Chargement…
Recherche
Utilitaires, cartes de modèles et licences des modèles Llama de Meta.
Framework de tests pour LLM inspiré de pytest, avec des métriques prêtes à l'emploi (fidélité, pertinence, hallucinations).
Bibliothèque de Meta pour la recherche de similarité et le clustering de vecteurs denses, socle de nombreuses bases vectorielles.
Base vectorielle performante écrite en Rust, avec filtres sur les métadonnées et recherche hybride.
Alpaca (2023) : la méthode de Stanford pour créer des données d'instructions synthétiques, qui a lancé la vague des modèles ouverts affinés.
Segment Anything Model 3 de Meta : détecte, segmente et suit des objets dans les images et vidéos à partir d'un texte ou d'un clic.
Bibliothèque de Meta pour la génération audio, avec MusicGen (musique) et AudioGen (effets sonores).
Méthodes de fine-tuning économes en paramètres (LoRA, QLoRA…) pour adapter un grand modèle avec peu de mémoire.
Bibliothèque de Hugging Face pour le post-entraînement des LLM : fine-tuning supervisé, DPO, GRPO et autres méthodes par renforcement.
Métriques et outils pour évaluer la qualité des systèmes RAG et des agents.
Modèles de vision auto-supervisés DINOv3 de Meta, utilisés comme base pour la détection, la segmentation ou l'estimation de profondeur.
Outil collaboratif pour annoter et améliorer des jeux de données avec des experts métier, intégré à Hugging Face.