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。
DeepInfra と Hugging Face Inference Providers の統合
Hugging Face は、サポートされている Inference Provider として DeepInfra を追加し、Hub とクライアント SDK を通じて、DeepSeek V4 や Kimi-K2.6 などを含む 100 種類以上のモデルへのサーバーレス アクセスを可能にしました。
NVIDIA Nemotron 3 Nano Omni リリースノート / 新機能
NVIDIAは、テキスト、画像、ビデオ、オーディオ全体での長コンテキスト推論が可能なオムニモーダルモデルであるNemotron 3 Nano Omniをリリースしました。このモデルは、ドキュメントインテリジェンスとビデオ理解のベンチマークにおいて最高レベルの精度を提供します。
OpenAI Privacy Filter: スケーラブルなPII検出ウェブアプリの構築
OpenAIは、128kコンテキストウィンドウ全体で8つのカテゴリの機密データにラベルを付けることができるオープンソースの1.5BパラメーターモデルであるPrivacy Filterをリリースしました。
DeepSeek-V4 リリースノート: AIエージェント向けの効率的な1Mトークン・コンテキスト
DeepSeek-V4は、ハイブリッドなCSA/HCAアテンション・メカニズムにより、長期間のエージェント・ワークロードとツール使用の軌跡に特化して最適化された、1Mトークンのコンテキストウィンドウを導入します。
Chrome 拡張機能での Transformers.js の使用
Hugging Face は、Manifest V3 を使用して Chrome 拡張機能に Transformers.js を統合する技術ガイドを提供し、Gemma 4 E2B を駆動するバックグラウンドホスト型モデル アーキテクチャを特徴としています。
QIMMA: 品質第一のアラビア語LLMリーダーボード
Hugging Face とパートナーは、ベンチマークが実際の言語能力を正しく反映するよう、厳格な品質検証パイプラインを実装した新しいアラビア語LLMリーダーボード「QIMMA」を導入しました。
Hugging Face: AIとサイバーセキュリティの未来
Hugging Faceは、Mythosのような自律的な脆弱性検出システムがもたらすリスクに対抗するため、オープンソースのAIモデルとツールがサイバーセキュリティ防御にとって重要であると主張しています。
Ecom-RLVE: Eコマース会話エージェントのための適応可能な検証可能な環境
Hugging Faceは、会話の流暢さと実際のタスク完了の間のギャップを埋めるため、8つの検証可能でマルチターンの環境と適応的難易度スケーリングを使用したEコマースエージェントのトレーニングフレームワークであるEcomRLVE-GYMを紹介します。
Hugging Face transformers-to-mlx スキルとテストハーネス
Hugging Faceは、transformersライブラリからmlx-lmへの言語モデルの移植を合理化し、高いコード品質とレビューシグナルを維持するために、スキルと非エージェント型テストハーネスをリリースしました。
Sentence Transformers を使用したマルチモーダル エンベディングおよびリランカー モデルのトレーニングとファインチューニング
Hugging Face は、Sentence Transformers を使用したマルチモーダル エンベディングおよびリランカー モデルのトレーニングとファインチューニングに関するガイドを公開し、タスク特化型ファインチューニングが Visual Document Retrieval などの検索タスクでのパフォーマンス向上をどのように示すかを示しました。
VAKRAの内部：エージェントの推論、ツール使用、および失敗モード
IBM Researchは、APIとドキュメントにわたるAIエージェントの構成的推論を評価する実行可能なベンチマークであるVAKRAを発表しました。これは、個別のツール呼び出しが進歩しているにもかかわらず、ツールの使用とポリシー遵守において重大なギャップがあることを明らかにしています。
HCompany HoloTab リリース
HCompanyはHolo3モデルによって駆動されるChrome拡張機能であるHoloTabをリリースしました。これにより、ユーザーは自然言語の説明または記録されたルーチンを通じてウェブタスクを自動化できるようになります。
Sentence Transformers v5.4: マルチモーダル埋め込みとリランカー モデル
Sentence Transformers v5.4 は、テキスト、画像、オーディオ、ビデオのエンコードと比較のためのマルチモーダル埋め込みおよびリランカー モデルを導入します。
Waypoint-1.5 リリースノート
Hugging Face と Overworld は、Waypoint-1.5 をリリースしました。これは、コンシューマー GPU 上でローカルで実行可能な高忠実度のインタラクティブな生成環境を可能にするリアルタイムビデオワールドモデルです。
Safetensors が PyTorch Foundation に参加
Safetensors は、ベンダーニュートラルなガバナンスとコミュニティ主導の開発を確保するため、PyTorch Foundation および Linux Foundation の下で基盤ホスト型プロジェクトへ移行しました。
Gemma 4 リリース：オンデバイス対応のオープンソース・マルチモーダルモデル
Google DeepMind による新しいオープンソース・マルチモーダル・ファミリーである Gemma 4 が、画像、音声、ビデオのサポート、最大 256K のコンテキスト、および transformers、llama.cpp、MLX、Rust、WebGPU との Day-0 互換性を備えて Hugging Face でリリースされました。
Falcon Perception と Falcon OCR のリリース
Hugging Face と TII は、オープンボキャブラリのグラウンディング向け 0.6B パラメータの早期融合トランスフォーマーである Falcon Perception と、高スループットの文書理解を実現する 0.3B パラメータのモデルである Falcon OCR を発表しました。
Gradio Server: カスタムフロントエンドと Gradio バックエンドの統合
Hugging Face は gradio.Server を導入しました。これは FastAPI の拡張で、開発者が任意のカスタムフロントエンドフレームワークを使用できるようにしつつ、Gradio のキューイング、API インフラストラクチャ、ZeroGPU サポートを保持します。
Granite 4.0 3B Vision リリースノート / 新機能
IBMは、エンタープライズ文書理解向けに最適化されたコンパクトなマルチモーダルモデル Granite 4.0 3B Vision をリリースしました。このモデルは、高精度なテーブル抽出、チャート推論、キー・バリュー・ペア抽出を特徴としています。
OpenMed CodonRoBERTa 多種生物種 mRNA 言語モデルのリリース
OpenMed は、perplexity 4.10、CAI 0.404 の CodonRoBERTa-large-v2 を搭載したエンドツーエンドのタンパク質工学パイプラインと、55 GPU‑hour（約 $165）で学習した 25 種類のコドン最適化モデルスイートをリリースしました。
TRL v1.0 リリースノート / 新機能
Hugging Face は、75 以上の手法を実装した安定したポストトレーニングライブラリ TRL v1.0 をリリースしました。高速な実験的イテレーションと本番レベルの信頼性を両立させる二重トラックの安定性モデルを特徴としています。
Hugging Face OpenClaw 移行ガイド
Hugging Face は、Inference Providers とローカル llama.cpp 設定の 2 つの方法を提供し、制限された Claude モデルからオープンソースの代替モデルへ OpenClaw エージェントを移行します。
EVA エンドツーエンド評価フレームワーク（音声エージェント向け）
EVA は、音声エージェントを正確性と会話体験の両面で同時に評価する新しいエンドツーエンドフレームワークであり、タスク成功とユーザー満足度の間に一貫したトレードオフがあることを明らかにします。
NVIDIA Nemotronによるドメイン固有埋め込みのファインチューニング – 1日以内
NVIDIA と Hugging Face は、単一 GPU で 1 日以内に完了するパイプラインを公開し、合成ドメインデータ上で Llama‑Nemotron‑Embed‑1B‑v2 モデルをファインチューニングし、検索精度を 10% 超向上させ、実際のエンタープライズデータセットでは最大 26% の改善を実現しました。
Hugging Faceのオープンソースの現状：2026年春
Hugging Faceは2025年にオープンソースAIエコシステムが大幅に拡大したと報告しています。その特徴は、中国が米国をモデルダウンロード数で上回り、ロボティクスが最大のデータセットカテゴリとして急速に台頭したことです。
Holotron-12B 高スループットコンピュータ使用エージェント
H Companyは、NVIDIA Nemotron-Nano-2 VLをベースとしたマルチモーダルコンピュータ使用モデルHolotron-12Bをリリースしました。このモデルはハイブリッドSSM-Attentionアーキテクチャを使用し、エージェントワークロードに対して高い推論スループットを実現します。
Hugging Face Storage Buckets リリース
Hugging Face は、チェックポイントや加工済みデータなどの中間 ML アーティファクトを効率的に扱うために、Xet をバックエンドとした可変型の S3 ライクなオブジェクトストレージシステム「Storage Buckets」を導入しました。
Ulysses シーケンス並列化による百万トークンコンテキストのトレーニング
Hugging Face は Accelerate、Transformers、TRL に Ulysses Sequence Parallelism を統合し、注意計算を複数 GPU に分散させることで、百万トークン規模のコンテキストを持つ LLM のトレーニングを可能にしました。
LeRobot v0.5.0 リリースノート / 新機能
Hugging Face は LeRobot v0.5.0 をリリースし、Unitree G1 ヒューマノイドのフルサポート、Pi0‑FAST や Wall‑X といった新しい VLA ポリシー、そしてデータセット性能の大幅な最適化を導入しました。
ロボティクスAIを組み込みプラットフォームへ：データセット記録、VLAファインチューニング、デバイス上最適化
Hugging Face と NXP は、i.MX 95 SoC 上で Vision‑Language‑Action (VLA) モデルを展開するための技術ガイドを提供し、データセットの一貫性、アーキテクチャ分解、非同期推論を重視してリアルタイムロボット制御を実現しています。
Hugging Face Modular Diffusers リリース
Hugging Face は Modular Diffusers を導入しました。これは、再利用可能なブロックを組み合わせてディフュージョンパイプラインを構築できる、構成可能なフレームワークであり、パイプライン全体を一から書く必要がなくなります。
PRX Part 3: 24時間でテキストから画像へのモデルをトレーニング
Hugging Face と Photoroom は、32 台の H200 GPU と 1,500 ドルの予算で、ピクセル空間トレーニング、トークンルーティング、表現アラインメントを組み合わせ、24 時間でテキストから画像へのモデルを学習できることを実証しました。
トランスフォーマーにおけるエキスパートの混合 (MoEs)
Hugging Face は、weight loading のリファクタリング、プラガブルなエキスパートバックエンド、ネイティブなエキスパート並列化を通じて、Mixture of Experts (MoEs) を第一級の機能として扱えるように transformers ライブラリを再設計しました。
Unsloth と Hugging Face Jobs で AI モデルをトレーニングする
Hugging Face は Unsloth と Hugging Face Jobs を統合し、迅速かつ低コストの LLM ファインチューニングを実現しました。特に LiquidAI/LFM2.5-1.2B-Instruct のような小型モデルに最適化されています。
GGML と llama.cpp が Hugging Face に参加
GGML（llama.cpp の開発者）は、ローカル AI 推論のための持続可能なリソースを提供し、Transformers ライブラリとローカルモデル展開の統合を円滑にするために Hugging Face に参加しました。
IBM と UC Berkeley が IT-Bench と MAST を用いてエンタープライズエージェントの失敗を診断
IBM Research と UC Berkeley は、エンタープライズ IT エージェントが失敗する原因を診断するために MAST（マルチエージェントシステム失敗分類法）を導入し、最先端モデルは検証エラーが孤立しているのに対し、オープンモデルはシステム的な崩壊が連鎖的に起こることを明らかにした。
Gradio 6 gr.HTML: ワンショット Web アプリ開発
Gradio 6 はカスタムテンプレート、スコープド CSS、JavaScript インタラクティブ性をサポートする強化された gr.HTML を導入し、単一の Python ファイル内で複雑な Web コンポーネントの作成を可能にします。