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

Top 100 IA · Estados Unidos

Jia-Bin Huang

UMD Estados Unidos

Score
7.411+101 hoje
Posição
67/198 ↓28
em 90 dias
−629−7,4%

Jia-Bin Huang é um pesquisador e educador em ciência da computação especializado em aprendizado de máquina, visão computacional e IA. Ele compartilha insights técnicos, tutoriais e atualizações de pesquisa principalmente no Twitter e no YouTube, focando em tópicos como mecanismos de atenção, modelos de difusão e arquiteturas de redes neurais. Seu conteúdo é voltado para estudantes, pesquisadores e profissionais de IA, frequentemente fazendo referência ao seu trabalho acadêmico e experiências de ensino.

CompartilharXWhatsAppLinkedInFacebook

Dados de 26 de out. de 2026.

Os números brutos · últimos 90 dias

Visualizações medianas
27,6 mil
por publicação
Interações medianas
640
por publicação
Publicações
20
em 90 dias
Seguidores
132,6 mil
todas as redes pontuadas

O que compõe o score

Percentis 0 – 100 em relação a todos os criadores acompanhados.

  • Alcance · 30%81

    Média de visualizações por publicação em 90 dias

  • Engajamento · 30%76

    Média de reações por publicação

  • Audiência · 30%76

    Seguidores somados, em relação à população

  • Regularidade · 10%89

    Ritmo de publicação (25 posts / 90 d = 100)

Redes

132,6 mil seguidores somados

RedeSeguidoresScore
YouTube@Jia-Bin Huang50 mil6.698t3
X@jbhuang060482,6 mil7.278t3

Últimos 30 dias

Os melhores posts de Huang

  1. X · há 3 dias#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 mil visualizações643 interações

  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 · anteontem#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 mil visualizações585 interações

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

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

    36,9 mil visualizações535 interações

  4. Your Softmax Is Broken. Here's the Fix.
    YouTube · há 4 dias#4
    JBJia-Bin Huang, Professor, University of MarylandJia-Bin Huang

    Your Softmax Is Broken. Here's the Fix.

    15,1 mil visualizações482 interações

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

    Training Models Too Big for One GPU | ZeRO & FSDP

    18,3 mil visualizações465 interações

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

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

    15,6 mil visualizações355 interações

Frente a frente

Comparar Huang com…