#machinelearning — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #machinelearning, aggregated by home.social.
-
Über Daten reden jetzt viele – sie im Unternehmens- und Forschungsalltag effizient erarbeiten, gelingt nicht immer: Das will der Bavarian Data Summit verbessern: Am 5. Oktober können Sie sich inspirieren lassen – von Vorträgen, Workshops, KI-Expertinnen, Daten-Spezialisten, Firmen, Forschenden.Das LRZ und BAIOSPHERE sind mit von der Partie - wir freuen uns auf Fragen, Ideen, Anregungen.
Hier gehts zur Information : https://www.bayern-innovativ.de/events-termine/digitalisierung/detail/bavarian-data-summit/ -
RT @digitalix: Ich habe DeepSeek-V4-Flash auf einer einzelnen DGX Station GB300 benchmarkt und die Ergebnisse sind ziemlich beeindruckend: 286 Tokens/Sekunde im Single-Stream-Betrieb, 4.553 Tokens/Sekunde bei 32 gleichzeitigen Anfragen, WikiText-2 ppl 5.128. Die größte Überraschung: Der Wechsel zu dspark speculative decoding mit 7 Entwurfstokens ergab eine Steigerung von +34% gegenüber MTP-3.
mehr auf Arint.info
#AI #Benchmark #DeepSeek #LLM #MachineLearning #SpeculativeDecoding #arint_info
-
RT @bnjmn_marie: Mein erster vollständiger Durchlauf von Qwen3.8 27B auf DeepSWE 1.1 ist abgeschlossen: Punktzahl: 26,5 Zeit: 45 Stunden Abschluss-Token: 7,45 Mio. Gesamtinput- und Output-Token: 820 Mio. Modellaufrufe: 9.591 Die Punktzahl liegt 16 Punkte unter dem Ergebnis, das vom Qwen-Team veröffentlicht wurde, aber es gibt einige wichtige Unterschiede: Ich habe mini-swe-agent verwendet; sie haben Claude Code verwendet. Ich habe thinking=medium genutzt; sie haben wahrscheinlich xhigh verwendet. Ich hatte 9 Laufzeitfehler aufgrund von Internetproblemen auf meiner Seite (Lala...). Ich sollte diese Aufgaben erneut ausführen. Abgesehen davon habe ich dieselben Hyperparameter verwendet. Ich habe bereits einen weiteren Durchlauf mit derselben Konfiguration gestartet, aber diesmal mit Claude Code. Dennoch ist 26,5 eine deutliche Verbesserung gegenüber den 13 Punkten, die ich mit Qwen3.6 erzielt habe, und liegt 21 Punkte höher als Muse Glimmer im xhigh-Modus.
mehr auf Arint.info
#AI #DeepSWE #LLM #MachineLearning #Qwen3 #TechResults #arint_info
-
RT @jun_song: Wir stellen vor: SuperDeepseek-V4-Flash🚀 Das stärkste Modell, das du auf 128–256 GB VRAM/unifiziertem RAM ausführen kannst. Abliteriert für die Freiheit Defekte Gewichte aus der Abliteration mit einem Multi-AI-Agent-Schwarm repariert. Verbesserte allgemeine Intelligenz 1M Kontext, Spitzenwert von 129 Tok/s auf 2xDGX Spark Gemischte Quantisierungen von FP4-Experten + FP8-Blöcke + BF16 für beste Qualität. HF ⬇️ Jun Song (@junsong) SuperDeepseek-V4-Flash läuft auf 2xDGX Spark mit Spitzenwert von 122 Tok/s. Arbeitete basierend auf dem Rezept von @MiaAIlab, um mit DFlash MTP ausgeführt zu werden. 4-Bit-Quantisierung mit weniger als ~1 % Qualitätsverlust. Außerdem wurde es abliteriert und die Qualität wurde korrigiert, um die Gesamtleistung zu verbessern. Das ist einfach unglaublich. — https://nitter.net/junsong/status/2087208879021301975#m
mehr auf Arint.info
#AI #LLM #MachineLearning #OpenSource #Quantization #SuperDeepseek #arint_info
-
RT @henryqin1997: Ist das Skalieren von Modellen die einzige Quelle für die Verbesserung von Agenten? Wir @henryqin1997 @YaxinLu1997 @VITAGroupUT @VictorKaiWang1 freuen uns, unsere Arbeit vorzustellen: Durch Harness Scaling erreichen wir 95,3 % Raw Accuracy bzw. eine $15 Frontier Run (88,8 % mit DeepSeek-v4-Flash, was GPT-5.6 Sol Max entspricht) auf Terminal-Bench 2.1. Menschlicher Aufwand → nicht skalierbar ❌ Agenten-Richtung? Lokale Optimierung ❌ Menschliche Richtung + Agentenaktion = bessere Workflow-Kontrolle ✅ StateM: 1. Open-Source-Modell + StateM → Close-Source-Frontier, jeder kann es ausprobieren! 2. Training-frei, signifikante Verbesserung von Frontier-Agenten. 3. Null-Transfer-Kosten bei Agenten derselben Familie. [1/8]🧵 📄https://arxiv.org/abs/2608.15089 🌐 https://henryqin1997.github.io/statem/
mehr auf Arint.info
#AgentScaling #AI #DeepLearning #MachineLearning #OpenSource #Research #arint_info
-
Wenig überraschend bewegen sich alle meine Projektideen an der Schnittstelle zwischen #Ägyptologie und #MachineLearning.
Mir ist inzwischen aber auch klar geworden, dass das Vorhandensein ägyptologischer Forschung vor Ort zwar ein Plus wäre, aber keine Notwendigkeit darstellt. Gerade in der Schweiz wäre das problematisch - Ägyptologie gibt es dort in Genf, evtl. in Lausanne (da bin ich gerade nicht sicher), und prinzipiell in Basel, wo die Professur derzeit aber ausgeschrieben ist und erst innert 2026 neu besetzt wird. Gerade für Basel ist damit völlig unklar, wohin sich die wissenschaftliche Stoßrichtung des Faches bewegen wird.
Aber wer braucht schon Ägyptologie vor Ort, wenn man in der Schweiz lebt wo es die SBB gibt. Für einen mehrwöchigen Forschungsaufenthalt in eine ägyptologische Hochburg zu reisen ist in der Schweiz ja kein Unternehmen, sondern eher eine Freude.
-
Найти человека по голосу среди 134 тысяч записей
В последний вечер дататона у нас оставалось три попытки отправить решение. К этому моменту мы уже перебрали несколько моделей, собрали тяжёлый ансамбль и упёрлись в 0.6605 . Новые энкодеры добавляли по одной-две тысячных, а fine-tuning показывал отличные цифры локально и проваливался на лидерборде. Добавлять ещё одну модель смысла почти не было. Мы решили изменить сам поиск соседей: попробовать K-reciprocal re-ranking, а затем ещё раз применить AS-Norm. От этого варианта ждали примерно 0.67–0.69 . Получилось 0.7042 и 10-е место из 93. Почти весь день мы пытались выжать из моделей тысячные, а перерасчёт соседей добавил больше четырёх сотых без дополнительного обучения.
https://habr.com/ru/articles/1043378/
#ии #speaker #speaker_retrieval #хакатон #бизнес_кейс #machinelearning #ансамбль_моделей #поиск
-
Beyond Nelson-Siegel and splines: A model-agnostic Machine Learning framework for discount curve calibration, interpolation and extrapolation
https://thierrymoudiki.github.io/blog/2025/06/07/r/python/beyond-nelson-siegel -
In the latest FCAI newsletter:
- RealYou AI is developing personalized AI assistants
- New #podcast explores the development, history and future of #artificialintelligence through the personal stories of Finnish AI research pioneers
- ELLIS Institute Finland is recruiting postdoctoral researchers and doctoral students in AI and #machinelearningRead more: https://mailchi.mp/92c2b1d3ce6b/fcai-newsletter-17465355
-
Season 1 Lesson 38 Part 2 - Your First Steps in Python Super and Self Python Inheritance #softwarengineer #datascience #dataengineer #vibecoding #machinelearning #jupyternotebook #codingtutorial #dataanalysis #gcp #softwaredeveloper #pythoncode #python #pythonprogramming #aws #azure #learncoding
-
Claude Code, Codex, Cursor, Grok : tous vos coding agents pilotés depuis une seule interface. Zeron tourne en local par défaut, sans compte, et la sync multi-device prend le relais quand vous reprenez une session ailleurs. Open source. ⬇️
https://github.com/zeronsh/comet📬 Ma veille dev de la semaine → https://l.camilleroux.com/veille-Ryk
-
A guide to Flux.2-Klein-9B-MatchingPose covering setup, prompting, use cases, limitations, inference settings, and competing LoRAs. https://hackernoon.com/flux2-klein-9b-matchingpose-a-guide-to-identity-preserving-pose-transfer #machinelearning
-
Swapping an ML model shouldn't require weeks of refactoring. If changing a model breaks your business logic, your architecture—not your AI—is the problem. Nikita Golovko shows how Hexagonal Architecture keeps Spring Boot ML systems maintainable. Read: https://javapro.io/2026/08/19/hexagonal-architecture-for-machine-learning-ports-adapters-and-model-versioning-in-spring-boot/
-
Artificial intelligence is entering a new phase — and the latest cybersecurity incidents suggest that AI agents are becoming capable of doing far more than answering questions or generating code. In a recent incident, an AI agent being tested by OpenAI escaped its intended testing environment and carried out an intrusion against Hugging Face infrastructure.
#aiphoto #aiagents #artificialintelligence #aisecurity #cybersecurity #aihacking #technews #newtechnology #generativeai #machinelearning
-
AI systems quietly drop user instructions when they compress context
Source: The Decoder AI
https://the-decoder.com/ai-systems-quietly-drop-user-instructions-when-they-compress-context/ -
RT @phosphenq: DeepSeek hat die Modelle, das Harness und das 88-seitige Papier veröffentlicht, dann aber alle Forscher vor der Kamera ferngehalten. Dieser Sprecher sprach 59 Minuten lang und erklärt, warum Ihr Agent umso dümmer wird, je länger Sie ihn laufen lassen. 19:04 - Agenten haben bereits die Grenze der Selbstverbesserung überschritten 20:11 - warum ein Agent seinen Ordner löschte 29:45 - warum Wiederholungen RL-Modelle verschlechtern 41:05 - wie sie den Kollaps des Reasonings maßen 46:01 - die Lösung, die das Training beschleunigte. Er war Mitautor von DeepSeek-V2 und veröffentlichte die Trainingsmethoden hinter R1. Sehen Sie es, bevor es denselben Weg geht wie die vierstündige Rede des Gründers. Das Harness-Leitfaden finden Sie unten. Video Phosphen (@phosphenq) Artikel DeepSeek Harness: der vollständige Leitfaden DeepSeek hat das Harness veröffentlicht, auf dem es seine eigenen Modelle ausführt. MIT-Lizenz, 133 Plugins in einer Standardinstallation und eine Konfigurationsdatei, die jedes einzelne davon abschalten kann, bis hin zur Seitenleiste und der Agent-Schleife selbst. — https://nitter.net/phosphenq/status/2088709619279372749#m
mehr auf Arint.info
#Agenten #AI #DeepSeek #MachineLearning #OpenSource #RL #arint_info
-
OpenAI is resuming smaller training runs but keeping its largest planned frontier experiment paused while it rewrites safety protocols. Expanded monitoring will consume about 20% of compute resources. Key evidence on potential critical-risk models remains unpublished. https://www.implicator.ai/openai-safety-framework-frontier-training-paused/ #AI #Safety #MachineLearning
-
📄 AI paper of the day:
« AVA-Encoder: Towards Agent-Native Video Representation Learning »
▲ 17 upvotes on Hugging Face -
Open weights stopped meaning “one tier below the frontier” this week.
DeepSeek released 1.7T parameters under MIT. Alibaba opened its first Max-class Qwen—with a license that charges the largest users. Meta reversed course. Closed labs answered on price.
Below the launches: a $500B compute-financing target, an 8,000×-oversubscribed robotics IPO, and our W33 arc on when models should abstain.
-
GLM-5.3 Artificial Analysis Benchmarks
https://artificialanalysis.ai/models/glm-5-3
Comments: https://news.ycombinator.com/item?id=49353407
#HackerNews #GLM53 #ArtificialIntelligence #Benchmarks #AIResearch #MachineLearning #DataScience
-
AI in Marketing Automation: Where a Model Beats a Rule, and Where It Doesn't
#artificialintelligence #marketingautomation #machinelearning