Segnalazione automatica

Hugging Face rilascia @huggingface/kernels: 207 kernel WebGPU per l'AI locale nel browser

Hugging Face annuncia @huggingface/kernels, libreria JavaScript per caricare ed eseguire kernel WebGPU ottimizzati dall'Hub, con 207 kernel pubblicati come repository versionati (contratti, test di correttezza, benchmark, template WGSL) sotto licenza Apache-2.0. Lancia anche Fleet, strumento di benchmark e test GPU nel browser che, con consenso, raccoglie evidenze su correttezza e prestazioni da hardware reali. Disponibile da npm in versione preview; richiede un browser con supporto WebGPU.

Fonte originale: Hugging Face — blog 2 min di letturaScheda compilata il 24 settembre 2026

Data di pubblicazione riportata dalla fonte: 1 settembre 2026. Non indica l’entrata in vigore di una norma.

Sintesi automatica di una fonte primaria, sottoposta a controlli automatici. Consulta il documento originale per il contesto completo.

La segnalazione

Come leggere questa scheda

Le dichiarazioni sono attribuite alla fonte. Questa scheda non certifica prestazioni, conformita o stato di vigenza di norme e non sostituisce una valutazione professionale.

AI Hugging Face — blog

Gradio presenta gr.Workflow: pipeline AI come grafi di nodi con API REST e deploy automatico

Hugging Face illustra gr.Workflow, funzionalita' integrata in Gradio che rappresenta le pipeline AI come grafi di nodi tipizzati (input, operatori e output) con canvas drag-and-drop, risultati intermedi visibili e ogni output esposto come endpoint REST richiamabile da Python o curl. Il deploy su Hugging Face Spaces avviene con un solo comando e i nodi possono eseguire modelli su GPU.

Multiverse Computing presenta il metodo Quantization-Aware Healing per modelli LLM compressi a 4 bit

Il blog di Hugging Face illustra il paper di Multiverse Computing sul Quantization-Aware Healing, tecnica che distilla da un modello originale pre-compressione invece che dal checkpoint recuperato. Applicata a GPT-OSS 120B compresso a 60B e quantizzato in MXFP4, l'azienda riporta risultati superiori al proprio checkpoint bfloat16 su 7 benchmark su 9, con guadagni maggiori su ragionamento a contesto lungo e matematica, e minore instabilita' rispetto al quantization-aware training.