Custom Vision est un service d'apprentissage automatique proposé par Azure AI qui permet aux utilisateurs de créer, d'entraîner et de déployer des modèles personnalisés capables de reconnaître des images spécifiques. Il prend en charge une gamme de tâches de classification d'images, y compris la détection d'objets et l'annotation d'images. Les utilisateurs peuvent télécharger leurs propres images étiquetées, former leurs modèles et évaluer leur performance, tout cela via une interface web simple. Ce service est conçu pour être évolutif et économique, garantissant que les utilisateurs ne paient que pour ce qu'ils utilisent, que ce soit des heures d'entraînement ou du stockage d'images.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.

PromptsLabs est une plateforme où les utilisateurs peuvent découvrir et partager des prompts pour tester de nouveaux modèles de langue. La bibliothèque pilotée par la communauté fournit une large gamme de prompts à copier-coller ainsi que leurs résultats attendus, aidant les utilisateurs à comprendre et à évaluer les performances de divers LLM. Les utilisateurs peuvent également contribuer leurs propres prompts, garantissant une ressource en constante croissance et à jour.