Sing VL S1 โมเดลตัดสินใจมัลติโหมดัลขนาด 4B พารามิเตอร์ที่สร้างบน Qwen3.5 ขณะนี้มี GGUF release สำหรับการอนุมานบน CPU ผ่าน llama.cpp แล้ว จัดส่งในรูปแบบ decoder BF16 (8.42 GB), Q8_0 (4.48 GB) และ Q4_K_M (2.71 GB) พร้อม vision projector F16 ที่ใช้ร่วมกัน โดยมี context ขนาด 4096 โทเคนเป็นค่าเริ่มต้น การตรวจสอบ GGUF ครอบคลุม 9 ตัวอย่างและ 11 คำถาม คะแนนสาธารณะแบบเต็มสำหรับ GGUF variants ยังอยู่ระหว่างรอ
IBM เปิดตัวโมเดลพรีวิวเชิงทดลองสองรุ่น คือ granite-4.1-3b-LLMON-preview และ granite-4.1-8b-LLMON-preview ซึ่งพัฒนามาจากเช็กพอยต์ฐาน Granite 4.1 และฝึกให้อ่านและสร้าง LLMON ซึ่งเป็นภาษามาร์กอัปที่ออกแบบมาเพื่อ LLM โดยเฉพาะ ใช้ตัวคั่นโทเคนพิเศษที่สงวนไว้สำหรับกำกับคำสั่ง ข้อมูล และข้อกำหนด บนเบนช์มาร์ก OPI โมเดลเหล่านี้หลีกเลี่ยงการโจมตีแบบ indirect prompt injection ได้มากกว่าโมเดล frontier ที่ดีที่สุดที่ทดสอบถึง 47% และมากกว่าโมเดลโอเพนซอร์สที่ดีที่สุดถึง 95% ขณะที่ประสิทธิภาพบนเบนช์มาร์กมาตรฐานอยู่ในระดับเดียวกับ Granite 4.1 Instruct การเปิดตัวครั้งนี้มาพร้อมชุดเครื่องมือบน GitHub ที่มีตัวแปลง JSON-to-LLMON แบบไม่สูญเสียข้อมูล และผู้เขียนระบุว่าพรีวิวนี้มีไว้เพื่อการสำรวจ ไม่ใช่สำหรับการใช้งานจริง
ทำไมเรื่องนี้สำคัญ: IBM ฝึกโมเดลพรีวิวบน Granite 4.1 ที่สามารถอ่านและเขียนแท็ก LLMON ได้ โดยใช้การแยกคำสั่งและข้อมูลอย่างชัดเจนเพื่อลดอัตราความสำเร็จของการโจมตีแบบ indirect prompt injection บนเบนช์มาร์ก OPI ให้ใกล้ศูนย์ ขณะที่ยังคงความสามารถทั่วไปไว้ได้
Hugging Face เผยแพร่สคริปต์และคอนเทนเนอร์สำหรับปรับแต่งโมเดล TRELLIS.2 ซึ่งเป็นโมเดลสร้างภาพ 3D ที่สามารถรันได้ในเครื่องหรือบน Hugging Face Jobs คู่มือนี้ใช้ LoRA adapters ผ่านไลบรารี PEFT เฉพาะบน sparse-structure flow DiT และ shape flow DiT โดยคงขั้นตอนวัสดุ (material stage) ไว้ไม่เปลี่ยนแปลง บนชุดย่อยรองเท้า 188 ชิ้นจากชุดข้อมูล GSO โมเดลที่ผ่านการฝึกมาก่อนมักเรนเดอร์พื้นรองเท้าไม่ถูกต้อง ซึ่งการปรับแต่งด้วย LoRA มุ่งแก้ไขปัญหานี้
Tether AI Research เปิดตัว BotPsy โมเดลเอเจนต์ขนาด 0.8B พารามิเตอร์ที่สร้างบน Qwen3.5-0.8B สำหรับการใช้งานเครื่องมือของผู้ช่วยส่วนตัวบนอุปกรณ์ โดยทำคะแนนเอเจนต์ได้ประมาณสองเท่าของโมเดลฐาน โดย BFCL v4 เพิ่มจาก 23.4 เป็น 44.0 และ τ-bench จาก 23.2 เป็น 51.5 และเอาชนะทุกโมเดลที่มีพารามิเตอร์สูงถึง 1.2B ที่ทดสอบในหกเบนช์มาร์กการใช้เครื่องมือ อีกทั้งลดการตอบสนองที่ไม่ปลอดภัยเหลือ 21% จาก 36% และใช้โทเคนการให้เหตุผลน้อยลงประมาณ 3 เท่าใน GPQA Diamond
Hugging Face แสดงให้เห็นว่าการฝึกแบบ pooling-aware ช่วยยกระดับคุณภาพการดึงข้อมูลของโมเดล multi-vector embedding ภายใต้งบประมาณการจัดเก็บคงที่ ด้วย pool_factor=4 โมเดลที่ฝึกตามปกติยังคงรักษา 94.6% ของ NanoBEIR nDCG@10 แบบไม่ pooled ขณะที่ลดเวกเตอร์เอกสารลง 4 เท่า และการฝึกแบบ pooling-aware ช่วยเพิ่มอัตราการรักษานั้นเป็น 97.8% โพสต์นี้อธิบาย HierarchicalTokenPooling การปรับเทียบงบประมาณ และตัวอย่าง Sentence Transformers ที่ทำซ้ำได้
inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัลขนาด 4B ที่สร้างบน Qwen3.5 ซึ่งตอบคำถามที่ระบุชื่อได้จากข้อความหรือ JSON และรูปภาพสูงสุดสี่รูปในการประมวลผลไปข้างหน้าหนึ่งครั้งของ Transformers รองรับคำถามแบบตัวเลือก แบบใช่/ไม่ใช่ (noul) และแบบให้คะแนน 2–10 ระดับ โดยได้คะแนน 73.94 บน Public Vision Index และ 69.76 บน Public Text Index โมเดลนี้มาพร้อมโค้ดอนุมานภาษา Python และเซิร์ฟเวอร์ HTTP แบบ FastAPI
inclusionAI ได้ปล่อยน้ำหนักรูปแบบ GGUF สำหรับ ZoomGain-9B ซึ่งแปลงด้วย llama.cpp ครอบคลุมโมเดลภาษาและตัวเข้ารหัสภาพ/โปรเจกเตอร์ (mmproj) ในรูปแบบ FP16, Q8_0 และ Q4_K_M การป้อนภาพต้องจับคู่โมเดลภาษากับไฟล์ mmproj ที่ตรงกัน และรีโปได้จัดทำเอกสารการอนุมานผ่าน CLI ด้วย llama-mtmd-cli และการตั้งค่าแชทเว็บผ่าน llama-server จำเป็นต้องใช้บิลด์ llama.cpp ที่รองรับมัลติโมดัลของ Qwen3.5 และการควอนไทซ์อาจส่งผลต่อความแม่นยำ
Amazon เปิดตัว Mitra-v2 โมเดลพื้นฐานสำหรับข้อมูลตารางรุ่นที่สองสำหรับการจำแนกประเภทและการถดถอย โดยเผยแพร่พร้อมโมเดลที่ผ่านการปรับแต่งละเอียดและโค้ดสำหรับการอนุมานและการปรับแต่งละเอียดภายใต้สัญญาอนุญาต Apache-2.0 บน Hugging Face โมเดลนี้ผ่านการฝึกล่วงหน้าบนตารางสังเคราะห์ที่มีจำนวนแถวมากกว่า Mitra-v1 ถึง 10 เท่าและมีจำนวนคอลัมน์มากกว่าประมาณ 3 เท่า โดยใช้ไพรเออร์ SCM แบบไฮบริดใหม่และออปติไมเซอร์แบบไฮบริด ขณะที่ยังคงสถาปัตยกรรม Transformer ไว้ไม่เปลี่ยนแปลง บน TabArena ซึ่งเป็นเกณฑ์มาตรฐานสาธารณะที่มีชุดข้อมูลจริง 51 ชุด Mitra-v2 อยู่ในอันดับนำในกลุ่มโมเดลเดี่ยว เอาชนะ Mitra-v1 ได้บน 32 จาก 33 ชุดข้อมูลที่ทั้งสองรันแบบเนทีฟ และรันเสร็จทั้ง 51 ชุดภายในงบเวลาหนึ่งชั่วโมง นอกจากนี้ Mitra-v2 ที่ผ่านการปรับแต่งละเอียดยังอยู่ในอันดับหนึ่งบน ScoringBench
ทำไมเรื่องนี้สำคัญ: Mitra-v2 แสดงให้เห็นว่าการขยายข้อมูลฝึกล่วงหน้าสังเคราะห์ แทนที่จะเพิ่มความลึกของเครือข่าย ช่วยยกระดับโมเดลพื้นฐานสำหรับข้อมูลตารางขึ้นสู่อันดับนำในกลุ่มโมเดลเดี่ยวของ TabArena
Hugging Face เผยแพร่บทอธิบายเกี่ยวกับโมเดลการตัดสินใจ ซึ่งรับสถานะพร้อมคำถามที่มีชนิดข้อมูลและคืนค่าความน่าจะเป็นเหนือคำตอบที่กำหนดไว้ล่วงหน้าแทนการสร้างข้อความ โพสต์ดังกล่าวลงรายละเอียดเกี่ยวกับ primitive ของ choice, score และ noul สูตรความเชื่อมั่น และการรองรับใหม่ผ่าน DecisionPipeline และ AutoModelForDecision ของ Transformers, endpoint /v1/systemone ที่ใช้ร่วมกันใน Transformers และ llama.cpp, แท็ก Hub สำหรับการค้นพบ และการ fine-tuning ด้วย Trainer API พร้อมระบุว่า endpoint เดียวกันยังใช้งานได้กับ autoregressive LLM ที่เข้ากันได้โดยการให้คะแนน logits ของคำตอบในการ forward pass แบบแบตช์
ทำไมเรื่องนี้สำคัญ: Hugging Face อธิบายว่าโมเดลการตัดสินใจเปลี่ยนการจำแนกประเภทให้เป็นอินเทอร์เฟซที่มีชนิดข้อมูลและไม่ใช่เชิงสร้างสรรค์อย่างไร และแสดงวิธีให้บริการและ fine-tune โมเดลเหล่านี้ด้วย Transformers และ llama.cpp
องค์กรบน Hugging Face สามารถเชื่อมต่อกับบัญชี Google Cloud ได้แล้ว ทำให้การใช้งาน Hub ปรากฏบนใบแจ้งหนี้ Google Cloud ที่มีอยู่แทนการใช้บัตรเครดิต การตั้งค่าดำเนินการผ่าน Google Cloud Marketplace และครอบคลุมการสมัครสมาชิกแบบ Team หรือ Enterprise, การประมวลผลแบบจ่ายตามการใช้งาน เช่น Jobs, Inference Endpoints, Inference Providers และ GPU Spaces รวมถึงพื้นที่จัดเก็บเพิ่มเติมในราคาสาธารณะของ Hugging Face การสมัครสมาชิกจะได้รับการตรวจสอบโดย Hugging Face ก่อนที่การเรียกเก็บเงินผ่าน marketplace จะเริ่มต้น และองค์กรที่มีบัตรบนไฟล์จะเปลี่ยนในช่วงเริ่มต้นรอบการเรียกเก็บเงินถัดไป
Elith และ NVIDIA ได้เปิดตัว Nemotron-Personas-Finance-Japan ชุดข้อมูลบุคคลสังเคราะห์แบบเปิดสำหรับภาคการเงินของญี่ปุ่น สร้างขึ้นจากสถิติราชการ มีข้อมูลบุคคลจำนวน 9M รายการ (1M ระเบียน × 9 บุคคล) ครอบคลุม 50 ฟิลด์ และประมาณ 1.5B โทเค็น สร้างด้วย NeMo SDG-PGMs และ NeMo Data Designer และเผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0 สำหรับการใช้งานเชิงพาณิชย์
Ai2 เปิดตัว ToyBlocks กรอบการจำลองแบบเปิดที่สร้างขึ้นรอบแขนหุ่นยนต์และบล็อกบนโต๊ะ เป็นFoundationWorldsตัวแรกสำหรับการเรียนรู้และประเมินผลหุ่นยนต์แบบควบคุม กรอบนี้สร้างทักษะและการสาธิตโดยอัตโนมัติผ่าน RL และการวางแผนการเคลื่อนไหวใน Isaac Lab ทำความเร็วได้ถึง 24 เท่าของเวลาจริงบน GPU เดียว และมาพร้อมการสาธิตระยะยาว 85,336 ชุด ครอบคลุมเกือบ 1,600 ชั่วโมงและ 144 ล้านเฟรม ในการทดลองของพวกเขา ความสำเร็จของทักษะระดับอะตอมของ ManiFlow อยู่ที่ 80.0% ในการจำลองและ 81.1% บน Franka FR3 จริง ขณะที่ระบบ Molmo 2 ร่วมกับ ManiFlow ประสบความสำเร็จ 55.5% ของตอนในการจำลองและ 50.0% ในโลกจริง