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。
ChatGPT Plus 发布
OpenAI 宣布推出 ChatGPT Plus，这是一项每月 20 美元的订阅服务，保证在高峰时段的访问、更快的响应以及优先功能推送，并将其可用性扩展至全球。
OpenAI AI 文本分类器发布（2023 年 1 月）
OpenAI 于 2023 年 1 月发布了公开的 AI 文本分类器，用于标记可能的 AI 生成英文文本，但其可靠性不足——仅识别出 26% 的 AI 文本，并误标 9% 的人类文本。
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。
OpenAI 与微软扩展战略合作伙伴关系
OpenAI 与微软已延长其多年、数十亿美元的合作伙伴关系，以加速独立的 AI 研究并通过 Azure 扩大 AI 模型的部署。
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。
预测语言模型在错误信息宣传活动中的滥用
OpenAI、乔治城大学和斯坦福互联网观察站发布了一份报告，分析大型语言模型如何降低错误信息宣传活动的成本并扩大规模，并提出了一个四阶段的缓解框架。
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。
Yabble GPT-3 集成用于客户反馈分析
Yabble 集成了 OpenAI 的 GPT-3，将分析复杂客户反馈数据集所需的时间从数周缩短至数分钟。
Waymark 对 GPT-3 进行微调以创建视频脚本
Waymark 集成了微调的 GPT-3 模型，以自动化创建定制的高质量视频广告脚本，减少客户的编辑时间并实现视频制作的规模化。
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。
OpenAI 创建下一代角色公告
针对创建下一代角色的公告所提供的源材料因 404 错误而不可用，未提供任何技术细节或官方声明。
OFASys：多模态多任务学习框架
Qwen 推出 OFASys，这是一款通过单行 Instruction 接口让用户定义复杂任务和模态，从而简化多模态多任务学习的 AI 框架。
中文 CLIP：中文对比视觉语言预训练
Qwen 已发布中文 CLIP，这是一款旨在克服以英语为中心的 CLIP 模型在跨模态检索和图像分类中所面临的文化和语言限制的视觉语言模型。
OpenAI Applied AI Research：关于 AGI、安全性和持续学习的观点
OpenAI Applied AI Research 团队的 Lilian Weng 讨论了通往 AGI 的路径、模型对齐与安全性的重要性，以及持续学习在 AI 开发中的作用。
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。
OpenAI Point-E：从文本提示生成 3D 点云
OpenAI 推出了 Point-E，这是一套在单个 GPU 上用 1-2 分钟从复杂文本提示生成 3D 点云的系统，优先考虑采样速度而非绝对的样本质量。
OpenAI text-embedding-ada-002 发布
OpenAI 宣布了 text-embedding-ada-002 模型，这是一款统一的、更快、更便宜的嵌入模型，在大多数任务上优于之前的模型。
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 解释了人类反馈强化学习 (RLHF)，这是一个通过使用基于人类偏好的奖励模型来优化模型，从而使大型语言模型与复杂的人类价值观对齐的三步流程。
OpenAI 超算基础设施与后端系统工程
OpenAI 工程师 Jake Stangel 描述了管理价值数十亿美元的超算集群所面临的技术挑战，在极端规模下会暴露出其他用户未曾见过的硬件和内核问题。
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。
OpenAI 推出 ChatGPT
OpenAI 已发布基于 GPT-3.5 系列的会话式 AI 模型 ChatGPT，该模型通过人类反馈强化学习（RLHF）进行训练，以对话形式进行交互。
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。