣지 환경에 최적화된 LFM2.5 시리즈의 경량 하이브리드 아키텍처 언어 모델입니다. 128,000개의 초장문 컨텍스트를 지원하며 강력한 에이전트 도구 호출 기능을 갖추고 있습니다. 이 모델은 22개의 이중 게이트 단축 컨볼루션 모듈과 8개의 GQA 모듈을 사용하여 성능과 계산 효율성의 균형을 이루었습니다. 에이전트 강화 학습을 통해 사후 학습되었으며, 에이전트 워크플로, 장문 문서 이해, RAG(Real-Assisted Gradient) 및 엣지 추론과 같은 시나리오에서 활용될 수 있습니다.
온라인으로 실행:https://go.hyper.ai/rbtpt
이 튜토리얼은 자연어 처리(NLP) 초보자를 위해 설계되었으며, 특허 문구 유사도 매칭 사례 연구를 통해 자연어 처리의 핵심 과정을 기초부터 설명합니다. Microsoft DeBERTa-v3 및 HuggingFace Transformers를 기반으로 데이터 탐색, 단어 분할, 모델 학습 및 평가를 다루며, 특허 텍스트 유사도 분석, 의미 검색, 텍스트 분류 및 회귀 분석과 같은 작업에 활용할 수 있습니다.
온라인으로 실행:https://go.hyper.ai/3R3Yp
3. DETR: Transformer를 사용한 엔드투엔드 객체 탐지
2020년 Facebook AI Research(FAIR)에서 출시한 DETR(DEtection Transformer)은 객체 탐지를 직접적인 집합 예측 문제로 재정의하는 엔드투엔드 객체 탐지 모델입니다. 기존 탐지기의 복잡한 후처리 단계(예: NMS 및 앵커)를 트랜스포머 아키텍처로 대체합니다. 이 모델은 인코더-디코더 구조와 객체 쿼리를 사용하며, 헝가리안 알고리즘을 통해 예측 결과와 실제 객체 간의 이분 그래프 매칭을 구현합니다. 객체 탐지뿐만 아니라 인스턴스 분할, 파노라마 분할과 같은 시각적 작업에도 활용될 수 있습니다.
온라인으로 실행:https://go.hyper.ai/eVfK1
4. GAN-BERT: 생성적 적대 신경망 기반의 준지도 텍스트 분류
GAN-BERT는 2020년 7월 로마 토르 베르가타 대학교의 토르 베르가타 연구팀이 아마존과 협력하여 출시했습니다. GAN-BERT는 BERT의 미세 조정 버전에 생성적 적대 네트워크(GAN)를 도입하여 생성자와 판별자의 협업 학습을 통해 적은 양의 레이블링 데이터로도 효율적인 텍스트 분류를 가능하게 합니다. TREC의 세밀한 문제 분류 작업에서 GAN-BERT는 단 109개의 레이블링된 샘플만을 사용하여 41.81 TP3T의 정확도를 달성하며, 기존 BERT의 13.61 TP3T를 크게 앞섰습니다.
온라인으로 실행:https://go.hyper.ai/ujIry
5. Inflect-Micro-v2: 파라미터가 10M 미만인 TTS
2026년 4월 Owen Song이 출시한 Inflect-Micro-v2는 약 935만 7천 개의 배포 가능한 파라미터만 포함하는 경량 엔드투엔드 텍스트 음성 변환(TTS) 모델입니다. FP32 기반의 이 모델은 크기가 37.53MB에 불과하며 CPU 및 CUDA 추론을 지원합니다. VITS 아키텍처를 기반으로 하는 이 모델은 추가 보코더 없이 24kHz 모노 오디오를 직접 생성할 수 있으며, 긴 텍스트 분할, 일시 정지 제어 및 결정론적 시드 재생성을 지원합니다. 로컬 음성 합성, 엣지 디바이스 배포 및 텍스트 읽기와 같은 시나리오에 적합합니다.
온라인으로 실행:https://go.hyper.ai/oAocJ
2018년 딥모델링 커뮤니티에서 처음 출시된 DeePMD-kit은 딥러닝 기반 분자 동역학 시뮬레이션 툴킷입니다. 이 툴킷은 신경망을 사용하여 ab initio 계산 데이터에서 원자 간 포텐셜 표면을 학습함으로써 거의 제1원리 정확도로 대규모 분자 시뮬레이션을 구현합니다. TensorFlow, PyTorch, JAX, PaddlePaddle 등 다양한 딥러닝 프레임워크를 지원하며, LAMMPS, GROMACS와 같은 주요 분자 동역학 소프트웨어와 통합할 수 있습니다. 고성능 컴퓨팅 응용 분야에서 뛰어난 성능을 인정받아 2020년 ACM 고든 벨 상을 수상했습니다. DeePMD-kit은 재료 구조 예측, 화학 반응 경로 탐색, 촉매 설계, 단백질 상호작용 시뮬레이션 등 다양한 분야에서 널리 활용되고 있습니다.
온라인으로 실행:https://go.hyper.ai/F0H9W
💡또한, 안정적 확산 튜토리얼 교환 그룹도 만들었습니다. 친구들을 환영합니다. QR 코드를 스캔하고 [SD 튜토리얼]에 댓글을 남겨 그룹에 가입하여 다양한 기술 문제를 논의하고 신청 결과를 공유하세요~
인기 백과사전 기사
1. 광학 문자 인식(OCR)
2. 세계행동모델(WAM)
3. 원격 감지
4. 글리치 토큰 (글리치 관련 용어를 설명하는 데 사용되는 용어)
5. 생성형 사전 학습 변환 모델(GPT)
다음은 "인공지능"을 이해하는 데 도움이 되는 수백 가지 AI 관련 용어입니다.
위에 적힌 내용은 이번 주 편집자 추천 기사의 전체 내용입니다. hyper.ai 공식 웹사이트에 포함시키고 싶은 리소스가 있다면, 메시지를 남기거나 기사를 제출해 알려주세요!
다음주에 뵙겠습니다!
