Gemma 3

Bằng chứng (8)

• 5The New Stack·29/9/2026open_source
  Featherless ra mắt Simple Jev cho phân loại zero-shot

  Featherless đã phát hành Simple Jev, một thư viện mã nguồn mở biến các mô hình AI nguồn mở thành công cụ phân loại zero-shot tốc độ cao. Công ty cho biết giải pháp này giúp giảm độ trễ và chi phí tính toán bằng cách trả về trực tiếp quyết định dạng phân loại hoặc nhị phân, đồng thời các endpoint do Featherless lưu trữ còn hỗ trợ ra quyết định từ hình ảnh với một số mô hình Gemma và Qwen.

• 6Hacker News·12/8/2026open_source
  llama.cpp thúc đẩy AI chạy hoàn toàn cục bộ trên thiết bị cá nhân

  llama.cpp được giới thiệu như một cách mã nguồn mở, ưu tiên quyền riêng tư để chạy các mô hình AI tiên tiến hoàn toàn trên phần cứng cục bộ, không cần API key, telemetry hay phụ thuộc đám mây. Bài viết cũng nêu các tùy chọn cài đặt, tích hợp tác nhân lập trình cục bộ qua pi-llama và Pi, cùng khả năng hỗ trợ rộng trên CPU và GPU từ laptop đến cụm máy chủ.

• 7Hacker News·29/7/2026open_source
  Bộ máy mã nguồn mở bằng Swift chạy Gemma 4 26B trên 2 GB RAM cho Mac M-series

  Một tác giả trên Hacker News giới thiệu TurboFieldfare, bộ máy suy luận mã nguồn mở viết bằng Swift và Metal, có thể chạy mô hình Gemma 4 26B-A4B-IT 4-bit trên Mac M-series với khoảng 2 GB RAM. Hệ thống stream các expert được định tuyến từ SSD trong khi giữ phần dùng chung của mô hình và KV cache trong bộ nhớ; tác giả cho biết đạt 5–6 tok/s trên MacBook Air M2 và 31–35 tok/s trên MacBook Pro M5.

• 6Hacker News·29/6/2026open_source
  HackerRank mã nguồn mở hệ thống ATS, cho thấy điểm số LLM biến động

  Một bài đăng trên Hacker News bàn về hệ thống theo dõi ứng viên (ATS) mã nguồn mở của HackerRank và cho thấy cùng một bản CV có thể nhận điểm rất khác nhau qua nhiều lần chạy. Tác giả cho rằng việc chấm điểm CV bằng LLM có độ bất định cao ở một số hạng mục, khiến các ngưỡng tuyển dụng trở nên thiếu tin cậy.

• 5Hugging Face Blog·22/6/2026open_source
  Mô hình cục bộ tự động phân loại issue OpenClaw miễn phí

  Hugging Face mô tả việc dùng các mô hình mã nguồn mở chạy cục bộ trong một agent harness để phân loại issue và pull request trong kho OpenClaw. Cách triển khai này hướng tới thông báo gần như thời gian thực và giảm phụ thuộc vào các mô hình đóng trả phí bằng cách chạy trên phần cứng nội bộ với quyền truy cập chỉ đọc vào kho mã.

• 8Hugging Face Blog·4/6/2026model_release
  NVIDIA ra mắt Nemotron 3.5 Content Safety cho thực thi chính sách doanh nghiệp đa phương thức

  NVIDIA giới thiệu Nemotron 3.5 Content Safety, một mô hình hợp nhất xử lý đầu vào đa phương thức, hỗ trợ đa ngôn ngữ, thực thi chính sách tùy chỉnh và dấu vết suy luận tùy chọn trong một lần suy luận duy nhất. Bản phát hành này cũng đi kèm bộ dữ liệu an toàn, hướng tới hỗ trợ các quy trình kiểm duyệt an toàn trong ứng dụng AI doanh nghiệp trên nhiều ngôn ngữ và phương thức.

• 5Hugging Face Blog·3/2/2026research
  Bài học từ ablation khi huấn luyện mô hình chuyển văn bản thành ảnh

  Hugging Face đăng phần thứ hai trong loạt bài của Photoroom về cách huấn luyện từ đầu các mô hình nền tảng tạo ảnh từ văn bản hiệu quả. Bài viết xem lại cấu hình nền tảng Flow Matching cho mô hình PRX-1.2B và đánh giá những điều chỉnh huấn luyện nào thực sự giúp cải thiện hội tụ, độ ổn định và hiệu quả.

• 7Hugging Face Blog·20/1/2026research
  Differential Transformer V2

  Hugging Face Blog giới thiệu Differential Transformer V2, một thiết kế attention mới tăng gấp đôi số query heads nhưng giữ nguyên số key-value heads. Bài viết cho rằng cách này giúp tốc độ suy luận tương đương Transformer tiêu chuẩn, không cần kernel attention tùy chỉnh, đồng thời vẫn giữ nguyên kích thước projection đầu ra với bước trừ vi phân giữa các cặp head.