🤗 LeRobot 致力于在 PyTorch 中为真实世界的机器人提供模型、数据集和工具。其目标是降低机器人技术的入门门槛，让每个人都能通过共享数据集和预训练模型来做出贡献并从中受益。
🤗 LeRobot 包含已被证明可应用于真实世界的尖端方法，重点关注模仿学习和强化学习：github.com/huggingface/lerobot
🤗 LeRobot 已提供一系列预训练模型、包含人类收集演示的数据集以及模拟环境，让每个人都能轻松上手。在未来几周，该项目计划为市面上最经济实惠且功能强大的机器人添加越来越多的真实世界机器人支持。
🤗 LeRobot 在 HuggingFace 社区页面上托管预训练模型和数据集：huggingface.co/lerobot
Yesterday, OpenAI released Deep Research, a system that browses the web to summarize content and answer questions based on the summary. The system is impressive and blew our minds when we tried it for the first time.
昨天，OpenAI 发布了 Deep Research，这是一个浏览网页以总结内容并根据总结回答问题的系统。当我们第一次尝试时，这个系统给我们留下了深刻的印象。
One of the main results in the blog post is a strong improvement of performances on the General AI Assistants benchmark (GAIA), a benchmark we’ve been playing with recently as well, where they successfully reached near 67% correct answers on 1-shot on average, and 47.
conda create -n text-generation-inference python=3.9
conda activate text-generation-inference
git clone https://github.com/huggingface/text-generation-inference.git && cd text-generation-inference
BUILD_EXTENSIONS=True make install
conda create -n vllm python=3.10 -y
conda activate vllm
pip install vllm
cd ~/HuggingFace/mistralai/Mistral-7B-v0.1
git clone https://huggingface.co/predibase/magicoder adapters/magicoder
vllm - Using LoRA adapters mistralai/Mistral-7B-v0.
安装依赖库
pip install transformers
from transformers.utils import logging
logging.set_verbosity_error()
from transformers import pipeline
chatbot = pipeline(task="conversational", model="facebook/blenderbot-400M-distill")
from transformers import Conversation
user_message = "What are some fun activities I can do in the winter?"
conversation = Conversation(user_message)
conversation = chatbot(conversation)
print(conversation)
# 继续对话：要在 LLM 上下文中包含之前的对话，您可以添加一条“消息”以包含之前的聊天历史记录。
conversation.add_message(
{
// ...
以下是常见 NLP 任务的列表：
from transformers import pipeline
classifier = pipeline("sentiment-analysis")
classifier("I've been waiting for a HuggingFace course my whole life.")
[{'label': 'POSITIVE', 'score': 0.9598047137260437}]
将一些文本传递到 pipeline 时涉及三个主要步骤：
文本被预处理为模型可以理解的格式。 预处理的输入被传递给模型。
pip install mlx-lm
git clone https://huggingface.co/mlx-community/Mistral-7B-v0.1-LoRA-Text2SQL
lora_fused_model 目录下的所有文件）复制到仓库目录下git add .
git commit -m "Fine tuning Text2SQL based on Mistral-7B using LoRA on MLX"
git push
错误信息：
Phi-2: The surprising power of small language models
def sum_even(numbers):
"""
Returns the sum of all even numbers in the list
"""
return sum(filter(lambda x: x % 2 == 0, numbers))
print(sum_even([1, 2, 3, 4, 5, 6])) # Output: 12
from langchain.embeddings import HuggingFaceEmbeddings
HuggingFaceEmbeddings(model_name='infgrad/stella-base-zh-v2', cache_folder='models/embeddings/')
embeddings = HuggingFaceEmbeddings(model_name='models/embeddings/infgrad_stella-base-zh-v2',
encode_kwargs={'normalize_embeddings': True})
机器学习的成功取决于为用例找到最佳架构、微调模型并将它们部署到生产环境中。 所有这些都需要经验和技能的正确结合。 我们的专家加速计划提供必要的技术专长，以实施最先进的技术、做出更好的决策并更快地进入市场。
硬件专用加速工具
利用英特尔® Neural Compressor 的训练后量化、量化感知训练和动态量化，在对准确性影响最小的情况下更快地建立模型。
使模型更小，对准确性的影响最小，通过英特尔® Neural Compressor 使用简单易用的配置来消除模型权
import openai
import tiktoken
class Conversation:
def __init__(self, prompt, model="gpt-3.5-turbo", temperature=0.8, max_tokens=250):
self.prompt = prompt
self.model = model
self.temperature = temperature
self.max_tokens = max_tokens
self._init_messages()
def _init_messages(self):
self.messages = [{"role": "system", "content": self.prompt}]
// ...