SpeechT5：统一模态编码器-解码器用于语音处理
Hugging Face 已集成 SpeechT5，这是一款基于统一 Transformer 的模型，能够通过共享的编码器-解码器骨干实现文本转语音、语音转语音和语音转文本任务。
Hugging Face AI vs. AI：多智能体强化学习竞赛系统
Hugging Face 推出了 AI vs. AI，这是一套开源系统，通过持续的多智能体竞争并使用 ELO 评分系统，对深度强化学习模型进行排名。
Hugging Face AI用于游戏开发：生成故事
Hugging Face 概述了使用大型语言模型（LLM），如 ChatGPT，生成游戏故事和内容的工作流程，同时强调了在原创性、法律风险和长期连贯性方面的关键局限性。
使用 Intel Sapphire Rapids 加速 PyTorch Transformers
Hugging Face 展示了将 Intel Sapphire Rapids CPU 与 Optimum Intel 库结合使用，可将 PyTorch Transformer 推理速度提升至比之前的 Xeon 代际高出最高 3 倍。
深入探讨视觉语言模型
Hugging Face 提供了视觉语言模型的技术概述，详细阐述了五种主要的预训练策略以及它们在 Transformers 库中用于 VQA 和图像分割等任务的集成。
Hugging Face 计算机视觉的现状
Hugging Face 已将其生态系统扩展至支持 8 项核心计算机视觉任务，超过 3,000 个模型和 100 多个数据集，整合了 Transformer 和卷积架构。
Hugging Face 2D 资产生成用于游戏开发
Hugging Face 演示了如何将 Stable Diffusion 的 Image2Image 功能整合到协作的 2D 游戏资产工作流中，以高效地创建可直接用于生产的图标。
使用 LoRA 高效微调 Stable Diffusion
Hugging Face 已将低秩适配（LoRA）集成到 diffusers 库中，实现了更快的 Stable Diffusion 微调，显著降低了显存需求，模型权重小至 3 MB。
Hugging Face Optimum 与 ONNX Runtime 训练集成
Hugging Face 与 Microsoft 将 ONNX Runtime 集成到 Optimum 库中，使基于 Transformer 的模型训练时间缩短 35% 以上。
对话代理有用的因素是什么？技术分析
Hugging Face 分析了关键技术——包括指令微调（IFT）、监督微调（SFT）、来自人类反馈的强化学习（RLHF）以及链式思考（CoT）——这些技术将基础语言模型转变为有用的对话代理。
Hugging Face AI 用于游戏开发：3D 资产生成
Hugging Face 探讨了文本到 3D AI 的现状，得出结论：虽然已有 DreamFusion 和 Point‑E 等工具，但它们尚未在快速游戏开发工作流中实际可用。
Mask2Former 与 OneFormer：🤗 Transformers 中的通用图像分割模型
Hugging Face 在 Transformers 库中发布了 Mask2Former 和 OneFormer，提供了能够使用单一模型处理实例、语义和全景分割的通用架构。
PaddlePaddle 与 Hugging Face Hub 的集成
Hugging Face 与 PaddlePaddle 合作，将其深度学习平台及库（从 PaddleNLP 开始）集成到 Hugging Face Hub，以提升可访问性和共享性。
使用 Hugging Face Datasets 和 Transformers 进行图像相似度
Hugging Face 演示了如何使用 Transformers 和 Datasets 库通过计算密集向量嵌入并测量余弦相似度来构建图像相似度系统。
游戏开发中的 AI：使用大语言模型进行游戏设计
Hugging Face 演示了如何将类似 ChatGPT 的大语言模型用作游戏设计的头脑风暴和加速工具，特别是用于定义农场游戏的核心特性。
图机器学习简介
Hugging Face 提供了图机器学习的全面概述，详细说明了图的表示方式以及从神经网络前特征到图神经网络和图 Transformer 的演变。
游戏开发中的 AI：5 天打造农场游戏（第 1 部）
Hugging Face 演示了如何使用 Stable Diffusion 为农场游戏确立视觉艺术风格和概念艺术，并将其在 Unity 中实现。
加速 PyTorch Transformers 在 Intel Sapphire Rapids 上的训练 – 第 1 部分
Hugging Face 展示了如何在 Intel Sapphire Rapids CPU 集群上使用 IPEX 与 oneCCL 训练 PyTorch Transformers，实现相较于 Ice Lake 的最高 8 倍加速，并在四节点上实现近线性扩展。
使用 CLIPSeg 的零样本图像分割
Hugging Face 推出 CLIPSeg，这是一种零样本图像分割模型，利用 CLIP 嵌入从文本或图像提示生成分割掩码，无需针对特定类别进行训练。
Hugging Face 模型卡文档框架
Hugging Face 发布了一套工具和资源，包括基于 GUI 的创建工具和标准化模板，以提升机器学习模型文档的可访问性和标准化程度。
Hugging Face 音频数据集指南 – 如何加载、处理和流式传输音频数据
Hugging Face 宣布了一份全面指南，展示 🤗 Datasets 库能够通过几行 Python 代码加载、预处理并流式传输 Hub 上的任何音频数据集，从而实现对语音和音频任务的高效研究。
Hugging Face伦理与社会通讯 #2：机器学习中的偏见治理
Hugging Face提出了一套社会技术框架，用于通过将偏见视为必须在任务定义、数据集策划和模型训练各阶段加以应对的风险因素来缓解机器学习中的偏见。
Habana Gaudi2 vs Nvidia A100 80GB 性能基准
Hugging Face 基准测试显示，Habana Gaudi2 在 BERT、Stable Diffusion 和 T5-3B 模型的训练和推理中提供约两倍于 Nvidia A100 80GB 的吞吐量。
Hugging Face 宣布 Bumblebee：在纯 Elixir 中实现 Transformers 与 Stable Diffusion
Hugging Face 发布了 Bumblebee，这是一款纯 Elixir 实现的 Transformers，实现了从 GPT‑2 到 Stable Diffusion 的模型在 Elixir 生态系统中的运行，支持本地 CPU/GPU 推理，无需外部依赖。
阐释人类反馈强化学习（RLHF）
Hugging Face 提供了人类反馈强化学习（RLHF）的技术拆解，这是一种用于使大型语言模型与复杂人类价值观保持一致的三步流程。
深度学习与蛋白质 – Hugging Face 蛋白质语言模型与折叠指南
Hugging Face 宣布了一系列教程，展示如何微调蛋白质语言模型并使用 ESMFold 进行蛋白质折叠，证明 NLP 中的迁移学习技术可以直接应用于蛋白质序列任务。
使用 🤗 Transformers 的时间序列 Transformer 概率预测
Hugging Face 发布了一个用于全局概率时间序列预测的原始 Transformer 模型，在 Tourism Monthly 基准上展示了最先进的性能。
Apple Silicon 上的 Stable Diffusion Core ML – 如何运行和优化
Hugging Face 发布了针对 Apple Silicon 的 Core ML 转换版 Stable Diffusion 检查点，使得在 Python 或 Swift 中进行设备端图像生成成为可能，在 M1 Max 上每张图像最快可在 18 秒内完成。
VQ‑Diffusion：离散空间中的条件潜在扩散
VQ‑Diffusion 是一种在量化离散潜在空间上运行的条件潜在扩散模型，能够提供比传统自回归模型更快的推理速度和更高的图像质量。
Hugging Face 2023 实习项目
Hugging Face 宣布了 2023 年实习项目，提供开源、科研和社会影响团队的岗位，以推动负责任机器学习的民主化。
Hugging Face 扩散模型课程与社区活动
Hugging Face 宣布将于 2022 年 11 月 28 日推出免费扩散模型课程，并于 11 月 30 日举办现场社区活动，邀请了来自 Stability AI、Meta 和 Runway 的研究人员。
Hugging Face 机器学习洞察总监 第4部分
四位机器学习总监分享了在电子商务、工程、教育和 SaaS 领域中，机器学习的影响、挑战以及集成陷阱的行业特定洞察。
Hugging Face 推理解决方案概览 2022年11月
Hugging Face 宣布推出一套免费和付费的推理选项——包括小部件、API、推理端点和 Spaces——以简化模型测试、部署和生产规模化。
Hugging Face 加速文档 AI
Hugging Face 提供了一份全面指南，帮助企业使用开源多模态模型实现文档分类、解析和视觉问答的自动化。
同态加密下的加密数据情感分析
Hugging Face 演示了如何使用 Concrete-ML 库，通过结合 BERT Transformer 与 XGBoost，在 Fully Homomorphic Encryption（FHE）下对加密数据进行情感分析。
Hugging Face 与 arXiv 的机器学习演示集成
Hugging Face 已将 Hugging Face Spaces 与 arXivLabs 集成，在 arXiv 论文摘要页面直接提供交互式机器学习演示。
Hugging Face 定价更新 2022年11月
Hugging Face 已转向基于计算的货币化模式，停止了 Inference API 的付费层，转而使用 Inference Endpoints 和 Spaces 的硬件升级。
对比搜索在 Transformers 中实现人类水平的文本生成
Hugging Face 已将对比搜索集成到 transformers 库中，这是一种解码方法，可防止模型退化，并在 16 种语言的现成模型上保持语义连贯性。
使用 Diffusers 的 Dreambooth Stable Diffusion 微调指南
Hugging Face 发布了使用 Diffusers 库对 Stable Diffusion 进行 Dreambooth 训练的详细建议，指出低学习率、足够的训练步数、对人像进行先验保持以及文本编码器微调能够获得最高质量的结果。
使用 Hugging Face Transformers 对 Whisper 进行多语言 ASR 微调
Hugging Face 提供了一份关于微调 OpenAI Whisper 模型以实现多语言自动语音识别（ASR）的完整指南，展示了在仅使用 8 小时数据的情况下，Hindi 语言的 WER 绝对提升了 31.5%。
Hugging Face Optimum Intel 与 OpenVINO 集成
Hugging Face 已将 Intel OpenVINO 集成到 Optimum Intel 中，使 Transformer 模型在 Intel 硬件上实现加速推理和量化。
使用 🤗 Evaluate 评估语言模型偏见
Hugging Face 为 🤗 Evaluate 库添加了偏见度量——toxicity、language polarity（Regard）和 HONEST，使得能够系统地衡量因果语言模型中的有害语言。
使用 PyTorch DDP、Accelerate 和 Transformers Trainer 进行分布式训练
Hugging Face 解释了如何使用三种抽象层次实现分布式训练：原生 PyTorch DDP、Accelerate 库以及高级的 Transformers Trainer API。
MTEB：大规模文本嵌入基准
Hugging Face 推出 MTEB，这是一项规模庞大且支持多语言的基准，包含 56 个数据集，覆盖 8 项任务，用于评估文本嵌入模型的性能。
Hugging Face 推理端点
Hugging Face 推理端点是一项托管服务，允许用户仅需几次点击即可将机器学习模型从 Hugging Face Hub 部署到可扩展且安全的云基础设施。
Stable Diffusion JAX 与 Flax 集成
Hugging Face Diffusers 0.5.1 版引入了对 Flax 的支持，使得通过 JAX 在 Google TPU 上实现高速的 Stable Diffusion 推理。
Hugging Face BLOOM 推理优化
Hugging Face 通过从流水线并行（Pipeline Parallelism）转向张量并行（Tensor Parallelism）并实现自定义 CUDA 内核，使 BLOOM 模型的延迟降低了 5 倍，吞吐量提升了 50 倍。
Hugging Face 引入模型和数据集的 DOI 支持
Hugging Face 现在允许用户为 Hub 上的模型和数据集生成数字对象标识符（DOI），提供跨版本持久、可引用的链接。
rinna 发布的日语 Stable Diffusion
rinna 发布了日语 Stable Diffusion，这是 Stable Diffusion 的日语微调版本，能够根据日语提示生成符合文化的图像。
Hugging Face 零样本评估在 Hub 上
Hugging Face 在 Hub 上推出了因果语言模型的零样本评估，使用户无需编写代码即可对最高 660 亿参数的模型进行基准测试。