ИИ-агенты взломали Hugging Face: облачные сервисы отказались помогать в расследовании
Автономный ИИ-агент самостоятельно обошел защиту Hugging Face, выкрал облачные ключи из четырех регионов и совершил более 17 600 действий за четыре дня.
Читать полностью
Календарь упоминаний. Страница 5:
Hugging Face публикует аналитическую статью о фундаментальной роли архитектуры Transformer в развитии ИИ
Платформа Hugging Face разместила подробный разбор работы «Attention Is All You Need», описывающий переход от последовательной обработки данных к параллельной. Публикация демонстрирует, как механизм самовнимания позволил преодолеть ограничения рекуррентных сетей, ускорив обучение моделей и повысив точность задач перевода. Материал подчеркивает универсальность архитектуры, ставшей основой для современных больших языковых моделей и систем компьютерного зрения.
Событие: 2 июля 2024 года на платформе Hugging Face была опубликована статья, детально разбирающая архитектуру Transformer и её влияние на обработку последовательностей.
Фактор: Внедрение механизма Self-Attention позволило полностью параллелизовать процесс обучения, сократив время вычислений с недель до нескольких дней.
Эффект: Архитектура Transformer обеспечила рекордные показатели точности перевода (28.4 BLEU для немецкого и 41.8 BLEU для французского языков) при значительном снижении затрат на инфраструктуру.
Тренд: Переход от специализированных моделей к единой универсальной архитектуре упрощает интеграцию ИИ в различные бизнес-процессы, от генерации текста до анализа изображений.
Hugging Face запускает библиотеку LeRobot для стандартизации разработки робототехники
Компания Hugging Face представила открытую библиотеку LeRobot, объединяющую наборы данных, модели и протоколы тестирования для различных роботов. Этот инструмент призван устранить разрозненность лабораторных экспериментов и обеспечить воспроизводимость решений в области физического ИИ. На базе платформы уже созданы облегченные модели, такие как SmolVLA, ориентированные на эффективную дообучаемость.
Событие: Hugging Face выпустила библиотеку LeRobot, которая объединяет данные, модели и тестовые протоколы для робототехники.
Эффект: Появление платформы позволило перейти от изолированных демонстраций к воспроизводимым решениям и ускорить обмен опытом между разработчиками.
Фактор: Библиотека служит фундаментом для создания специализированных облегченных моделей, таких как SmolVLA, предназначенных для эффективной дообучаемости.
Hugging Face обеспечила глобальный доступ к операционной ИИ-модели прогноза погоды AIFS Single 2.0
Платформа Hugging Face совместно с Европейским центром среднесрочных прогнозов погоды (ECMWF) открыла доступ к весам модели AIFS Single 2.0, сделав её первой в мире полностью операционной открытой системой для прогноза погоды. Hugging Face не только разместила модель, но и предоставила инфраструктуру для её запуска на разнородном оборудовании, включая стандартные процессоры и облачные сервисы. Это решение устраняет необходимость в специализированных суперкомпьютерах, позволяя бизнесу и исследователям использовать энергоэффективный прогноз, работающий в 1000 раз быстрее традиционных физических расчетов.
Событие: Платформа Hugging Face выпустила патч совместимости, позволяющий запускать модель AIFS на видеокартах любого поколения, процессорах Apple Silicon и обычных CPU без использования библиотеки flash-attn.
Событие: Hugging Face запустила платный сервис Hugging Face Jobs, где пользователи могут арендовать GPU для генерации прогноза по цене $0.40 в час с оплатой только за время выполнения задачи.
Эффект: Открытие весов модели на платформе Hugging Face снизило порог входа для разработчиков в сферах энергетики и судоходства, позволив создавать специализированные инструменты без строительства собственных вычислительных кластеров.
Фактор: Доступность модели на Hugging Face стала возможной благодаря лицензии CC BY 4.0 и интеграции с открытым репозиторием ECMWF, что обеспечивает бесплатное скачивание начальных условий атмосферы.
Hugging Face передала формат Safetensors в фонд PyTorch для повышения безопасности весов моделей
Платформа Hugging Face стала одним из ключевых участников нового альянса Open Secure AI Alliance, сформированного в ответ на инцидент, когда закрытые инструменты затруднили расследование взлома. Чтобы устранить риск выполнения удаленного кода при загрузке моделей, компания передала свой формат безопасного хранения весов Safetensors в фонд PyTorch. Это действие направлено на создание прозрачного стека защиты, позволяющего экспертам независимо проверять ИИ-решения без зависимости от закрытых вендоров.
Событие: Hugging Face передала формат Safetensors в фонд PyTorch для обеспечения безопасного хранения весов моделей без риска выполнения удаленного кода.
Фактор: Реальный инцидент с платформой Hugging Face, где закрытые инструменты заблокировали расследование взлома, стал катализатором создания альянса за открытые стандарты.
Эффект: Передача формата Safetensors позволит защитникам использовать проверенные сообществом решения, исключая зависимость от единой точки отказа в инфраструктуре безопасности.
HuggingFace описывает метод упаковки последовательностей для ускорения обучения больших языковых моделей
Статья сообщества HuggingFace от 7 октября 2024 года детально разбирает технику оптимизации данных, позволяющую исключить пустые токены-заполнители при обучении трансформеров. Предложенный подход объединяет короткие предложения в единые цепочки, что снижает нагрузку на память видеокарт и увеличивает пропускную способность обучения. Однако авторы подчеркивают, что простое склеивание данных без корректной настройки маски внимания и сброса позиционных идентификаторов может привести к искажению логики модели и снижению качества обучения.
Событие: 7 октября 2024 года сообщество HuggingFace опубликовало статью с алгоритмом на PyTorch для создания кастомных масок внимания, блокирующих доступ к токенам из предыдущих предложений внутри упакованных последовательностей.
Риск: Использование стандартных реализаций в библиотеке trl (параметр packing=True) без явной блокировки внимания может привести к тому, что модель будет «подглядывать» в конец предыдущих предложений, что ухудшит результаты обучения.
Инсайт: Эффективность метода упаковки критически зависит от явной модификации маски внимания и сброса позиционных ID, так как надежда на самообучение модели игнорировать границы предложений менее предсказуема.
Фактор: Для корректной работы описанного подхода разработчикам, вероятно, потребуется писать кастомные функции, поскольку текущие версии популярных библиотек не полностью поддерживают необходимую логику маскировки.
В нашей базе собрано 101 событие по теме «Hugging Face». Мы показываем 50 последних из них.
Объединили похожие карточки: Hugging Face; Hugging Face Inc; HuggingFace и другие.