Hugging Face 與 arXiv 整合機器學習示範

Hugging Face 與 arXiv 合作，將 Hugging Face Spaces 整合至 arXivLabs。此整合讓使用者能透過專屬的「Demos」標籤，直接從論文的 arXiv 摘要頁面存取作者或社群所建立的互動、開源機器學習示範。

直接在 arXiv 上存取互動示範

Hugging Face Spaces 與 arXivLabs 的整合使使用者能在各自的 arXiv 摘要頁面上找到並啟動特定研究論文的互動示範。只要前往 Demos 標籤，使用者即可立即試用論文中描述的模型，無需撰寫或執行程式碼。

例如，BERT 語言模型的 arXiv 頁面現在設有 Demos 標籤，內含超過 200 個由社群建構的示範。這些示範從簡單展示 BERT 模型本身，到將 BERT 整合至更大型流程的複雜應用皆有涵蓋。

Hugging Face Spaces 的角色

Hugging Face Spaces 讓使用者能建立並分享互動式應用程式，使任何具備網頁瀏覽器的人都能體驗機器學習模型。自 2021 年 10 月推出以來，該平台已托管超過 12,000 個開源機器學習示範。

這些示範通常使用開源 Python 函式庫，如 Gradio 與 Streamlit，並利用托管於 Hugging Face Hub 的模型與資料集來建構。

對研究可及性與可重現性的影響

互動示範提升了計算模型在各領域的可及性，包括生物學、化學、天文學與經濟學等。此整合為研究社群帶來多項關鍵益處：

• 提升能見度： 示範提升研究人員工作的能見度，並使其更易被發現。
• 增進理解： 互動工具協助更廣大的受眾了解模型運作方式，並辨識或除錯偏見及其他問題。
• 提升可重現性： 允許使用者在不撰寫程式碼的情況下探索研究結果，示範降低驗證與重現論文結果的門檻。