Hugging Face Transformers 文件重新設計

Hugging Face 正在重新設計 Transformers 文件，以更好地服務產品開發者並提升可擴展性

Hugging Face 正在啟動對 Transformers 文件的全面重新設計，將其從零散、逐步累積的結構轉變為統一、以程式碼為先的體驗。此重新設計旨在支援更廣泛的開發者族群，這些開發者正構建 AI 產品，而不僅僅是機器學習研究者與工程師。

將焦點轉向產品開發者受眾

Transformers 文件最初是為機器學習工程師與研究者設計的。然而，隨著 AI 的成熟，越來越多開發者希望將 AI 整合到產品中。Hugging Face 發現這些使用者在與文件互動時有兩個主要的差異：

• 以程式碼為先的方式： 開發者通常會搜尋特定解決方案，並從程式碼範例開始。
• 情境需求： 對 AI 不熟悉的開發者可能會被複雜的函式庫淹沒；因此，程式碼範例必須與初學者機器學習概念的說明緊密結合，以提供完整的上手體驗。

為了解決此問題，重新設計將優先提供以解決方案為導向的內容，以及漸進式的學習路徑，讓開發者在掌握基礎後逐步提升知識。

從僵硬框架走向有機成長

先前，文件遵循 Diátaxis 框架——一套基於使用者需求（學習、解決、理解與參考）的系統。雖然最初是作為指引，但實際執行卻變成僵硬的計畫，將內容硬性劃分為四個規定類別，阻礙了文件自然擴展的能力。

這種僵硬常導致單一主題被切割到多個章節，僅因結構要求，而非對使用者而言合乎邏輯。重新設計將以彈性取代僵硬，使文件能根據內容的自然結構有機演變與成長。

跨越三個演進時代的內容整合

目前的 Transformers 文件呈現出跨越三個不同 AI 發展時代的「年輪」式逐步增補：

1. 「不僅僅是文字」時代： 向電腦視覺、音訊以及多模態任務等多種模態擴展。
2. 大型語言模型（LLM）時代： 參數達數十億的模型崛起，帶來提示（prompting）、聊天（chat）等概念，以及參數高效微調（PEFT）與分散式訓練等高效訓練方法。
3. 最佳化時代： 透過量化、FlashAttention、低秩適應（LoRA）以及鍵值快取最佳化等技術，致力於讓資源有限的 GPU 使用者也能民主化使用 LLM。

由於這些增補是逐步完成的，文件變得不平衡且過於分散。重新設計的目標是從這種「修訂」模式（新內容疊加於舊內容之上）轉變為「整合」模式，使所有內容皆作為統一文件體驗的原生部分共存。