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

20 augusti 2026

BloggHugging Face

Up to 3.2x Faster Inference with LFM2.5-DSpark

Liquid AI har lanserat DSpark-versioner av sina LFM2.5-språkmodeller som gör inferensen upp till 3,2 gånger snabbare på GPU och 2,87 gånger snabbare på enheter som MacBook Pro. DSpark använder en mindre "draft"-modell (omkring 300 miljoner parametrar) som föreslog tokens som en större modell sedan verifierar — på så sätt delas kostnaderna för att läsa vikter från minne över flera tokens samtidigt. Tekniken reducerar latensen för funktionsanrop med 57 procent i genomsnitt för den minsta modellen. Modellerna finns redan integrerade med llama.cpp och SGLang, två populära ramverk för att köra språkmodeller.

20 aug. huggingface.co

VideoAI Engineer

How I automate my own job at Hugging Face using agents — Niels Rogge, Hugging Face

Niels Rogge på Hugging Face automatiserade sitt jobb att hitta AI-modeller som ligger gömda på Dropbox eller Zenodo och be författare flytta dem till Hugging Face Hub istället. Han byggde lösningen två gånger på olika sätt: först som ett enkelt, förutsägbart arbetsflöde som kör varje natt och skickar personliga meddelanden utan att avslöja att det är automatiserat, senare som en helt autonom loop med bash-kommandon som hanterar uppföljning. Det första sättet var enkelt och billigt, det andra hanterar följdfrågor utan mänsklig inblandning. Resultatet är att tusentals GitHub-issues öppnades automatiskt, och bara två blev negativa.

20 aug. youtube.com

19 augusti 2026

BloggHugging Face

LFM2.5 Q4\_0 Checkpoints from Quantization-Aware Distillation

Liquid AI har släppt optimerade versioner av sin LFM2.5-modell med en teknik som kallas Quantization-Aware Distillation (QAD). Denna metod tar en högprecisions-modell och destillerar den till en komprimerad version som använder mindre minne och kör snabbare, utan att förlora mycket kvalitet — de återfår 97 procent av den ursprungliga prestandan. Modellerna finns i fyra storlekar (från 230 miljoner till 2,6 miljarder parametrar) och är testade på uppgifter som resonemang, instruktionsföljning och verktygsanvändning. Filerna kan användas direkt med llama.cpp eller andra verktyg som stöder GGUF-formatet.

19 aug. huggingface.co

18 augusti 2026

BloggHugging Face

How Much Memory Does Your Agent Actually Need?

Hugging Face presenterar ALTK-Evolve, ett system som låter AI-agenter lära sig från sina egna tidigare försök genom att extrahera riktlinjer och senare använda dem igen — utan att uppdatera själva modellen. Forskarna testade detta på åtta olika AI-modeller och upptäckte något överraskande: mängden minne som hjälper beror helt på vilken modell du använder. Stora kraftfulla modeller som DeepSeek-V3.2 gagnas av alla riktlinjer, medan mindre modeller som gpt-oss-120b presterar bättre med bara ett urval av de viktigaste riktlinjerna. Systemet är billigt att använda — en modell ökade sina rätta svar med 16 procentenheter medan tokenförbrukningen bara ökade med 5 procent.

18 aug. huggingface.co

BloggHugging Face

Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers

Multi-vector-modeller är ett alternativ till vanliga AI-modeller som komprimerar text till en enda vektor. Istället sparar de en liten vektor för varje ord, vilket gör att sökresultaten blir bättre — särskilt när man letar efter något specifikt eller har många krav samtidigt. Nackdelen är att indexet blir mycket större, men med komprimering kan storleken bli jämförbar med vanliga modeller. Hugging Face visar hur man använder dessa modeller med verktyget Sentence Transformers.

18 aug. huggingface.co

17 augusti 2026

BloggHugging Face

Same Cluster, 33 Points More Utilization: What Changed Was the Order

Hugging Face-teamet byggde en smart GPU-fördelningssystem som ordnar vilka jobb som får använda grafikkortet — och i vilken ordning. Istället för att bara fylla upp efter ankomstordning, ser systemet till att viktiga jobb prioriteras och att resurser som är reserverade för trafiktoppar kan användas under lågtrafik. I tester på samma hårdvara med samma arbetsbelastning ökade GPU-användningen med upp till 33 procentenheter och värdet av genomförda jobb steg i genomsnitt 52 procent — bara för att man ändrade ordningen på besluten.

17 aug. huggingface.co

14 augusti 2026

BloggHugging Face

State of Open Models: Summer 2026 Observations

Hugging Face rapporterar att antalet modeller och dataset på deras plattform växer snabbt — modeller steg från 2,43 till 2,96 miljoner under perioden. Kinesiska laboratorier dominerar de största öppna modellerna 2026, ofta miljardvis parametrar större än amerikanska motsvarigheter. Intressant är att många kinesiska lab hoppar över små modeller helt och går direkt till gigantiska versioner, medan företag som Alibaba och Tencent släpper hela spektra. En stor skillnad finns mellan vad utvecklare laddar ner — ofta gamla, stabila småmodeller — och vad som får mest beröm — de nya, stora gränsmodellerna.

14 aug. huggingface.co

13 augusti 2026

BloggHugging Face

Record, train, and deploy from one place with Strands Agents, LeRobot, and Hugging Face Storage Buckets

Hugging Face och AWS Strands Robots möjliggör en slinga där robotar kan spela in demonstrationer, träna på växande datamängder och distribuera nya modeller — allt utan att ladda ned samma data om och om igen. Genom att använda Hugging Face Storage Buckets (ett lagringssystem som bara synkar förändrade delar) och streaming från Hub kan man hålla processen effektiv dag efter dag. Blogginlägget visar hur man bygger detta i praktiken: en robot spelas in via LeRobot-formatet, datan synkas till en bucket, träningen strömmar datasetet direkt från Hub utan att ladda ned allt lokalt, och en tränad modell distribueras tillbaka till roboten med en enkel kodändring.

13 aug. huggingface.co

BloggHugging Face

What We Learned by Reproducing 2,200 papers from ICML

Hugging Face körde en stor hackathon under sommaren 2026 där communityn försökte återskapa resultaten från 2 226 av ICML-konferensens 6 352 accepterade papers — totalt 34 procent av konferensen. Med hjälp av AI-agenter (som Claude Code och andra) checkade deltagarna 35 908 påståenden från dessa papers. Resultatet var blandat: 51 procent av papers hade minst ett påstående som verifierades, men 23 procent hade minst ett påstående som motbevisades eller ifrågasattes. Det visar att vetenskaplig reproducerbarhet är mer komplicerat än bara sant eller falskt — flera oberoende team kom ofta fram till motsatta slutsatser om samma påståenden.

13 aug. huggingface.co

12 augusti 2026

BloggHugging Face

Introducing OlmoEarth embeddings: Custom embedding exports from OlmoEarth Studio for downstream analysis

Hugging Face presenterar OlmoEarth Studio, ett verktyg som låter användare beräkna och exportera inbäddningsvektorer — kompakta numeriska representationer av satellitdata från jorden. Användaren väljer sitt område, tidsperiod och andra inställningar via ett webbgränssnitt eller API, och får tillbaka en fil som kan användas för olika uppgifter. Dessa inbäddningar kan användas för att hitta likartade platser, göra enkla klassificeringar av landtyp från få märkta exempel, eller spåra förändringar över tid. Alla modeller och källkod är öppen, så vem som helst kan se hur inbäddningarna skapas.

12 aug. huggingface.co

BloggHugging Face

LFM2.5-VL-3B for Better and Faster Vision Capabilities for the Edge

Liquid AI presenterar LFM2.5-VL-3B, en vision-language-modell — en AI som kan både se bilder och förstå text. Modellen är liten nog att köra direkt på din telefon eller dator och klarar fyra nya saker bra: förstår skärmar och gränssnitt, kan peka ut objekt när du beskriver dem, kan analysera flera bilder tillsammans, och kan anropa verktyg och funktioner. Modellen är tränad på 34 biljoner tokens med fyra gånger mer bilddata än tidigare versioner och stödjer många språk inklusive icke-latinska skriftsystem. I tester slår den andra modeller i sin storlek när det gäller verkliga bilduppgifter som att läsa dokument, skärmar och grafer.

12 aug. huggingface.co

11 augusti 2026

BloggHugging Face

Thinking of ACE? We Can Do It with Fewer Tokens

Hugging Face presenterar ALTK-Evolve, ett system som lär AI-agenter att använda verktyg mer tillförlitligt genom att spara och återanvända tidigare misstag och framgångar. Det liknar ett äldre system kallat ACE, men skiljer sig i hur det levererar lärdomarna: medan ACE skickar alla inlärda lektion varje gång agenten gör något, skickar ALTK-Evolve bara de mest relevanta. På samma uppgift når ALTK-Evolve samma eller bättre resultat som ACE men använder bara en sjundedel av de symboler (tokens) som ACE behöver — det gör det snabbare och billigare att köra.

11 aug. huggingface.co

10 augusti 2026

BloggHugging Face

Build Low-Latency Multilingual Voice Agents: Open Weights & Full Deployment Control with NVIDIA Magpie TTS

NVIDIA Magpie är ett text-to-speech-verktyg (TTS) som omvandlar text till naturligt tal i 12 språk. Det är utformat för röstapplikationer där snabbhet är kritisk — systemet kan producera det första ljudet på bara 32 millisekunder, vilket ger tid för andra delar av röstpipelinen (uppspelning, språkförståelse) att slutföra sitt arbete. Eftersom modellen är öppen och kan köras på din egen hårdvara, kan du kontrollera latensen helt själv istället för att förlita dig på ett molnbaserat API. Den senaste versionen lägger till stöd för arabiska, koreanska och portugisiska, och förbättrar talsyntes-kvaliteten genom nya träningsdata.

10 aug. huggingface.co

BloggHugging Face

Making Knowledge Distillation Cheap Enough to Run at Scale

Knowledge distillation — träning av mindre AI-modeller för att matcha större modellers prestanda — är dyrbar att genomföra i praktiken. Forskare från Hugging Face har utvecklat två tekniker för att minska kostnaden drastiskt: att cacha lärarmodellens viktigaste förutsägelser en gång istället för att räkna om dem varje gång, och en ny sparsammare beräkningsmetod för träningsförlusten som aldrig håller hela ordförråds-matrisen i minnet samtidigt. Tillsammans minskar dessa förändringar minnesförbrukningen från omkring 250GB till omkring 128GB per träningssteg, vilket gör det möjligt att träna på en enda GPU istället för hundratals.

10 aug. huggingface.co

BloggHugging Face

Meta is back with Muse Glimmer: local, agentic, multimodal, and open source

Meta har lanserat Muse Glimmer, en AI-modell med 30 miljarder parametrar som kan arbeta med text, bilder och videor samtidigt. Modellen är öppen källkod och finns redan integrerad i populära verktyg som transformers, llama.cpp och vLLM. Den använder smartare teknik för att minska minnesförbrukningen och snabba upp genereringen — bland annat kan den dela information mellan flera frågor och använder en optional "drafter"-modul för snabbare kod- och innehållsgenerering.

10 aug. huggingface.co

7 augusti 2026

BloggHugging Face

TutorMoments: Do AI tutors know when to help and when to hold back?

Hugging Face presenterar TutorMoments, ett sätt att testa om AI-modeller kan fungera som bra lärare — specifikt om de vet när de ska hjälpa en elev och när de ska låta eleven göra jobbet själv. De använder verkliga handskrivna transkript från mattelektioner, där erfarna lärare har markerat de kritiska momenten. Sedan låter de AI:n ta över som lärare och ser vad den gör. Resultatet visar att AI-modeller oftast ger för mycket hjälp istället för att låta eleverna tänka själva, även om man kan förbättra det genom att explicit säga till modellen vad balansen mellan stöd och utmaning bör vara.

7 aug. huggingface.co

6 augusti 2026

BloggHugging Face

Baseten on Hugging Face Inference Providers 🔥

Baseten, en plattform för AI-infrastruktur, är nu integrerad som en officiell leverantör av AI-modeller på Hugging Face Hub. Det gör det enklare för utvecklare att använda tusentals modeller direkt från Hub utan att behöva bygga eget. Baseten stödjer chattar och textgenerering med modeller som DeepSeek V4 Flash och Kimi K3. Du kan välja att ansluta med dina egna API-nycklar eller låta Hugging Face dirigera förfrågningarna åt dig — då betalar du genom ditt Hugging Face-konto istället.

6 aug. huggingface.co

4 augusti 2026

BloggHugging Face

Deploy local agents everywhere with LFM2.5-2.6B

Liquid AI presenterar LFM2.5-2.6B, en liten AI-modell (2,6 miljarder parametrar) som är specialiserad för att köra agenter — alltså AI-system som kan använda verktyg och ta flera steg för att lösa uppgifter. Modellen är tränad att fungera bra på mobiler och datorer utan större hårdvara, och uppnår hastigheter på 220 tokens per sekund på en Apple M5 Max och 113 på en AMD Ryzen-processor, allt på under 2,5 GB minne. Enligt testerna slår den modeller som är fyra gånger större när det gäller att följa instruktioner och använda verktyg, även om större modeller är bättre på kodning. Modellen är tillgänglig direkt och fungerar med populära ramverk som llama.cpp och vLLM.

4 aug. huggingface.co

30 juli 2026

BloggHugging Face

GPU Management: Why Idle GPUs Are the New Grounded Aircraft

Hugging Face jämför GPU-hantering med flygbolagens utmaningar: precis som flygplan kostar pengar varje timme de står på marken, kostar GPU-servrar energi och underhåll dygnet runt — oavsett om de faktiskt gör något användbart. Artikeln argumenterar för att medan AI-framsteg tidigare var det viktigaste (större modeller, mer data) är nästa begränsning hur mycket av GPU-kapaciteten som faktiskt används. Företag köper dyr GPU-hårdvara för att slippa API-kostnader, men måste då också lösa ett nytt problem: hålla hårdvaran sysselsatt istället för att låta den stå tomgång.

30 juli huggingface.co

28 juli 2026

BloggHugging Face

The OlmoEarth Platform: Geospatial inference at planetary scale

Allen Institute for AI har byggt OlmoEarth Platform, en infrastruktur för att köra AI-modeller på satellitbilder i stor skala. Plattformen kan analysera områden stora som kontinenter på ungefär en dag och kostar bara bråkdelar av en cent per kvadratkilometer. Den delar upp jobbet i tre faser — att hämta och förbereda bilder (CPU), köra modellen (GPU), och slutligen stitcha ihop resultaten till kartor — för att utnyttja hårdvaran effektivt. Regeringar, organisationer och miljögrupper använder redan modellerna för att övervaka avskogning, matsäkerhet och skogsbrandrisker.

28 juli huggingface.co

Vibekollen Nytt

Hämtar senaste nytt…