model-scaling 태그 문서 12개

Tag12건YouTube 2Article 10

#model-scaling

이 태그와 연결된 문서를 한곳에서 모아보고, 함께 자주 등장하는 연관 태그까지 이어서 탐색할 수 있습니다.

연관 태그

문서 목록

총 12건 중 1-12건

Article2026년 9월 2일·👁️ 1

Real-Time Intelligence with IBM Time Series Models on Confluent

IBM과 Confluent는 시계열 파운데이션 모델 4종을 Confluent Cloud에서 사전 공개해, Flink SQL로 실시간 예측과 이상 탐지를 수행하는 통합 환경을 제공한다.

huggingface.co

#apache-flink #apache-kafka #confluent-cloud #ibm-granite

Article2026년 7월 9일·👁️ 2

SensorFM: Towards a general intelligence and interface for wearable health data

SensorFM은 500만 명의 비식별 웨어러블 센서 데이터 1조 분 이상을 자기지도 방식으로 학습해 다양한 건강 예측, 결측 데이터 복원, 적은 라벨을 활용한 적응, 개인 건강 에이전트의 생리학적 근거 제공을 지원하는 범용 파운데이션 모델이다.

research.google

#model-scaling #ai-architecture #multimodal #llm

Article2026년 6월 16일·👁️ 4

Introducing container caching in Amazon SageMaker AI for faster model scaling

Amazon SageMaker AI는 추론 엔드포인트의 신규 인스턴스 확장 시 컨테이너 이미지를 미리 캐시해 이미지 다운로드 병목을 제거하고, 생성형 AI 모델의 스케일아웃 지연을 최대 약 2배 단축한다고 발표했습니다.

aws.amazon.com

#model-scaling #service-design #llm #semiconductors

Article2026년 4월 17일·👁️ 3

Unweight: how we compressed an LLM 22% without sacrificing quality

Unweight는 LLM 가중치의 BF16 지수 바이트를 무손실로 압축하고 GPU 온칩 메모리에서 바로 복원해, 출력 품질을 유지하면서 모델 크기와 HBM 메모리 대역폭 부담을 줄이는 추론용 압축 시스템이다.

blog.cloudflare.com

#model-scaling #ai-architecture #agent-memory #context-compression

YouTube2026년 3월 21일·👁️ 13

How We Scaled Kimi K2.5

오픈 모델을 진짜 경쟁력 있게 만들려면 단순 공개를 넘어, 토큰 효율·긴 컨텍스트·에이전트 스웜이라는 세 축을 함께 확장하고 초대형 학습의 안정성까지 해결해야 한다는 것이 이번 키노트의 핵심입니다.

Kimi AI

#agent-swarm-scaling #gtc-keynote #kimi-ai #kimi-k2-5

YouTube2026년 3월 14일·👁️ 4

인공지능은 쓰나미" (앤트로픽 CEO 인터뷰)

이 인터뷰는 AI를 이미 인간 수준에 가까워진 범용 인지 도구로 보며, 앞으로의 핵심 쟁점은 성능 경쟁보다 권력 집중·사회적 통제·안전한 거버넌스를 어떻게 설계하느냐에 있다고 말한다.

비즈까페

#anthropic-governance #ceo-interview #anthropic #openai

Article2026년 2월 4일·👁️ 5

Sequential Attention: Making AI models leaner and faster without sacrificing accuracy

구글 리서치는 대규모 딥러닝 모델의 부분집합 선택 문제를 학습 과정 안에서 순차적 attention 기반으로 해결해, 정확도를 유지하면서 모델을 더 작고 빠르게 만드는 Sequential Attention을 소개했다.

research.google

#sequentialattention #google-research #sequential-attention #orthogonal-matching-pursuit

Article2025년 11월 5일·👁️ 2

Forecasting the future of forests with AI: From counting losses to predicting risk

ForestCast는 위성 데이터와 딥러닝을 활용해 산림 손실을 사후 집계하는 데서 나아가, 미래의 산림 벌채 위험을 예측하기 위한 공개 벤치마크와 모델 접근법을 제시한다.

research.google

#model-scaling #ai-distribution #search-advertising #zero-click-search

Article2025년 9월 18일·👁️ 4

Judge Arena: Benchmarking LLMs as Evaluators

Judge Arena는 LLM 평가자들을 익명·무작위 대결 방식으로 비교하고, 사람들의 투표를 Elo 리더보드로 집계해 어떤 모델이 더 나은 ‘판사’인지 벤치마킹하려는 플랫폼이다.

huggingface.co

#anthropic #model-scaling #context-compression #prompt-library

Article2024년 9월 25일·👁️ 1

Bamba: Inference-Efficient Hybrid Mamba2 Model

Bamba 9B는 KV cache 병목을 줄이기 위해 Mamba2와 트랜스포머를 결합한 9B급 하이브리드 모델로, 공개 데이터로 학습되고 주요 오픈소스 추론·학습 생태계에서 바로 실험할 수 있도록 공개된 모델이다.

huggingface.co

#model-scaling #ai-architecture #agent-memory #context-compression

Article2024년 3월 12일·👁️ 4

Algorithmic progress in language models

Epoch AI는 사전학습 언어모델에서 같은 성능에 필요한 컴퓨트가 약 8개월마다 절반으로 줄었지만, 지난 10년의 성능 향상은 알고리즘 혁신보다 컴퓨트와 데이터 확장의 영향이 더 컸다고 분석한다.

Anson Ho

#model-scaling #ai-architecture #capex-cycle #llm

Article2023년 7월 28일·👁️ 7

Trading off compute in training and inference

Epoch AI는 훈련 컴퓨트와 추론 컴퓨트가 일정 범위에서 서로 대체될 수 있으며, 특히 대규모 배포 모델에서는 추론 비용 최적화와 고성능 소규모 사용 사이의 균형이 중요하다고 분석한다.

Pablo Villalobos

#epoch-ai #gpt-3 #gpt-4 #pablo-villalobos

#model-scaling

문서 목록

Real-Time Intelligence with IBM Time Series Models on Confluent

SensorFM: Towards a general intelligence and interface for wearable health data

Introducing container caching in Amazon SageMaker AI for faster model scaling

Unweight: how we compressed an LLM 22% without sacrificing quality

How We Scaled Kimi K2.5

인공지능은 쓰나미" (앤트로픽 CEO 인터뷰)

​Sequential Attention: Making AI models leaner and faster without sacrificing accuracy

Forecasting the future of forests with AI: From counting losses to predicting risk

Judge Arena: Benchmarking LLMs as Evaluators

Bamba: Inference-Efficient Hybrid Mamba2 Model

Algorithmic progress in language models

Trading off compute in training and inference

Sequential Attention: Making AI models leaner and faster without sacrificing accuracy