разбор · агентытема-фронтир · H 1.51
4.0
из 10
смотреть не обязательно — забрать выжимку и пункты
оценка машинная и частично зависит от длины ролика — спорите, открывайте оригинал
Кодинг-агенты эффективны с открытыми примитивами
Your Coding Agent Should Do AI System Engineering — Ben Burtenshaw, Hugging Face
Бен Бартеншоу из Hugging Face показывает, как кодинг-агенты могут решать сложные задачи AI-инженерии: от написания CUDA-ядер до автоматизированных исследований. Главный вывод: агенты эффективны с открытыми примитивами (kernels, Trackio, hub), и для масштабирования нужны стандартные репозитории на хабе.
Агенты эффективны для сложных задач AI-инженерии, если использовать открытые примитивы и хаб; ключ — стандартн
что из этого моё
Видео напрямую применимо: можно внедрить подходы AutoLab для автоматизации экспериментов с моделями, использовать навыки для ускорения разработки, а также применять библиотеку kernels для оптимизации инференса. Это поможет в оркестрации и автоматизации рабочих процессов с LLM.
Что забрать
отметь, что берёшь в работу → или отбрось как не своёмоё →
вынести примеры написания и бенчмаркинга CUDA-ядер в навыки агента
подключить библиотеку kernels для поиска готовых ядер под свою модель
настроить Trackio для чтения parquet-данных и визуализации Gantt-чартов
о чём говорят, по времени
главы доводят до 13:00 · дальше по ролику меток нет
01
Введение и цели00:00 ↗
Докладчик представляет два ключевых вывода: агенты могут решать сложные задачи AI-инженерии, и для этого нужны стандартные репозитории на хабе.
02
CUDA-ядра и эффективность02:30 ↗
Объясняется, что такое ядра, почему память часто является узким местом, и как кастомные ядра повышают арифметическую интенсивность.
03
Библиотека kernels и навыки06:00 ↗
Представлена библиотека kernels от Hugging Face, которая позволяет публиковать и распространять ядра, а также навыки для агентов.
04
Fine-tuning моделей10:30 ↗
Кратко о том, как агенты могут fine-tune модели, используя навыки и интеграцию с хабом.
05
AutoLab: мультиагентные исследования13:00 ↗
Представлен проект AutoLab, который автоматизирует исследовательский процесс с помощью нескольких агентов.