Recientemente, Black Forest Labs publicó un conjunto de modelos de IA de texto a imagen. Estos modelos se dicen que tienen una calidad de salida mucho mayor. Probémoslos

La comida deliciosa también es un placer para los ojos.
Pero en este post compararemos dos sistemas de búsqueda basados en IA, Farfalle y Perplexica.

Podemos escribir una función lambda para la implementación en AWS en varios idiomas. Comparemos el rendimiento de funciones (casi vacías) escritas en JavaScript, Python y Golang…

¡Eso es muy emocionante!

En lugar de llamar a Copilot o Perplexity.ai y contarle al mundo lo que buscas, ahora puedes alojar un servicio similar en tu propio PC o laptop.

Recientemente hemos visto la liberación de varios nuevos LLMs. Tiempo emocionante. Vamos a probar y ver cómo se desempeñan al detectar falacias lógicas.

Aún así, existen algunos enfoques comunes para escribir buenos prompts de manera que los modelos de lenguaje no se confundan al intentar entender lo que deseas.

He probado diferentes herramientas y he llegado a la conclusión de que prefiero floccus.

A veces necesito esto pero no puedo encontrarlo inmediatamente.
Así que los mantengo todos aquí.

Cuando entrené un detector de objetos AI hace algún tiempo - LabelImg fue una herramienta muy útil, pero la exportación desde Label Studio a formato COCO no era aceptada por el marco MMDetection..

Prueba de cómo se comportan los modelos con diferentes números de parámetros y cuantización.

Después de instalar ollama es mejor reconfigurar ollama para que los almacene en un nuevo lugar de inmediato. Así, después de que descarguemos un nuevo modelo, no se descargará en la ubicación antigua.

Puedes instalar un complemento o extensión de bloqueo de anuncios en el navegador para Google Chrome, Firefox o Safari, pero tendrás que hacerlo en cada dispositivo.
El bloqueador de anuncios a nivel de red es mi solución favorita.

Después de clonar el repositorio git, realice la configuración del repositorio local, especialmente establezca el nombre de usuario y la dirección de correo electrónico.

Cuando el sitio se genera con hugo, es el momento de desplegarlo en alguna plataforma de alojamiento. Aquí está la forma de empujarlo a AWS S3 y servirlo con AWS CloudFront CDN.

Comparando la velocidad de predicción de varias versiones de LLMs: llama3 (Meta/Facebook), phi3 (Microsoft), gemma (Google), mistral (open source) en CPU y GPU.

Aquí estoy comparando varias versiones de LLM: Llama3 (Meta), Phi3 (Microsoft), Gemma (Google), Mistral Nemo (Mistral AI) y Qwen (Alibaba).