← Top 100 IA
JBJia-Bin Huang, Professor, University of Maryland

Top 100 IA · États-Unis

Jia-Bin Huang

UMD États-Unis

Score
7 411+101 auj.
Rang
66/198 ↓27
sur 90 jours
−629−7,4 %

Jia-Bin Huang est un chercheur et enseignant en informatique spécialisé dans l'apprentissage automatique, la vision par ordinateur et l'IA. Il partage des analyses techniques, des tutoriels et des mises à jour sur ses recherches principalement sur Twitter et YouTube, en se concentrant sur des sujets comme les mécanismes d'attention, les modèles de diffusion et les architectures de réseaux neuronaux. Son contenu s'adresse aux étudiants, chercheurs et professionnels de l'IA, faisant souvent référence à ses travaux académiques et à son expérience pédagogique.

PartagerXWhatsAppLinkedInFacebook

Données au 26 oct. 2026.

Les chiffres bruts · 90 derniers jours

Vues médianes
27,6 k
par publication
Interactions médianes
640
par publication
Publications
20
sur 90 jours
Abonnés
132,6 k
tous réseaux scorés

Ce qui fait le score

Centiles 0 – 100 face à tous les créateurs suivis.

  • Portée · 30 %81

    Vues moyennes par publication sur 90 jours

  • Engagement · 30 %76

    Réactions moyennes par publication

  • Audience · 30 %76

    Abonnés cumulés, rapportés à la population

  • Régularité · 10 %89

    Rythme de publication (25 posts / 90 j = 100)

Réseaux

132,6 k abonnés cumulés

RéseauAbonnésScore
YouTube@Jia-Bin Huang50 k6 698t3
X@jbhuang060482,6 k7 278t3

30 derniers jours

Les meilleurs posts de Huang

  1. X · il y a 3 j#1
    Wow! Such a cool paper on fixing softmax and cross-entropy! I enjoyed reading this paper today, so I made an explainer to make the ideas more accessible to a broader audience. Check it out: https://t.co/cQXPuQ2bd3
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    59,7 k vues643 interactions

  2. How thousands of GPUs train one AI Data parallelism helps, but not sufficient. We need new ways to split the workload along different axes. Let's learn about 5D (data, tensor, context, pipeline, experts) parallelism a…
    X · hier#2
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    How thousands of GPUs train one AI Data parallelism helps, but not sufficient. We need new ways to split the workload along different axes. Let's learn about 5D (data, tensor, context, pipeline, experts) parallelism a…

    30 k vues585 interactions

  3. DeepSeek Splits the Transformer in Two. Here’s Why.
    YouTube · il y a 28 j#3
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    DeepSeek Splits the Transformer in Two. Here’s Why.

    36,9 k vues535 interactions

  4. Your Softmax Is Broken. Here's the Fix.
    YouTube · il y a 4 j#4
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    Your Softmax Is Broken. Here's the Fix.

    15,1 k vues482 interactions

  5. Training Models Too Big for One GPU | ZeRO & FSDP
    YouTube · il y a 15 j#5
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    Training Models Too Big for One GPU | ZeRO & FSDP

    18,3 k vues465 interactions

  6. How Thousands of GPUs Train One AI: 5 Ways They Work Together
    YouTube · il y a 6 j#6
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    How Thousands of GPUs Train One AI: 5 Ways They Work Together

    15,6 k vues355 interactions

Face-à-face

Comparer Huang avec…