✷ 归档 · 11 个实验室 · 869 篇 dispatch
实验室
不用每天手动刷十几个官方博客。OpenAI、Anthropic、DeepMind 等实验室的一手发布，每篇都提炼出核心内容。
Hugging Face 推出用于检索嵌入评估的 RTEB
Hugging Face 已推出检索嵌入基准（RTEB）的 beta 版本，这一新标准旨在通过开放和私有数据集的混合，衡量嵌入模型的真实泛化能力和检索准确性。
VibeGame：面向 AI 辅助游戏开发的高级声明式引擎
Hugging Face 研究员 Dylan Ebert 推出 VibeGame，这是一款声明式游戏引擎，旨在通过将高级抽象与针对 AI 优化的 Web 堆栈相结合，实现“vibe coding”。
在 Intel Core Ultra 上使用深度裁剪草稿模型加速 Qwen3-8B
在 Intel Core Ultra 上通过推测解码和深度裁剪的 Qwen3‑0.6B 草稿模型加速 Qwen3-8B，实现约 1.4 倍加速，从而通过 Hugging Face smolagents 启用快速本地 AI 代理。
Nemotron-Personas-Japan 发布
NVIDIA 已发布 Nemotron-Personas-Japan，这是一套包含 600 万日本人物角色的开放合成数据集，旨在支持主权 AI 和具备文化意识的 LLM 的开发。
Swift Transformers 1.0 发布说明 / 新功能
Hugging Face 发布了 Swift Transformers 1.0，这是一款稳定的库，提供分词器、Hub 访问和模型包装器，简化了 Apple Silicon 开发者本地 LLM 的集成。
Smol2Operator 发布：将小型 VLM 转变为开源的代理式 GUI 编码器
Hugging Face 发布了 Smol2Operator，这是一种后训练配方，可将 2.2 B 参数的 SmolVLM2‑2.2B‑Instruct 模型转换为开源的代理式 GUI 编码器，所有代码、数据集以及生成的模型均公开可用。
SyGra：低代码框架用于LLM和SLM数据生成
SyGra 是 ServiceNow AI 开发的低代码/无代码框架，旨在简化大型语言模型（LLM）和小型语言模型（SLM）数据集的创建、转换和对齐。
Hugging Face Gaia2 与 Meta Agents Research Environments（ARE）发布
Hugging Face 已发布 Gaia2，这是一项读写型代理基准，以及 Meta Agents Research Environments（ARE）框架，用于在复杂的真实世界模拟条件下评估和调试 AI 代理。
Scaleway 已加入 Hugging Face 推理提供商 – 功能、使用方式与计费
Scaleway 现已成为 Hugging Face Hub 的官方推理提供商，提供低延迟、欧洲托管的无服务器访问前沿模型，并具备灵活的计费选项。
Hugging Face RiskRubric.ai 公告
Hugging Face 宣布了 RiskRubric.ai，这是一款标准化的风险评估平台，可在透明性、可靠性、安全性、隐私、安全性和声誉六大支柱上评估 AI 模型，以提供可比较的风险分数和字母等级。
Hugging Face 将 Public AI 整合为推理提供商
Hugging Face 已将 Public AI 添加为受支持的推理提供商，实现对瑞士 AI 计划、AI Singapore 等机构的主权模型的无服务器访问。
LeRobotDataset v3.0 发布说明 / 新功能
Hugging Face 发布了 LeRobotDataset v3.0，这是一种标准化的机器人学习数据集格式，能够实现大规模数据存储和流式处理，以支持数百万个 episode。
使用 Gradio 的可见水印
Hugging Face 引入了一种简便的方法，使用 Gradio 库为 AI 生成的图像、视频和文本添加可见水印，以提升合成内容的透明度。
Writer Palmyra-mini 家族发布
Writer 发布了 Palmyra-mini 家族，这是一套轻量级开源模型（1.5B 至 1.7B 参数），包括一个基础模型和两个针对逻辑与数学优化的专门推理变体。
Transformers 4.40 对 OpenAI GPT‑OSS 的性能升级：零构建内核、MXFP4 量化、并行化以及更快的加载
Hugging Face 为 OpenAI 的 GPT‑OSS 模型在 transformers 库中加入了零构建内核、MXFP4 4 位量化、张量和专家并行、动态滑动窗口缓存、连续批处理以及更快的模型加载，显著提升了效率和可扩展性。
使用 Together AI 对 Hugging Face Hub LLM 进行微调
Together AI 与 Hugging Face 已集成平台，使开发者能够使用 Together AI 的基础设施微调来自 Hugging Face Hub 的任何兼容 LLM。
Jupyter Agents：训练 LLM 在笔记本中进行推理
Hugging Face 推出了一套用于生成高质量合成数据并优化脚手架的流水线，将 Qwen3-4B 等小型 LLM 转变为最先进的数据科学代理。
mmBERT：ModernBERT 走向多语言
Hugging Face 推出 mmBERT，这是一款在 3 万亿以上 token、覆盖 1,800 多种语言的超大规模多语言编码器模型，在性能和推理速度上均优于 XLM‑R。
EmbeddingGemma 300M 发布说明
Google 发布了 EmbeddingGemma，这是一款 308M 参数的多语言嵌入模型，在 500M 以下模型的 MTEB 基准中名列前茅，并针对设备端使用进行了优化。
SandboxAQ SAIR 数据集发布
SandboxAQ 已发布 SAIR，这是规模最大的共折叠 3D 蛋白-配体结构数据集，配有实验 IC₅₀ 标签，提供超过 500 万 AI 生成的结构，以加速 AI 驱动的药物发现。
Hugging Face ZeroGPU 预编译指南
Hugging Face 为 ZeroGPU Spaces 引入了提前编译（AoT）功能，通过消除即时编译开销，使 Flux、Wan、LTX 等生成模型的加速范围达到 1.3 倍至 1.8 倍。
NVIDIA Nemotron 后训练数据集 v2 与 Nemotron Nano 2 9B 发布
NVIDIA 发布了一个包含 600 万样本的多语言推理数据集以及 Nemotron Nano 2 9B 模型，该模型采用混合 Transformer-Mamba 架构，以优化推理成本和吞吐量。
使用 Claude 与 Hugging Face 生成图像
Hugging Face 通过将 AI 连接到 Hugging Face Spaces 的 Model Context Protocol (MCP) 服务器，实现了在 Claude 中进行图像生成。
Hugging Face MCP for Research：将 AI 连接到研究工具
Hugging Face 推出 Research Tracker MCP，使 AI 代理能够通过模型上下文协议（Model Context Protocol）集成 arXiv、GitHub 和 Hugging Face，实现研究发现的自动化。
Hugging Face kernel-builder：构建和扩展生产就绪 CUDA 内核的指南
Hugging Face 引入了 kernel-builder 库，以通过 Hugging Face Hub 简化生产就绪 CUDA 内核的开发、多架构编译和分发。
Kimina-Prover-RL 发布
Hugging Face 发布了 Kimina-Prover-RL，这是一个用于 Lean 4 形式化定理证明的开源 RL 训练流水线以及两个 SOTA 模型（0.6B 和 1.7B）。
Arm 与 ExecuTorch 0.7：将生成式 AI 扩展至数十亿设备
Arm 与 ExecuTorch 0.7 beta 通过 KleidiAI 实现自动 AI 加速，利用 SDOT 指令将 Llama 3.2 等大语言模型带到数十亿现有的基于 Arm 的设备上。
Arm 神经超采样 (NSS) 发布
Arm 已发布 Neural Super Sampling (NSS)，这是一种旨在降低 GPU 工作负载并在移动设备上实现高分辨率渲染的 AI 驱动升采样解决方案。
FilBench：评估大型语言模型在菲律宾语言中的能力
Hugging Face 推出了 FilBench，这是一套综合评估工具，旨在评估大型语言模型在塔加洛语、菲律宾语和宿务语方面的流利度、语言能力和文化知识。
TextQuests：评估基于文本视频游戏中的LLM代理推理
Hugging Face 推出 TextQuests，这是一项使用 25 款经典 Infocom 互动小说游戏的基准，用于评估 LLM 代理的长上下文推理和探索能力。
Hugging Face AI Sheets 发布
Hugging Face 发布了 AI Sheets，这是一款开源的无代码工具，用于使用开放的 AI 模型构建、转换和丰富数据集。
Accelerate ND-Parallel：高效多 GPU 训练指南
Hugging Face 已将 ND-Parallelism 集成到 Accelerate 和 Axolotl 中，使用户能够组合数据并行、完全分片数据并行、张量并行和上下文并行策略，以优化大规模模型的多 GPU 训练。
TRL 中的视觉语言模型对齐
Hugging Face 已扩展 TRL 库以支持视觉语言模型的高级对齐方法，包括 MPO、GRPO 和 GSPO，此外还包括原生的 SFT 支持和 vLLM 集成。
NVIDIA AI-Q Blueprint：DeepResearch Bench 上排名最高的开放深度研究代理
NVIDIA 的 AI-Q Blueprint 在 Hugging Face DeepResearch Bench 上的开放许可证堆栈中夺得榜首，采用 Llama 3.3-70B Instruct 与 Llama-3.3-Nemotron-Super-49B-v1.5 的组合实现。
3LM：面向阿拉伯语大型语言模型的STEM与代码基准
Hugging Face 与阿联酋技术创新研究院（TII UAE）推出 3LM，这是首个旨在评估阿拉伯语大型语言模型在 STEM 领域和代码生成方面的综合基准。
使用 Gradio 在 Python 中实现 MCP 服务器
Hugging Face 推出了一种方法，帮助 Python 开发者使用 Gradio 快速构建 Model Context Protocol (MCP) 服务器，使 LLMs 能够与 Hugging Face Hub 上的数千个 AI 模型和 Spaces 集成。
Hugging Face Trackio 发布
Hugging Face 已发布 Trackio，这是一款免费、开源、轻量级的实验跟踪库，可作为 wandb 的即插即用替代品，并原生集成 Hugging Face Spaces 和 Datasets。
Hugging Face CLI 更新：迁移至 hf 命令
Hugging Face 已将 huggingface-cli 重命名为 hf，推出了更符合人体工学的资源-动作命令结构，并提供了在 HF 基础设施上运行脚本的新 hf jobs 服务。
Parquet 内容定义分块用于高效数据去重
Hugging Face 推出 Parquet 内容定义分块（CDC），现已在 PyArrow 和 Pandas 中可用，使得在 Xet 存储层上对 Parquet 文件进行高效去重成为可能，显著降低上传和下载时间。
使用 Diffusers 和 PEFT 的 Flux 快速 LoRA 推理
Hugging Face 推出了一套针对 Flux.1-Dev 的优化方案，通过结合热切换、torch.compile 和 FP8 量化，实现 LoRA 推理最高 2.23 倍的加速。
TimeScope：长视频大型多模态模型理解的新基准
Hugging Face 推出 TimeScope，这是一项开源基准，通过在时长从 1 分钟到 8 小时的内容中插入视频针，评估视觉语言模型的时间理解能力。
NVIDIA NIM 与 Hugging Face 的集成
NVIDIA 已将 NVIDIA NIM 扩展至支持 Hugging Face 上的超过 100,000 个 LLM，提供一个统一的 Docker 容器，实现模型分析、后端选择和性能优化的自动化，以实现快速部署。
Arc 虚拟细胞挑战指南
Arc 虚拟细胞挑战要求参与者训练模型，以预测通过 CRISPR 对基因沉默对细胞转录组的影响，使用包含 30 万条单细胞 RNA 测序数据的数据集。
Gradio 5.38.0 MCP 服务器改进
Gradio 5.38.0 版为其模型上下文协议（MCP）服务器功能引入了五项关键更新，包括无缝的本地文件支持、实时进度通知以及自动化的 OpenAPI 规范转换。
Hugging Face FutureBench：评估 AI 代理在未来事件预测中的表现
Hugging Face 推出了 FutureBench，这是一项通过要求 AI 代理预测未来真实世界事件来评估其推理和综合能力的基准，从而有效消除数据污染。
Consilium：多LLM协作平台
Consilium 是一个多LLM平台，通过结构化辩论和研究，使多个 AI 模型达成共识，既可作为 Gradio 界面，也可作为 MCP 服务器进行集成。
Ettin Suite：SoTA 配对编码器和解码器
Hugging Face 推出 Ettin，这是一套配对的仅编码器和仅解码器模型（参数范围 17M-1B），在相同的数据和配方下训练，以提供对架构性能的受控比较。
Hugging Face Hub 从 Git LFS 迁移到 Xet
Hugging Face 已将 500,000 个仓库和 20 PB 数据从 Git LFS 迁移到 Xet，这是一种为 AI 工作负载而设计的内容寻址存储系统。
Kimina-Prover：在大规模形式推理模型上应用测试时强化学习搜索
Hugging Face 宣布推出 Kimina-Prover-72B，这是一款面向 Lean 4 的最先进定理证明模型，凭借新颖的测试时强化学习（TTRL）搜索框架，在 miniF2F 基准上实现了 92.2% 的通过率。
构建 Hugging Face MCP 服务器
Hugging Face 已发布官方的模型上下文协议（MCP）服务器，使 AI 助手能够通过单一 URL 动态访问 Hugging Face Hub 和数千个基于 Gradio 的 AI 应用程序。