2026. október 24., szombat · Eszközök

A Hugging Face eszköz mutatja meg, mely modellek futnak AWS Trainiumon

A Hugging Face bemutatta a torch-neuronx model support nevű Space-t, amely megmutatja, mely Hugging Face Hub modellek futnak módosítás nélkül az AWS Trainium chipeken. A vállalat közlése szerint az eszköz a letöltésszám és trendi pontszám alapján legnépszerűbb modelleket vizsgálja, soronként feltüntetve a Trainium magok számát, a teljes lefutási időt (fordítással együtt) és a csúcs memóriahasználatot. A cég szerint jelenleg csak Transformers modelleket tesztelnek, kizárólag szöveggenerálási és kép-szöveg feladatokra. Kapcsolódóan az AWS hivatalos blogja ismertette, hogyan tanítható be a Qwen3 modell háromféleképpen egyetlen trn2.48xlarge Trainium2 gépen a torchtitan keretrendszerrel, a TorchNeuron natív PyTorch-integrációjára építve.

Miért fontos?

A gyakorlati tét, hogy fejlesztők előzetesen ellenőrizhetik modelljük Trainium-kompatibilitását, mielőtt GPU helyett AWS saját chipjeire váltanának, ami csökkentheti a tesztelési és migrációs költségeket.

Források

Hugging Face Blog Kutatás AWS Machine Learning Hivatalos

Említve a tudásbázisban

szereplő Hugging Face

Kapcsolódó témák

Napi összefoglalók AI eszközök #AWS Trainium#Hugging Face

Napi összefoglaló

Ez a hír a 2026. október 24., szombat napi AI összefoglaló része.

Kapcsolódó hírek

LeRobot v0.6.0: világmodellek, jutalommodellek és hat új szimulációs benchmark a robotikában

A Hugging Face kiadta a LeRobot keretrendszer v0.6.0 verzióját, amely három világmodell-alapú szabályzatot (VLA-JEPA, FastWAM, LingBot-VA) vezet be – ezek a jövőbeli állapotokat tanulják meg elképzelni a cselekvés előtt. Az új verzió hat szimulációs benchmarkot egyesít a lerobot-eval parancssori eszközben, valamint jutalommodell-API-t (Robometer, TOPReward) kínál a robotsiker automatikus értékeléséhez. A lerobot-rollout CLI DAgger-stílusú, emberi beavatkozásos korrekcióval a sikertelen próbákból tanítóadatot generál. Az adatkezelés oldalán mélységérzékelés, VLM-alapú automatikus nyelvi annotáció, egyedi videókódolás és akár kétszeres gyorsulás érhető el az adatbetöltésben. Megjelent továbbá az FSDP tréning és a Hugging Face Jobs felhőalapú betanítási lehetőség.

Az OpenAI közös token-keretet vezet be a ChatGPT és a Codex között

A The Decoder egy frissített OpenAI támogatási oldalra hivatkozva azt írja, hogy decembertől a Plus, Pro és Business előfizetések egyetlen közös token-keretet osztanak meg a ChatGPT és a Codex között. Az OpenAI ezzel olvasztja be a Work agentikus funkcióit a fő ChatGPT felületbe, amit korábban már bejelentett. A felhasználók a Beállításokban láthatják a fennmaradó keretet és a frissítés idejét; a limit elérésekor várhatnak a megújulásra, előfizetést válthatnak, vagy extra kreditet vásárolhatnak. Az Instant modellel folytatott beszélgetések nem számítanak bele a keretbe, így papíron marad a fix áras szolgáltatás, de a lap szerint az intenzív használat az olcsóbb csomagokon várhatóan gyengébb minőségű válaszokat eredményez majd. A cikk szerint a lépés feltehetően egyrészt a magasabb árú csomagok nemrég megduplázott limitjeire épít, másrészt valószínűleg válasz a ChatGPT egyre bonyolultabbá váló kezelőfelületét ért kritikákra.

Az NVIDIA TensorRT Edge-LLM egyszerűsíti az edge AI-fejlesztést a DGX Sparkon

Az NVIDIA bemutatta a TensorRT Edge-LLM nevű könnyűsúlyú C++ futtatókörnyezetet, amely a vállalat szerint lehetővé teszi, hogy fejlesztők néhány paranccsal AI-modelleket futtassanak és teszteljenek a most 64GB-os kiépítésben elérhető NVIDIA DGX Spark gépen. A trtedge parancssori eszköz letölti a kiválasztott modellt és optimalizált TensorRT motorokat épít, a cég bemutatója szerint a Nemotron-3.5 Lightning modellel néhány lépésben chat-munkamenet indítható, illetve OpenAI-kompatibilis API-kiszolgáló is futtatható helyben. Az NVIDIA közlése szerint a DSpark nevű spekulatív dekódolási módszer három draft tokennel a HumanEval promptokon átlagosan 73,4-ről 126,9 tokenre növelte a másodpercenkénti generálási sebességet, miközben a csúcsmemória-használat 27,9GB maradt. Ugyanez a futtatókörnyezet a vállalat szerint a fejlesztői DGX Sparkról közvetlenül átvihető a Jetson Thor, a DRIVE AGX Thor és az IGX Thor beágyazott платформokra.

A Netflix elosztott rendszerként kezeli a GPU-k megbízhatóságát

A Netflix saját cikkében bemutatta, hogyan épít megbízhatósági platformot nagy léptékű GPU-alapú tréning- és következtetési feladatokhoz. A vállalat szerint a rendszer többrétegű hardverellenőrzéseket (NVIDIA DCGM, hálózati adapter-figyelés), automatikus hibajavítást és hibatűrő tréninget kombinál Kubernetes és Karpenter alapon, hogy egyetlen hibás GPU vagy lassú gép ne állítsa meg a hetekig futó, több száz GPU-t használó modellbetanítást. A Netflix adatai szerint ezzel 99,95% feletti GPU-csomópont-rendelkezésre állást és a feladatok sikerességi arányának körülbelül 98%-ról 99,5% fölé emelését érték el. A platform checkpointingot, rugalmas workereket és az NVIDIA Multi-Instance GPU (MIG) technológiáját is használja, hogy a kisebb következtetési feladatok megosztva, izolált memóriával futhassanak egy GPU-n.