✷ アーカイブ · ラボ 11 拠点 · ディスパッチ 870 件
ラボ
毎朝十数個の公式ブログを開いて回る必要はありません。OpenAI、Anthropic、DeepMind などの一次発表を、要点を抜き出した形で。
Profiling in PyTorch (Part 3): Attention is all you profile
Hugging Faceの「Profiling in PyTorch (Part 3)」では、異なるアテンション実装がPyTorchプロファイラ・トレースにどのように現れるかを示し、naive、in-place、math、efficient、flash、およびcuDNNバックエンドのパフォーマンスのトレードオフを明らかにします。
Hugging Face ネイティブ速度 vLLM Transformers モデリングバックエンド
Hugging Face は、実行時に推論専用のレイヤーフュージョンを動的に適用することで、カスタム vLLM 実装のスループットに匹敵またはそれを上回るように transformers vLLM バックエンドを更新しました。
Hugging Face と Amazon SageMaker Studio の統合
Hugging Face は Amazon SageMaker AI とディープリンク統合を導入し、開発者がモデルの発見から SageMaker Studio でのファインチューニングまたはデプロイまでをワンクリックで行えるようにしました。
Foundry Managed Compute 上の Hugging Face モデル
Microsoft Foundry は、企業レベルの運用を実現するために、ワンクリックで Foundry Managed Compute 上にデプロイ可能な、毎週更新される厳選された Hugging Face オープンウェイトモデルのカタログを統合しました。
Hugging Face と SkyPilot のゼロエグレス AI ストレージ統合
Hugging Face と SkyPilot は統合され、Hugging Face Hub に保存されたモデルとデータセットの読み取りにゼロエグレス コストで、任意のクラウド プロバイダー上で AI ワークロードを実行できるようになりました。
LeRobot v0.6.0 リリースノート / 新機能
LeRobot v0.6.0 は、ワールドモデルポリシー、拡張された VLA モデルズー、統合された報酬モデル API、および DAgger スタイルのヒューマン・イン・ザ・ループ修正を備えた新しいデプロイ用 CLI を導入します。
PRX データ戦略: VLM 再キャプションと Mosaic Streaming による事前学習のスケールアップ
Photoroom は、7B パラメータモデルの最適化のために、長い VLM 生成キャプションの使用、Lance と Mosaic Data Shards のハイブリッド ストレージ戦略、および高品質な JPEG エンコーディングを強調した PRX のデータパイプラインの詳細を説明しています。
Hugging Face Kernels Major Updates
Hugging Faceは、Kernelsプロジェクトのメジャーアップデートを発表しました。新しいカーネルリポジトリタイプの導入、信頼できるパブリッシャーとコード署名、刷新されたCLI、より広範なフレームワークサポート、およびエージェントによるカーネル開発のための基盤が含まれます。
Hugging Face と Cerebras の Gemma 4 を使ったリアルタイム音声 AI
Hugging Face と Cerebras は、Gemma 4 31B を使用したオープンなカスケード型音声間音声パイプラインを開発し、自然で低遅延の音声 AI インタラクションを可能にしました。
ScarfBench: エンタープライズ Java フレームワーク移行のための AI エージェントベンチマーク
IBM Research は、Spring、Jakarta EE、および Quarkus フレームワーク間でエンタープライズ Java アプリケーションを移行する AI エージェントの能力を評価するオープンベンチマークである ScarfBench を紹介します。
なぜAIシステムにおける専門化は避けられないのか
Goldfeder et al. の 2026 年の研究に基づき、有限なリソースが集中した容量を広範な一般性よりも効果的にするため、専門化は AI のパフォーマンスにおける構造的必要性である。
Hugging Face Community Evals と Every Eval Ever (EEE) の統合
Hugging Face は、Community Evals と Every Eval Ever (EEE) プロジェクトを統合し、標準化された評価結果のクロス投稿と、モデルページと詳細な技術的記録の間の直接的なリンクを可能にしました。
DiScoFormer: 分布にわたる密度とスコアのための単一トランスフォーマー
DiScoFormerは、データ点のセットから分布の密度とスコアを単一のフォワードパスで推定し、新しい分布に対して再トレーニングを必要としない新しいトランスフォーマーベースのモデルです。
Hugging Face Jobs: 1コマンドで vLLM サーバーをデプロイ
Hugging Face は、HF Jobs を介した 1 コマンドで、プライベートで OpenAI 互換の vLLM エンドポイントをそのインフラストラクチャ上にデプロイできるようになり、テスト、評価、バッチ生成のための従量課金（1秒単位）の代替手段を提供します。
NVIDIA NeMo AutoModel が Mixture-of-Experts モデルのファインチューニングを加速
NVIDIA NeMo AutoModel は、Expert Parallelism、DeepEP、TransformerEngine カーネルを活用し、Hugging Face Transformers v5 上に構築することで、Mixture-of-Experts モデルのファインチューニングにおいて 3.4‑3.7 倍のトレーニングスループットと 29‑32% の GPU メモリ使用量削減を実現します。インポートを 1 行変更するだけで利用可能です。
Hugging Face FFASR リーダーボード: ファーフィールド ASR のベンチマーク
Hugging Face と Treble Technologies は、現実的な音響環境におけるニアフィールドとファーフィールドの Automatic Speech Recognition (ASR) のパフォーマンスギャップを定量化する、最初のオープンコミュニティ主導のベンチマークである FFASR リーダーボードを発表しました。
Cross-Origin Storage API を使った Transformers.js の実験
Hugging Face は、Transformers.js が実験的な Cross-Origin Storage API を使用してハッシュによってモデルと Wasm リソースをキャッシュし、オリジン間での重複ダウンロードをなくす方法を示しています。
Hugging Face huggingface_hub リリース自動化
Hugging Faceは、オープンソースツールとオープンウェイトモデルを使用した、AI駆動のヒューマン・イン・ザ・ループ（人間が介在する）CI/CDパイプラインを実装することにより、huggingface_hubのリリースサイクルを4〜6週間から週次へと移行しました。
PP-OCRv6 リリース：1.5M から 34.5M パラメータの 50 言語 OCR
PaddlePaddle は、パラメータ数が 1.5M から 34.5M の範囲で、50 言語に対応するスケーラブルな OCR モデルファミリー PP-OCRv6 をリリースしました。
Hugging Face のローカルモデルによる OpenClaw PR トリアージ
Hugging Face は、Gemma 4 や Qwen 3.6 といったローカルモデルをエージェント型ハーネスにデプロイすることで、OpenClaw リポジトリの GitHub Issue と Pull Request をリアルタイムかつコストゼロでトリアージできることを実証しました。
MosaicLeaks: 深層リサーチエージェントにおけるプライバシー漏洩への対策
Hugging Face は、研究エージェントが外部ウェブクエリを通じてプライベートな企業データを漏洩するのを防止するためのベンチマーク **MosaicLeaks** と、プライバシー対応深層リサーチ (PA-DR) 訓練手法を導入しました。
Hugging Face のエージェントツールにおけるオープンモデルのベンチマーク
Hugging Face は、新しいベンチマークハーネスを導入し、異なるモデルサイズとライブラリの改訂が、ソフトウェアツールを使用するコーディングエージェントの効率と成功率にどのように影響するかを評価します。
Hugging Face PEFT：LoRA の代替手段の評価
要約： Hugging Face の PEFT ライブラリに対するベンチマークは、LoRA が広く普及している一方で、OFT や Lily といった他のパラメータ効率の高いファインチューニング手法が、タスクに応じてメモリ効率とテスト精度の両面で LoRA を上回ることがあることを示しています。
Strands Robots と LeRobot の統合: Hugging Face Hub データセットから実機ロボット展開まで
Hugging Face は Strands Robots SDK と LeRobot の統合を発表し、ユーザーがロボットデモを記録し Hub にプッシュ、シミュレーションでポリシーを実行、引数を一つ変えるだけで同じコードを実機 SO‑101 ロボットにデプロイでき、さらに Zenoh ベースのメッシュで複数ロボットを協調させることが可能になりました。
GLM-5.2: 長期タスク向けに構築
Z.AIによってHugging FaceでリリースされたGLM-5.2は、堅実な1Mトークンのコンテキスト、IndexShareとMTPの強化による改善されたアーキテクチャ、努力レベルの制御、および長期コーディングベンチマークにおける強力なオープンソースパフォーマンスを導入します。
エージェントリソースディスカバリー（ARD）仕様と Hugging Face 実装
Hugging Face は、AI エージェントが実行時にツール、スキル、他のエージェントを動的に検索し統合できるオープン標準であるエージェントリソースディスカバリー（ARD）仕様のリファレンス実装を開始しました。
PyTorch におけるプロファイリング（パート 2）：nn.Linear から融合 MLP へ
Hugging Face は、GPU カーネルの融合、torch.compile の影響、そして kernels ライブラリを用いた手動チューニングカーネルの使用を分析することで、PyTorch におけるマルチレイヤーパセプトロン（MLP）の最適化方法を解説しています。
Hugging Face Spaces agents.md が自動3Dマルチメディアパイプラインを可能にする
コーディングエージェントが、既存の2つのSpace（画像生成用と単一画像3D再構成用）を連鎖させることで、パリの記念碑を3D Gaussian splatとして紹介する静的なHugging Face Spaceを自動的に構築しました。これは、`agents.md`がいかにしてあらゆるSpaceをマルチメディアパイプラインのための構成可能なビルディングブロックに変えるかを示しています。
GitHub CI を Hugging Face Jobs に移行する
Hugging Face は、サーバーレスの Hugging Face Jobs インフラストラクチャで GitHub Actions を実行する方法を導入し、GPU アクセラレーションされた CI を可能にし、CPU ジョブのランタイムを最大 30% 削減します。
OpenEnv: オープンソースAIのためのエージェンティックRL環境の標準化
Hugging FaceはOpenEnvをコミュニティ調整プロジェクトに移行し、エージェンティック強化学習環境の相互運用性レイヤーとして機能させました。
NVIDIA Nemotron 3.5 Content Safety リリース
NVIDIAは、企業向けAI向けに、カスタムポリシーの適用とオプションの推論トレースを備えた、4Bパラメータのマルチモーダル・多言語安全性モデルである Nemotron 3.5 Content Safety をリリースしました。
Hugging Face hf CLI のエージェント最適化設計により、トークン使用量を削減し成功率を向上
Hugging Face は、hf CLI のエージェント向け再設計を発表しました。これにより、Claude Code や Codex のようなコーディングエージェントにおいて、トークン使用量を最大 6 分の 1 に削減し、成功率を向上させることが可能になります。
チャットボットを超える直接的好み最適化
提供されたソース資料は、Hugging Faceの429レートリミットエラーページであり、Direct Preference Optimizationに関する技術的内容は含まれていません。
Hugging Face レートリミットにより 'Adding MCP Tools to Reachy Mini' 投稿へのアクセスがブロックされました
Hugging Face のリンク 'Adding MCP Tools to Reachy Mini' のブログ投稿は 429 レートリミット エラーを返すため、要約できるコンテンツはありません。
TITLE: Holo3.1: 高速かつローカルなコンピュータ使用エージェント
SUMMARY: Holo3.1 の提供されたソース素材は、429 レートリミットエラーにより利用できず、技術的な詳細は提供されませんでした。
JetBrains Mellum2 リリース
JetBrainsは12B Mixture-of-Experts (MoE) モデルであるMellum2のリリースを発表しましたが、提供されたソース資料はエラーページであり、技術的な詳細は含まれていません。
LLMを超えて：なぜスケーラブルなエンタープライズAIの導入がエージェント・ロジックに依存するのか – 要約
Hugging Faceの「Beyond LLMs: Why Scalable Enterprise AI Adoption Depends on Agent Logic」に関する投稿は取得できなかったため、技術的な詳細は要約できません。
PyTorchにおけるプロファイリング：torch.profiler入門ガイド
Hugging Face は、torch.profiler を使用してボトルネックを特定し、CPU‑GPU ディスパッチチェーンを理解し、torch.compile がカーネル実行に与える影響を分析するための包括的なガイドを提供しています。
Reachy Mini ローカル音声バックエンド統合
Hugging Face は Reachy Mini 用のローカル音声間音声パイプラインをリリースし、カスケードされた VAD、STT、LLM、TTS スタックを使用してロボットが会話を完全にローカルで処理できるようにしました。
TRLにおけるDelta Weight Syncにより、最小限の帯域幅で兆単位のパラメータを持つモデルの学習が可能に
Hugging Faceは、Hugging Face Bucketsを介してスパースな重みの変更のみを送信することで、非同期RLトレーニングにおける重み同期の帯域幅を100倍以上削減し、共有クラスターなしでの分散トレーニングを可能にするTRLの「Delta Weight Sync」を発表しました。
Hugging Face AI Agent 用語集: ハーネス、スキャフォールド、およびエージェントアーキテクチャの定義
Hugging FaceはAIエージェントのための標準化された語彙を提供し、エージェントをモデル、実行のためのハーネス、および振る舞いの定義のためのスキャフォールディングの組み合わせとして定義します。
OlmoEarth v1.1 リリースノート / 新機能
Hugging Face と AllenAI は、OlmoEarth v1.1 をリリースしました。これは、v1 と同様のパフォーマンスを維持しながら、計算コストを最大 3 倍削減する地球観測モデルのファミリーです。
Ettin Reranker ファミリー v1 リリースノート
Hugging Face は、mxbai-rerank-large-v2 から蒸留された 17M から 1B パラメータの 6 つの CrossEncoder リランカーからなる Ettin Reranker ファミリーをリリースし、検索リランクの品質と速度で最先端を実現しました。
PaddleOCR 3.5 リリースノート / 新機能
PaddleOCR 3.5 は、サポートされた推論バックエンドとして Hugging Face Transformers を導入し、OCR および文書解析モデルが PyTorch ベースのワークフローによりシームレスに統合できるようにします。
Granite エンベディング マルチリンガル R2 リリース: オープン Apache 2.0 マルチリンガル エンベディング 32K コンテキスト
IBM Granite は、32K トークン コンテキスト、200 以上の言語サポート、およびサブ-100M トップの検索スコアを備えた Apache 2.0 マルチリンガル エンベディング モデル 2 つ—granite-embedding-97m-multilingual-r2 (97M) と granite-embedding-311m-multilingual-r2 (311M)—をリリースしました。
連続バッチ処理における非同期性の解放
Hugging Face は、CUDA ストリームとイベントを使用して連続バッチ処理で CPU と GPU の作業を重ね合わせ、8B モデルが 8K トークンを生成する際の LLM 推論時間を約 22% 短縮する方法を示しています。
AWS上での基盤モデルのトレーニングと推論のための構成要素
Hugging Face は、インフラストラクチャ、リソースオーケストレーション、ML ソフトウェアスタック、可観測性からなる 4 層のアーキテクチャフレームワークを AWS 上で詳述し、事前学習、事後学習、テスト時計算の進化するスケーリング法則を支援します。
vLLM V1 移行：強化学習におけるバックエンドの正確性の確保
ServiceNow AI は、logprob のセマンティクス、ランタイムデフォルト、重み更新パスの修正、そして fp32 lm_head の実装により、RL ロールアウト生成において vLLM V0 と V1 のパリティを達成しました。
Hugging Face Open ASR リーダーボード：ベンチマックス防止のためのプライベートデータセット
Hugging Face は、テストセットの汚染を防ぎ、実世界の ASR パフォーマンスをより堅牢に測定するために、Appen Inc. と DataoceanAI のプライベート評価データセットを Open ASR リーダーボードに導入しました。
IBM Granite 4.1 LLMs リリースノート / テクニカルオーバービュー
IBMは、厳格なデータキュレーションとマルチステージ強化学習パイプラインを通じて高いパフォーマンスを達成する、密結合型デコーダーオンリーLLM（3B、8B、30B）のファミリーであるGranite 4.1をリリースしました。