Vibekollen Nytt

AI-nyheter för nyfikna och byggare.

Modeller, verktyg och händelser som formar AI-världen. Hitta nyheter, video och poddar – och följ vad som händer på Vibekollen.

Följ via RSS

Sök och filtrera

Urval Senaste

72 nyheter

Rensa filtren

10 september 2026

BloggHugging Face

Async GRPO with LoRA across HF Jobs: a bucket, a proxy, and no NCCL

Hugging Face har uppdaterat sitt AsyncGRPOTrainer-verktyg (i version 1.14) så att det kan träna adaptrar — små tillägg till AI-modeller — istället för att träna hela modellen. De nya adaptrar är bara några megabyte stora och kan synkroniseras genom en lagringsbucket istället för mellan maskiner. En träningsjobb och två inference-servrar (vLLM) kan nu köra på helt separata maskiner. En liten proxyserver dirigerar varje begäran till rätt server och uppdaterar alla servrar när det finns nya adaptrar. I praktiken blev träningen fem gånger snabbare: från 3 timmar 27 minuter ned till 53 minuter för 500 steg.

10 sep. huggingface.co

BloggHugging Face

Rebuilding AUTOMATIC1111 with Gradio Workflow

Hugging Face har byggt om AUTOMATIC1111, ett populärt verktyg för bildgenerering, som ett visuellt arbetsflöde med 73 noder i Gradio. Workflow1111 innehåller elva olika bildbearbetningsscenarier: textbeskrivning till bild, högupplöst förbättring, bild-till-bild-redigering, bildruta-matriser, automatisk bildanalys, detektion för maskgenerering, bildeffekter, bakgrundsborttagning, metadatalagring och bild-till-video. Användare kan koppla ihop dessa komponenter genom en grafisk yta utan att skriva kod, och ungefär två tredjedelar av arbetsflödet fungerar offline utan nätverksanrop. Man kan duplicera flödet och bygga om det för sina egna behov.

10 sep. huggingface.co

9 september 2026

BloggHugging Face

IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license

IBM har släppt Granite Time Series PatchTST-FM-r2, en uppdaterad modell för att förutsäga tidsserier — till exempel efterfrågan, priser eller energiförbrukning — utan att behöva träna en separat modell för varje dataset. Modellen är cirka 385 miljoner parametrar stor och presterar bäst bland kommersielt användbara modeller enligt GIFT-Eval-jämförelsen från september 2026. Den nya versionen kombinerar en uppdaterad arkitektur med bättre förmåga att förstå både långsiktiga och kortsiktiga mönster i data, och är helt öppen med kod och vikter tillgängliga.

9 sep. huggingface.co

8 september 2026

BloggHugging Face

Safety for Whom? Refusing the Right Subset of a Topic, Not the Whole Topic

Hugging Face presenterar en ny forskning om hur AI-modeller ska vägra att svara på vissa frågor utan att bli för strikta. Problemet är att dagens säkerhetssystem ofta arbetar på tema-nivå — om en modell vägrar att diskutera politik, vägrar den allt om politik. I verkligheten behöver många tillämpningar (en civics-tutor kontra en allmän assistent) olika regler inom samma tema. Forskarna definierar problemet som att identifiera exakt vilka delfrågor inom ett tema som ska vägras, och tränar modeller med parvis motsatta prompter — en som ska vägras, en som ska besvaras. De visar att standard-metoder tappar svåra exempel under träningen, producerar falskt vägring på harmlösa frågor, och att man måste mäta båda sidorna av gränsen för att undvika att bli alltför restriktiv.

8 sep. huggingface.co

3 september 2026

BloggHugging Face

NeoMME: an efficient Multimodal-native and Multilingual Encoder

Hugging Face presenterar NeoMME, en ny AI-modell som är byggd för att förstå både text och bilder tillsammans. Till skillnad från många andra modeller använder NeoMME inte separata komponenter för vision och språk, utan behandlar allt i en enda transformer. Modellen finns i två storlekar (260 miljoner och 800 miljoner parametrar) och är särskilt bra på att söka i dokument genom att analysera sidbilder istället för utvinnad text. Den kan processa omkring 51 sidor per sekund och använder mindre lagringsutrymme än tidigare modeller — 255 gånger mindre per sida enligt testningarna.

3 sep. huggingface.co

BloggNVIDIA

NVIDIA to Acquire Hugging Face

NVIDIA köper Hugging Face för cirka 12,9 miljarder dollar. Hugging Face är en plattform där över 18 miljoner utvecklare, forskare och skapare delar mer än 3 miljoner AI-modeller, 500 000 datasets och 1 miljon applikationer — och över 200 000 företag använder den. NVIDIA lovar att Hugging Face förblir en öppen plattform där utvecklare kan välja vilka modeller, ramverk, molnleverantörer och hårdvara de vill använda, och att Nvidias egen hårdvara inte kommer att krävas. NVIDIA säger att öppna AI-modeller ger starkt-ups, universitet och små företag möjligheten att bygga på avancerade AI-förmågor utan att träna modeller från början.

3 sep. blogs.nvidia.com

BloggHugging Face

Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps

Hugging Face visar hur man kan träna upp en liten AI-modell (350 miljoner parametrar) att ge bättre strukturerade utdata, som giltig JSON. Genom att använda en träningsmetod som kallas GRPO och bara omkring 500 träningsexempel och 100 steg kunde modellen förbättras från 22,6 procent till 29,7 procent på IFStruct-testet. Det viktigaste var att få modellen att producera giltig JSON-kod — andelen korrekta JSON-svar steg från 18 procent till nästan 32 procent. Metoden är billig och passar på gratis GPU-resurser, och visar att även små modeller kan bli tillräckligt pålitliga för verklig användning om man tränar dem rätt.

3 sep. huggingface.co

BloggHugging Face

Give Your Coding Agents a Memory You Own

Hugging Face presenterar funes, ett verktyg som ger kodningsagenter (AI-program som skriver kod) ett eget minne byggt på tidigare arbetssessioner. När agenter söker genom kod, provar olika lösningar och stöter på fel lämnar de spår av vad de gjort och varför — men det är svårt att söka igenom utan ordentlig indexering. funes löser det genom att indexera, rangordna och hämta denna information lokalt på din maskin, så agenten kan återanvända tidigare beslut och upptäckter. Minnet kan också delas privat via Hugging Face, så agenter på olika maskiner kan dela samma minnesbank utan att data skickas till externa tjänster.

3 sep. huggingface.co

BloggHugging Face

Training a coding model to paint watercolours with TRL and OpenEnv

Hugging Face har publicerat en guide om hur man tränar en AI-modell att måla akvareller genom att få den att skriva JavaScript-kod. En video från augusti där en språkmodell skapade vattenfärgsmålningar med p5.brush-biblioteket fick över 1,5 miljoner visningar. I denna artikel reproduceras experimentet med öppna verktyg (TRL och OpenEnv), där modellen belönas baserat på estetisk smak snarare än rätt/fel-svar. Belöningen kommer från två källor: HPSv3, en modell tränad på människors bildpreferenser, och en jämförande domare som bedömer målningar mot en handplockat dataset. Genom att justera viktningen mellan dessa två belöningsmodeller kunde forskarna styra modellens målstil.

3 sep. huggingface.co

2 september 2026

BloggHugging Face

Real-Time Intelligence with IBM Time Series Models on Confluent

IBM och Confluent samarbetar för att göra prognoser och feldetektering på tidsseriedata — såsom temperatur- och hastighetsmätningar från fabrikslinjer — möjlig i realtid utan att behöva specialister. IBMs tidsseriemodeller kan tränas en gång på många olika datasignaler och sedan användas på nya serier de aldrig sett tidigare, och kan berätta vad som kommer härnäst, hur långt beteendet är från normalt, eller vilka inställningar som fungerar bäst. Confluent Cloud hanterar allt som behövs för att köra dessa modeller direkt på strömmande data — ingen separat ML-plattform behövs — och resultaten kan genast användas av system nedströms för varningar, instrumentpaneler eller AI-agenter.

2 sep. huggingface.co

1 september 2026

BloggHugging Face

BenchMIRT: What are LLM benchmarks actually measuring?

Hugging Face presenterar BenchMIRT, en ny metod för att analysera vad AI-modellernas tester faktiskt mäter. Forskare använder denna teknik för att bryta ner benchmarks — de standardiserade tester som bedömer AI-modeller — på frågenivå och se vilka underliggande förmågor som faktiskt driver resultaten. När forskarna analyserade 100 AI-modeller över 16 benchmarks och mer än 34 000 frågor upptäckte de att många tester mäter flera saker samtidigt: till exempel visar BBQ (som ska testa stereotyper) sig också mäta allmän resoneringsförmåga, inte bara säkerhetsbeteende. BenchMIRT använder psykometriska metoder för att skilja dessa signaler åt och göra det tydligare vad ett testresultat faktiskt säger om en modells förmågor.

1 sep. huggingface.co

BloggHugging Face

Introducing @huggingface/kernels: 200+ WebGPU Kernels for Local AI

Hugging Face lanserar @huggingface/kernels, ett bibliotek med över 200 optimerade WebGPU-kernels — små programkomponenter som kör matematiska operationer snabbt på grafikprocessorn direkt i webbläsaren. Varje kernel är publicerad som ett eget paket på Hugging Face Hub med test, benchmarks och instruktioner. De lanserar också Fleet, ett verktyg som körs i webbläsaren för att testa och mäta kernels på användarnas egna datorer, vilket hjälper dem att förstå hur operationerna presterar på olika hårdvara i verkligheten.

1 sep. huggingface.co

28 augusti 2026

BloggHugging Face

The Open ASR Leaderboard Adds Its First Global South Language

Hugging Face har lagt till två nya språkdataset till sin Open ASR Leaderboard — en plattform där tal-till-text-modeller jämförs. De nya dataseten är på engelska och hindi från Indien, med fokus på att mäta hur väl systemen fungerar för olika grupper av människor. Tidigare har benchmarks bara visat ett genomsnittligt värde, men forskning visar att tal-till-text-system ofta fungerar mycket sämre för vissa folkgrupper — till exempel cirka två gånger sämre för svarta talare än vita. Det nya Monsoon-datasetet är designat för att avslöja sådana olikheter genom att variera efter geografi, ålder, kön, typ av enhet och många andra faktorer. I stället för att spela in från ett litet antal talare i långa sessioner, samlades data från nästan 5000 olika talare från hundratals distrikt över hela Indien, många med bara en inspelning vardera.

28 aug. huggingface.co

26 augusti 2026

BloggOpenAI

The Hugging Face incident and the road ahead

OpenAI shares findings from the Hugging Face security incident and the steps we’re taking to strengthen AI model security, monitoring, and alignment.

26 aug. openai.com

BloggHugging Face

Training and Finetuning Multi-Vector Embedding Models with Sentence Transformers

Hugging Face presenterar hur man tränar multi-vector-modeller — en typ av sökmodell som behåller en liten vektor per ord istället för att pressa hela texten till en enda vektor. Det ger finare matchning mellan sökfrågor och dokument men kräver större lagringsplats. Blogginlägget visar vilka komponenter som behövs för att finjustera befintliga modeller eller bygga nya från grunden, och presenterar exempel där en specialiserad medicinsk modell tränades på 14,5 timmar på ett enda grafikkort och överträffade generella sökmodeller.

26 aug. huggingface.co

25 augusti 2026

BloggHugging Face

Granite 4.2 LLMs: How They're Built

IBM har släppt Granite 4.2, en familj av språkmodeller i tre storlekar (3B, 8B och 30B tokens). De är tränade från grunden på ungefär 15 biljoner tokens och är designade för resonemang — de kan "tänka" innan de svarar, och kan köra i ett lätt läge som använder mindre beräkningskraft för enkla frågor. De större modellerna (8B och 30B) kan också använda verktyg, skriva kod och söka på webben. Alla modeller är öppna under Apache 2.0-licensen.

25 aug. huggingface.co

BloggHugging Face

Quantization-Aware Healing: a compressed, 4-bit model that outperforms its full-precision original

Hugging Face presenterar en ny metod kallad Quantization-Aware Healing (QAH) som kan återhämta prestanda i AI-modeller som har både komprimerat sin struktur och konverterats till låg precision (4-bit). Istället för vanliga metoder som QAT eller QAD, distillerar QAH direkt från den ursprungliga, fullstor modellen snarare än från en redan skadad återhämtad version. När de tillämpade metoden på en 120B-modell komprimerad till 60B och kvantiserad till MXFP4, slog den 4-bit-versionen sin egen 16-bit-motsvarighet på 7 av 9 benchmarks — en overkslig omvändning av hur dessa modeller normalt presterar.

25 aug. huggingface.co

BloggHugging Face

Wire It, Run It, Deploy It: AI Workflows in Gradio

Gradio har lanserat gr.Workflow, ett verktyg som låter dig bygga AI-pipelines visuellt genom att dra och koppla ihop noder i en canvas. Varje nod representerar ett steg — det kan vara en egen Python-funktion, en AI-modell från Hugging Face, eller en annan Gradio-app. När du är klar har du samtidigt ett gränssnitt att klicka i, ett REST-API att anropa från kod, och en app du kan deploya direkt till Hugging Face Spaces med ett kommando. Exemplen visar allt från bildredigering och borttagning av bakgrunder till att generera flera AI-konstverk från en prompt parallellt.

25 aug. huggingface.co

21 augusti 2026

BloggHugging Face

How Hugging Face Inference Endpoints, Jobs, and Buckets Power Search on Papers with Code

Papers with Code använder Hugging Face-tjänster för att bygga en smart söksystem för AI-forskningspapper. Systemet kombinerar två sökmetoder — exakt ordmatchning och semantisk sökning som förstår betydelsen — för att hitta relevanta papper även när orden inte står tillsammans. Hugging Face Jobs kör den tunga beräkningen för att skapa vektorer från alla 110 000 papper, Storage Buckets lagrar mellanresultaten, och Inference Endpoints håller sökningen snabb för användarfrågor. Om söktjänsten inte svarar faller systemet automatiskt tillbaka till vanlig textsökning.

21 aug. huggingface.co

BloggHugging Face

Measuring benchmark optimization in speech recognition

Hugging Face presenterar en studie om hur taligenköppningsmodeller (ASR-modeller som skriver ut vad människor säger) ofta optimeras för att klara specifika testset snarare än att transkribera tal noggrant. Forskarna testade 11 populära modeller och upptäckte att flera av de högsta rankade systemeten reproducerade felaktiga referenstranskriberingar från dataseten VoxPopuli och LibriSpeech – även när ljud motsade detta. Modellerna verkar använda akustiska ledtrådar för att känna igen vilket benchmark de testas på, vilket får deras prestationssiffror att se bättre ut än de faktiskt är. Genom att testa med nya röster och tysade tal kunde forskarna visa att modellerna ofta började transkribera korrekt när de inte kunde identifiera datasetet.

21 aug. huggingface.co

Vibekollen Nytt

Hämtar senaste nytt…