NVIDIA hat den Universal Sparse Tensor (UST) in nvmath-python v0.9.0 integriert. Die Implementierung verbindet eine DSL für Sparse-Formate mit weitgehend kostenfreier Interoperabilität, polymorphen Operationen, Caching und der Einbindung in bestehende PyTorch-Modelle.
In einem Kaggle-Playground-Wettbewerb zur Vorhersage von Telekom-Kundenabwanderung kamen drei LLM-Agenten, über 850 Experimente und mehr als 600.000 Zeilen Code zum Einsatz. NVIDIA beschreibt einen Human-in-the-loop-Workflow aus EDA, Baselines, Feature Engineering sowie Hill Climbing und Stacking, der in eine vierstufige Lösung mit 150 Modellen mündete.
Die aktuelle Version von NVIDIA FLARE soll föderiertes Lernen ohne tiefgreifendes Refactoring bestehender Trainingsskripte ermöglichen. Dafür teilt die Plattform den Ablauf in eine minimale Client-Integration und portable, Python-basierte Job Recipes für Simulation, PoC und Produktion auf.
NVIDIA fasst zur National Robotics Week neue Plattformen, Open-Source-Komponenten, Forschungsprojekte und Praxisbeispiele aus der Robotik zusammen. Im Mittelpunkt stehen Simulation, synthetische Daten, Foundation Models und Edge-KI für schnellere Entwicklung und Übertragung in reale Umgebungen.
TII stellt mit Falcon Perception ein 0,6B-Parameter-Modell für open-vocabulary Grounding und Segmentierung sowie mit Falcon OCR ein 0,3B-Parameter-Modell für OCR vor. Beide nutzen eine Early-Fusion-Transformer-Architektur mit gemeinsamem Tokenraum für Bild- und Texteingaben und werden im Beitrag mit Benchmarks, Trainingsaufbau und Inferenz-Stack beschrieben.
Sentence Transformers unterstützt in v5.4 multimodale Embedding- und Reranker-Modelle, die Text, Bilder sowie je nach Modell weitere Modalitäten in Retrieval- und Ranking-Workflows nutzen. Der Beitrag zeigt unterstützte Eingabeformate, typische Aufrufe für Encode, Retrieve und Rerank sowie Hardware- und Konfigurationshinweise.
