Papers, modelos e datasets em alta no Hugging Face, além do blog oficial — com leitura editorial em português.
Multimodal agents for visual question answering increasingly operate as multi-step trajectories that interleave perception, retrieval, and reasoning, yet evaluation still largely r…
Visual generation increasingly requires high-resolution images, long videos, and multimodal context, making the quadratic cost of full attention prohibitive.
Vision-language models (VLMs) are increasingly used in embodied agents to interpret visual inputs, reason about spatial relationships, and make task-level decisions based on that r…
Modelo de multimodal · 21 B de parâmetros · MoE — 1.6 mil downloads e 67 curtidas no Hugging Face.
Modelo de visão e linguagem · 27 B de parâmetros — 1.7 mil downloads e 117 curtidas no Hugging Face.
Microsoft is on a mad dash behind the scenes to patch exploits before hackers find them.
Modelo de visão e linguagem — 128.2 mil downloads e 279 curtidas no Hugging Face.
Em vez de amostrar quadros a intervalos fixos, o modelo lê os vetores de movimento que o próprio H.265 já calculou para comprimir o arquivo — e processa só o que mudou. São 75% menos tokens visuais e até 3,5× mais velocidade, num modelo de 4 bilhões de parâmetros.
Modelo de visão e linguagem — 431.5 mil downloads e 228 curtidas no Hugging Face.
Modelo de geração de texto — 1.2 mil downloads e 350 curtidas no Hugging Face.
Modelo de geração de texto — 1.1 mil downloads e 385 curtidas no Hugging Face.
Modelo de visão e linguagem · 35 B de parâmetros · MoE — 287.7 mil downloads e 338 curtidas no Hugging Face.