Aspire 13 adds official, first-class Python support so distributed apps can orchestrate Python services natively alongside other Aspire resources.

قدمت Aspire 13 دعمًا رسميًا للغة بايثون، مما يسمح للتطبيقات الموزعة بتنظيم خدمات بايثون بشكل أصلي جنبًا إلى جنب مع الموارد الأخرى ضمن إطار Aspire. هذه التحسينات تجعل بايثون عبء عمل من الدرجة الأولى بالتزامن مع .NET وJavaScript.

Aspire 13 ha introducido soporte oficial para Python, permitiendo que las aplicaciones distribuidas orquesten servicios de Python de manera nativa junto a otros recursos dentro del marco de Aspire. Esta mejora posiciona a Python como una carga de trabajo de primera clase junto a .NET y JavaScript.

Aspire 13 a introduit un support officiel pour Python, permettant aux applications distribuées d'orchestrer des services Python de manière native aux côtés d'autres ressources au sein du cadre Aspire. Cette amélioration positionne Python comme une charge de travail de premier plan en conjonction avec .NET et JavaScript.

Aspire 13 has introduced official support for Python, allowing distributed applications to orchestrate Python services natively alongside other resources within the Aspire framework. This enhancement positions Python as a first-class workload in conjunction with .NET and JavaScript.

Aspire 13 Makes Python a First-Class Workload with .NET and JavaScript

arXiv:2512.10061v1 Announce Type: new 
Abstract: Large Language Models (LLMs) have become effective zero-shot classifiers, but their high computational requirements and environmental costs limit their practicality for large-scale annotation in high-performance computing (HPC) environments. To support more sustainable workflows, we present \textsc{Text2Graph}, an open-source Python package that provides a modular implementation of existing text-to-graph classification approaches. The framework enables users to combine LLM-based partial annotation with Graph Neural Network (GNN) label propagation in a flexible manner, making it straightforward to swap components such as feature extractors, edge construction methods, and sampling strategies. We benchmark \textsc{Text2Graph} on a zero-shot setting using five datasets spanning topic classification and sentiment analysis tasks, comparing multiple variants against other zero-shot approaches for text classification. In addition to reporting performance, we provide detailed estimates of energy consumption and carbon emissions, showing that graph-based propagation achieves competitive results at a fraction of the energy and environmental cost.

الإطار الجديد، Text2Graph، يجمع بين نماذج اللغة الكبيرة الخفيفة (LLMs) والشبكات العصبية البيانية (GNNs) لتحسين تصنيف النصوص، خاصة في السيناريوهات التي تعاني من نقص في العلامات. هذه الحزمة مفتوحة المصدر بلغة بايثون تسمح بتبادل مرن للمكونات، بما في ذلك مستخرجات الميزات واستراتيجيات العينة، وقد تم تقييمها عبر خمسة مجموعات بيانات لمهام التصنيف بدون تدريب مسبق.

El nuevo marco, Text2Graph, combina modelos de lenguaje de gran tamaño (LLMs) ligeros con redes neuronales gráficas (GNNs) para mejorar la clasificación de texto, especialmente en escenarios con etiquetas limitadas. Este paquete de Python de código abierto permite un intercambio flexible de componentes, incluidos extractores de características y estrategias de muestreo, y se ha evaluado en cinco conjuntos de datos para tareas de clasificación sin entrenamiento previo.

Le nouveau cadre, Text2Graph, intègre des modèles de langage de grande taille (LLMs) légers avec des réseaux de neurones graphiques (GNNs) pour améliorer la classification de texte, en particulier dans des scénarios avec peu d'étiquettes. Ce package Python open-source permet un échange flexible de composants, y compris des extracteurs de caractéristiques et des stratégies d'échantillonnage, et a été évalué sur cinq ensembles de données pour des tâches de classification zéro-shot.

The newly introduced framework, Text2Graph, integrates lightweight large language models (LLMs) with graph neural networks (GNNs) to enhance text classification, particularly in scenarios with limited labels. This open-source Python package allows for flexible component swapping, including feature extractors and sampling strategies, and has been benchmarked across five datasets for zero-shot classification tasks.

Aspire 13 Makes Python a First-Class Workload with .NET and JavaScript

Was this article worth reading? Share it

Ready to build your own newsroom?