Hugging Face 与 arXiv 的机器学习演示集成

Hugging Face 与 arXiv 合作，将 Hugging Face Spaces 集成到 arXivLabs 中。此集成使用户能够通过专门的 “Demos” 标签页，直接在论文的 arXiv 摘要页面访问作者或社区创建的交互式开源机器学习演示。

在 arXiv 上直接访问交互式演示

Hugging Face Spaces 与 arXivLabs 的集成使用户能够在相应的 arXiv 摘要页面上查找并启动特定研究论文的交互式演示。通过进入 Demos 标签页，用户可以立即试用论文中描述的模型，无需编写或运行代码。

例如，BERT 语言模型的 arXiv 页面现在在 Demos 标签页中包含了超过 200 个社区构建的演示。这些演示范围从简单展示 BERT 模型本身到将 BERT 集成到更大流水线的复杂应用。

Hugging Face Spaces 的作用

Hugging Face Spaces 允许用户构建并分享交互式应用，使任何拥有网页浏览器的人都能体验机器学习模型。自 2021 年 10 月推出以来，该平台已托管超过 12,000 个开源机器学习演示。

这些演示通常使用开源 Python 库（如 Gradio 和 Streamlit）构建，并利用托管在 Hugging Face Hub 上的模型和数据集。

对研究可访问性和可重复性的影响

交互式演示提升了计算模型在生物学、化学、天文学、经济学等多个领域的可访问性。此集成为研究社区提供了若干关键益处：

• 提升可见度： 演示提升了研究者工作的可见度，使其更易被发现。
• 增强理解： 交互式工具帮助更广泛的受众了解模型工作原理，并识别或调试偏差等问题。
• 提升可重复性： 通过让用户无需编写代码即可探索研究结果，演示降低了验证和复现论文结果的门槛。