Hugging Face AI vs. AI：多代理強化學習競賽系統
Hugging Face 推出 AI vs. AI，一個透過持續的多代理競賽並使用 ELO 評分系統來排名深度強化學習模型的開源系統。
Hugging Face AI 用於遊戲開發：生成故事
Hugging Face 概述了一套使用大型語言模型（LLM）如 ChatGPT 生成遊戲故事與內容的工作流程，同時強調了在原創性、法律風險與長期連貫性方面的關鍵限制。
使用 Intel Sapphire Rapids 加速 PyTorch Transformers
Hugging Face 示範，將 Intel Sapphire Rapids CPU 與 Optimum Intel 函式庫結合，可將 PyTorch 變換器推論速度提升至前代 Xeon 最高 3 倍。
深入探討視覺語言模型
Hugging Face 提供了視覺語言模型的技術概述，詳細說明了五種主要的預訓練策略以及它們在 Transformers 庫中對 VQA 與影像分割等任務的整合。
Hugging Face 的電腦視覺現況
Hugging Face 已擴展其生態系統，支援 8 個核心電腦視覺任務、超過 3,000 個模型以及 100 多個資料集，整合了 Transformer 與卷積架構。
Hugging Face 2D 資產生成於遊戲開發
Hugging Face 示範了如何將 Stable Diffusion 的 Image2Image 功能整合到協作式 2D 遊戲資產工作流程中，以高效地製作可投入生產的圖示。
使用 LoRA 進行高效的 Stable Diffusion 微調
Hugging Face 已將低秩適應（LoRA）整合到 diffusers 套件中，使 Stable Diffusion 的微調更快，所需 VRAM 大幅降低，模型權重僅約 3 MB。
Hugging Face Optimum 與 ONNX Runtime 訓練整合
Hugging Face 與 Microsoft 已將 ONNX Runtime 整合至 Optimum 函式庫，以將 transformer 模型的訓練時間縮短 35% 以上。
什麼讓對話代理有用？技術分析
Hugging Face 分析了關鍵技術——包括指令微調（IFT）、監督式微調（SFT）、來自人類回饋的強化學習（RLHF）以及思考鏈（CoT）——這些技術將基礎語言模型轉變為有用的對話代理。
Hugging Face AI 用於遊戲開發：3D 資產生成
Hugging Face 探討了文字轉 3D AI 的現狀，結論是儘管有 DreamFusion 與 Point-E 等工具，但它們尚未能實際應用於快速的遊戲開發工作流程。
Mask2Former 與 OneFormer：🤗 Transformers 中的通用影像分割模型
Hugging Face 在 Transformers 函式庫中發布了 Mask2Former 與 OneFormer，提供可同時處理實例、語意與全景分割的通用架構，只需單一模型即可完成。
PaddlePaddle 與 Hugging Face Hub 整合
Hugging Face 與 PaddlePaddle 合作，將其深度學習平台與函式庫（自 PaddleNLP 起）整合至 Hugging Face Hub，以提升可存取性與共享性。
使用 Hugging Face Datasets 與 Transformers 的影像相似度
Hugging Face 示範了如何使用 Transformers 與 Datasets 套件建立影像相似度系統，透過計算密集向量嵌入並測量餘弦相似度。
AI 用於遊戲開發：使用大型語言模型進行遊戲設計
Hugging Face 示範了如何將大型語言模型（如 ChatGPT）用作遊戲設計的頭腦風暴與加速工具，特別是在定義農場遊戲的核心功能時。
圖形機器學習簡介
Hugging Face 提供了圖形機器學習的完整概述，說明了圖形的表示方式以及從神經網路前特徵到圖形神經網路與圖形 Transformer 的演變過程。
AI 遊戲開發：在 5 天內打造農場遊戲（第 1 部分）
Hugging Face 示範了如何使用 Stable Diffusion 為農場遊戲建立視覺藝術風格與概念藝術，並將其實作於 Unity 中。
加速 PyTorch Transformers 使用 Intel Sapphire Rapids – 第 1 部分
Hugging Face 示範如何在 Intel Sapphire Rapids CPU 叢集上使用 IPEX 與 oneCCL 訓練 PyTorch Transformers，達到相較於 Ice Lake 高達 8 倍的加速，且在四節點上接近線性擴展。
使用 CLIPSeg 進行零樣本影像分割
Hugging Face 推出 CLIPSeg，一種零樣本影像分割模型，利用 CLIP 嵌入從文字或影像提示生成分割遮罩，無需針對特定類別進行訓練。
Hugging Face 模型卡文件框架
Hugging Face 已發布一套工具與資源，包括基於 GUI 的創建工具與標準化範本，以提升機器學習模型文件的可及性與標準化。
Hugging Face 音訊資料集指南 – 如何載入、處理與串流音訊資料
Hugging Face 宣布了一份完整指南，展示 🤗 Datasets 套件僅需幾行 Python 程式碼即可載入、前處理與串流 Hub 上的任何音訊資料集，讓語音與音訊任務的研究變得高效。
Hugging Face 倫理與社會通訊 #2：解決機器學習中的偏見
Hugging Face 提出一套社會技術框架，將機器學習偏見視為必須在任務定義、資料集策展與模型訓練各階段處理的風險因素，以降低歧視性傷害。
Habana Gaudi2 與 Nvidia A100 80GB 性能基準
Hugging Face 基準測試顯示，Habana Gaudi2 在訓練與推論方面，對於 BERT、Stable Diffusion 與 T5-3B 模型，提供大約兩倍於 Nvidia A100 80GB 的吞吐量。
Hugging Face 宣布 Bumblebee：純 Elixir 中的 Transformers 與 Stable Diffusion
Hugging Face 發布了 Bumblebee，這是一個純 Elixir 的 Transformers 實作，將從 GPT‑2 到 Stable Diffusion 的模型帶入 Elixir 生態系，讓原生 CPU/GPU 推論無需外部依賴。
說明人類回饋強化學習 (RLHF)
Hugging Face 提供了關於人類回饋強化學習（RLHF）的技術說明，這是一個用於使大型語言模型與複雜人類價值對齊的三步驟流程。
深度學習與蛋白質 – Hugging Face 蛋白質語言模型與摺疊指南
Hugging Face 宣布了一系列教學，展示如何微調蛋白質語言模型並使用 ESMFold 進行蛋白質摺疊，證明 NLP 的遷移學習技術可以直接應用於蛋白質序列任務。
使用 🤗 Transformers 進行時間序列 Transformer 機率預測
Hugging Face 發布了一個用於全局機率時間序列預測的原始 Transformer 模型，在 Tourism Monthly 基準上展示了最先進的表現。
在 Apple Silicon 上使用 Stable Diffusion Core ML – 如何執行與最佳化
Hugging Face 發布了針對 Apple Silicon 轉換為 Core ML 的 Stable Diffusion 檢查點，使得在 Python 或 Swift 中可在裝置上生成圖像，最高可在 M1 Max 上以 18 秒產生一張圖像。
VQ-Diffusion：離散空間中的條件潛在擴散
VQ-Diffusion 是一種在量化離散潛在空間上運作的條件潛在擴散模型，提供比傳統自回歸模型更快的推論速度與更高的影像品質。
Hugging Face 2023 實習計畫
Hugging Face 宣布了 2023 年實習計畫，提供開源、科學與社會影響團隊的職位，以民主化負責任的機器學習。
Hugging Face 擴散模型課程與社群活動
Hugging Face 宣布將於 2022 年 11 月 28 日推出免費的擴散模型課程，並於 11 月 30 日舉辦線上社群活動，邀請來自 Stability AI、Meta 與 Runway 的研究人員參與。
Hugging Face 機器學習洞見總監 第 4 部分
四位機器學習總監分享了在電子商務、工程、教育與 SaaS 領域中，機器學習的影響、挑戰與整合陷阱的產業專屬見解。
Hugging Face 推理解決方案概覽 2022 年 11 月
Hugging Face 宣布了一套免費與付費的推理選項——包括小工具、API、Inference Endpoints 與 Spaces——以簡化模型測試、部署與生產規模擴展。
Hugging Face 加速文件 AI
Hugging Face 提供了一份完整指南，說明如何使用開源多模態模型自動化企業工作流程中的文件分類、解析與視覺問答。
使用同態加密的加密資料情感分析
Hugging Face 示範如何使用 Concrete-ML 套件，結合 BERT 轉換器與 XGBoost，在完全同態加密（FHE）下對加密資料執行情感分析。
Hugging Face 與 arXiv 整合機器學習示範
Hugging Face 已將 Hugging Face Spaces 與 arXivLabs 整合，直接在 arXiv 論文摘要頁面提供互動式機器學習示範。
Hugging Face 價格更新 2022 年 11 月
Hugging Face 已轉向以計算為基礎的營收模式，停止使用 Inference API 的付費層，改為使用 Inference Endpoints 與 Spaces 的硬體升級。
對比搜尋在 Transformers 中的人類水平文本生成
Hugging Face 已將對比搜尋整合至 transformers 套件，這是一種解碼方法，可防止模型退化，並在 16 種語言的即用模型中保持語義一致性。
Dreambooth Stable Diffusion 微調指南（使用 Diffusers）
Hugging Face 發布了使用 Diffusers 套件訓練 Dreambooth 的 Stable Diffusion 的詳細建議，指出低學習率、足夠的訓練步數、針對人臉的先驗保存以及文字編碼器微調可產生最高品質的結果。
使用 Hugging Face Transformers 微調 Whisper 以支援多語言 ASR
Hugging Face 提供了完整的指南，說明如何微調 OpenAI 的 Whisper 模型以支援多語言自動語音辨識（ASR），在僅使用 8 小時資料的情況下，於印地語上實現了 31.5% 絕對字錯誤率（WER）的提升。
Hugging Face Optimum Intel 與 OpenVINO 整合
Hugging Face 已將 Intel OpenVINO 整合至 Optimum Intel，實現了在 Intel 硬體上對 Transformer 模型的加速推論與量化。
使用 🤗 Evaluate 評估語言模型偏見
Hugging Face 為 🤗 Evaluate 函式庫新增了偏見評估指標——toxicity、language polarity（Regard）與 HONEST，使研究人員能系統性地測量因果語言模型中的有害語言。
使用 PyTorch DDP、Accelerate 與 Transformers Trainer 的分散式訓練
Hugging Face 說明了如何使用三個抽象層級來實作分散式訓練：原生 PyTorch DDP、Accelerate 函式庫，以及高階的 Transformers Trainer API。
MTEB：大規模文字嵌入基準測試
Hugging Face 推出 MTEB，一個涵蓋 56 個資料集、跨 8 項任務的大規模多語言基準，用於評估文字嵌入模型的效能。
Hugging Face 推理端點
Hugging Face 推理端點是一項受管服務，讓使用者只需點擊幾下即可將機器學習模型從 Hugging Face Hub 部署到可擴展且安全的雲端基礎設施。
Stable Diffusion JAX 與 Flax 整合
Hugging Face Diffusers 0.5.1 版引入了對 Flax 的支援，使得在 Google TPU 上透過 JAX 進行高速 Stable Diffusion 推理成為可能。
Hugging Face BLOOM 推論最佳化
Hugging Face 透過從流水線平行化轉向張量平行化並實作自訂 CUDA 核心，使 BLOOM 模型的延遲降低 5 倍、吞吐量提升 50 倍。
Hugging Face 為模型與資料集引入 DOI 支援
Hugging Face 現在允許使用者為 Hub 上的模型與資料集產生數位物件識別碼（DOI），提供跨版本持續有效的永久可引用連結。
rinna 發布的日文 Stable Diffusion
rinna 發布了日文 Stable Diffusion，這是一個針對日文進行微調的 Stable Diffusion 版本，能夠根據日文提示生成符合文化的圖像。
Hugging Face 零樣本評估於 Hub
Hugging Face 在 Hub 上推出了針對因果語言模型的零樣本評估，使用者無需編寫程式碼即可對最高 660 億參數的模型進行基準測試。
Hugging Face AutoTrain 圖像分類
Hugging Face 已將圖像分類加入 AutoTrain，使使用者能在不撰寫程式碼或設定超參數的情況下，訓練自訂的圖像分類模型。