'transformers' 검색 결과

Patterns for running AI models locally in browsers using WebGPU, Transformers.js, WebLLM, and ONNX Runtime. Zero API costs, full privacy. Use when "on-device AI, browser AI, WebLLM, Transformers.js, WebGPU, edge inference, offline AI, client-side ML, ONNX web, " mentioned.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Design practical electromagnetic devices including electromagnets, DC and brushless motors, generators, and transformers by bridging theory to application. Use when sizing a solenoid or toroidal electromagnet for a target field or force, selecting motor topology and computing torque and efficiency, designing a transformer for a given voltage ratio and power rating, or analyzing losses from copper resistance, core hysteresis, and eddy currents.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

为 msModelSlim 创建基础 Transformers 模型适配器（Model Adapter）。 包含创建适配器、实现必需接口与注册安装流程。 适用：Decoder-only LLM、理解类 VLM（仅 LLM/text 部分）。 多模态生成（DiT/扩散，含双/多专家）见下方「多模态生成扩展」节，按需加载。 不适用：Encoder-only、非 Transformers 架构。

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Framework para embeddings de última geração em sentenças, textos e imagens. Oferece 5000+ modelos pré-treinados para similaridade semântica, clustering e retrieval. Suporta modelos multilíngues, específicos de domínio e multimodais. Use para gerar embeddings para RAG, busca semântica ou tarefas de similaridade. Melhor para geração de embeddings em produção.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Garanta estrutura válida de JSON/XML/código durante a geração, use modelos Pydantic para outputs type-safe, suporte modelos locais (Transformers, vLLM) e maximize velocidade de inferência com Outlines - biblioteca de geração estruturada da dottxt.ai

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Modelo de espaço de estados com complexidade O(n) versus O(n²) dos Transformers. Inferência 5× mais rápida, sequências de milhão de tokens, sem cache KV. SSM seletivo com design aware de hardware. Mamba-1 (d_state=16) e Mamba-2 (d_state=128, multi-head). Modelos 130M-2.8B no HuggingFace.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Deploy and use the Exasol Transformers Extension AI Functions for NLP inference inside Exasol with notebook-connector. Covers initialize_te_extension, model installation, activation SQL, validation, and safe use of large models.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Run Hugging Face models in JavaScript or TypeScript with Transformers.js in Node.js or the browser.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Expert guidance for deep learning, transformers, diffusion models, and LLM development with PyTorch, Transformers, Diffusers, and Gradio.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Pick the right serving container for a SageMaker model deployment and find its current image URI. Use this skill whenever about to deploy a model to a SageMaker endpoint and an image URI needs to be chosen — including when the user says "deploy this LLM", "host this HuggingFace model", "serve this fine-tuned model", "deploy this embedding model", "host a reranker", "serve a sentence-transformers model", or when about to hardcode any container URI in deployment code. HuggingFace-curated Deep Learning Containers are ALWAYS preferred: HuggingFace vLLM (LLMs and generative rerankers), HuggingFace vLLM-Omni (multimodal), TEI (embeddings/cross-encoder rerankers), HF Inference Toolkit (other transformers). Generic images (AWS vLLM, DJL-LMI, SGLang) are used only when no HuggingFace image is compatible — never merely because they carry a newer version. Never hardcode a container URI from memory and never default to TGI. Prevents stale-image failures and wrong-region URIs.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Trains and fine-tunes vision models for object detection (D-FINE, RT-DETR v2, DETR, YOLOS), image classification (timm models — MobileNetV3, MobileViT, ResNet, ViT/DINOv3 — plus any Transformers classifier), and SAM/SAM2 segmentation using Hugging Face Transformers on Hugging Face Jobs cloud GPUs. Covers COCO-format dataset preparation, Albumentations augmentation, mAP/mAR evaluation, accuracy metrics, SAM segmentation with bbox/point prompts, DiceCE loss, hardware selection, cost estimation, Trackio monitoring, and Hub persistence. Use when users mention training object detection, image classification, SAM, SAM2, segmentation, image matting, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, bounding box models, or fine-tuning vision models on Hugging Face Jobs.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Guarantee valid JSON/XML/code structure during generation, use Pydantic models for type-safe outputs, support local models (Transformers, vLLM), and maximize inference speed with Outlines - dottxt.ai's structured generation library

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Work with state-of-the-art machine learning models for NLP, computer vision, audio, and multimodal tasks using HuggingFace Transformers. This skill should be used when fine-tuning pre-trained models, performing inference with pipelines, generating text, training sequence models, or working with BERT, GPT, T5, ViT, and other transformer architectures. Covers model loading, tokenization, training with Trainer API, text generation strategies, and task-specific patterns for classification, NER, QA, summarization, translation, and image tasks. (plugin:scientific-packages@claude-scientific-skills)

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Optimizes transformer attention with Flash Attention for 2-4x speedup and 10-20x memory reduction. Use when training/running transformers with long sequences (>512 tokens), encountering GPU memory issues with attention, or need faster inference. Supports PyTorch native SDPA, flash-attn library, H100 FP8, and sliding window attention.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

LLM이 JSON, 정규 표현식, Pydantic 타입 정의에 맞춰 답변을 생성하도록 합니다. 텍스트에서 추출한 정보와 분류 결과를 후속 프로그램에서 다루기 쉬운 형식으로 정리합니다.

• 텍스트에서 기업과 제품 정보를 추출할 때
• 정해진 라벨로 리뷰를 분류할 때
• 프로필을 항목별로 정리할 때

Unsloth로 언어 모델을 추가 학습하도록 돕습니다. LoRA와 QLoRA 구현, 기능과 API 확인, 코드 오류 조사, GPU 메모리를 줄이는 학습 방법 탐색을 지원합니다.

• LoRA와 QLoRA 추가 학습 시작
• Unsloth 기능과 API 확인
• 학습 코드의 오류 조사

Axolotl로 대규모 언어 모델을 추가 학습하는 데 필요한 YAML 설정, 데이터 형식과 학습 방법을 안내합니다. 여러 GPU의 설정과 학습 오류, 속도 문제 조사에도 활용합니다.

• 추가 학습용 YAML 설정 작성
• LoRA와 QLoRA 학습 방법 확인
• 데이터 형식과 API 사용법 확인

vLLM으로 대규모 언어 모델을 API로 제공하거나 많은 입력을 일괄 처리하도록 돕습니다. 배포와 성능 모니터링, 메모리 절약, 응답 속도 조정도 다룹니다.

• OpenAI 호환 API를 제공할 때
• 많은 프롬프트를 일괄 처리할 때
• 제한된 GPU 메모리로 모델을 실행할 때

TRL로 언어 모델을 추가 학습해 지시와 사람의 선호에 맞는 답변을 만들도록 안내합니다. 데이터 준비, 학습 방식 선택, 보상 모델 학습과 평가를 다룹니다.

• 답변 예시로 지시 수행을 학습합니다
• DPO로 답변 선호를 학습합니다
• 보상 모델을 쓰는 RLHF를 구성합니다

공통 과제로 대규모 언어 모델의 지식·추론·코드 생성을 평가합니다. 모델 비교표와 학습 단계별 성적 추이를 만들고 평가 결과와 개별 답변을 저장합니다.

• MMLU와 GSM8K로 모델 평가
• 여러 모델의 성적 비교표 작성
• 학습 중 모델의 성적 추적

Track machine learning experiments in W&B, record training settings and metrics, and compare results in dashboards. Automate searches for training settings and keep version histories for models and datasets.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing accuracy across training runs
• Monitoring training progress in dashboards
• Searching for better training settings

답변 평가를 활용하는 강화 학습으로 대규모 언어 모델을 추가 훈련하는 절차를 안내합니다. Megatron-LM과 SGLang을 결합해 데이터 준비, 병렬 실행, 맞춤형 생성을 다룹니다.

• 언어 모델의 GRPO 훈련 시작
• 답변 생성과 훈련을 동시에 실행
• 도구를 사용하는 에이전트 훈련

Chroma로 의미가 비슷한 문서를 찾는 시스템을 구축합니다. 문서와 부가 정보를 저장·갱신하고 조건으로 검색을 좁히며 AI 앱을 시제품으로 만듭니다.

• 의미가 비슷한 문서를 검색할 때
• 검색 자료 기반 AI 답변을 시험할 때
• 문서 데이터를 로컬에 저장할 때

PyTorch FSDP를 활용한 대규모 모델의 분산 학습 구현과 오류 조사를 돕습니다. 공식 문서 기반 자료와 코드 예제로 분할 전략, 혼합 정밀도, 학습 상태 저장을 검토합니다.

• 대규모 모델의 분산 학습을 구현합니다
• FSDP 적용 방법과 분할 전략을 비교합니다
• 혼합 정밀도와 체크포인트 예제를 확인합니다