Hugging Face CUDA 核函數代理技能
Hugging Face 推出了一項代理技能，使得像 Claude 和 Codex 這樣的程式編寫代理能夠編寫、基準測試並整合可投入生產的 CUDA 核函數，適用於 transformers 與 diffusers 函式庫。
Transformers.js v4 發行說明 / 新功能
Hugging Face 已發布 Transformers.js v4，推出全新重寫的 C++ WebGPU 執行環境，以在瀏覽器與伺服器端執行環境中實現硬體加速，並同時提供獨立的 tokenizers 函式庫。
Hugging Face 社群評估
Hugging Face 推出了社群評估，一個去中心化的系統，用於在 Hub 上直接報告與彙總模型基準分數，以提升透明度與可重現性。
H Company Holo2-235B-A22B 預覽版發布
H Company 已發布 Holo2-235B-A22B 預覽版，這是一款在 Screenspot-Pro 與 OSWorld G 基準測試上達到 state-of-the-art 表現的使用者介面本地化模型。
全球開源 AI 生態系統的未來：從 DeepSeek 到 AI+
Hugging Face 分析了開源如何成為中國 AI 組織的主導策略，從孤立的模型突破轉向模型、硬體與基礎設施的可擴展、整合生態系統。
文本到圖像模型的訓練設計：消融實驗的教訓
由於 429 Too Many Requests 錯誤，提供的 Hugging Face 文章關於文本到圖像模型訓練設計的來源資料無法取得。
介紹 Daggr：以程式化方式串接 AI 應用並進行視覺檢查
Hugging Face 已發布 Daggr，這是一個開源的 Python 函式庫，讓開發者能以程式化方式將 Gradio 應用、機器學習模型與自訂函式串接成工作流程，並自動產生視覺化畫布以進行除錯與狀態管理。
Hugging Face Upskill：透過代理技能將專家能力轉移至較小模型
Hugging Face 推出了 upskill，這是一個利用高能力模型（如 Claude Opus 4.5）產生經驗證的「代理技能」的工具，能提升較小或開源模型在複雜任務（例如 CUDA 核心開發）上的效能與 token 效率。
中國開源 AI 生態系統的架構選擇：從 DeepSeek R1 到硬體優先、MoE 驅動的格局
在 DeepSeek R1 開源一年後，中國的 AI 社群已從追求單一模型的最強性能，轉向構建靈活、具成本效益且感知硬體的 AI 系統。混合專家模型 (MoE) 成為預設架構，透過在每次請求時僅激活部分專家，讓大型模型能以可負擔的成本運行。多模態競賽爆發，包含文字轉圖像、影片、音訊、3D 和代理的開源發布，且每個模型都附帶完整的工具鏈。小模型 (≤30 B) 在本地部署和微調方面的普及率激增，而大型 MoE 模型則作為蒸餾的教師網路。Apache 2.0 和 MIT 授權現在佔據主導地位，消除了法律摩擦並加速了商業採用。硬體優先的思維已經出現：發布的版本附帶針對國產晶片（華為 Ascend、寒武紀 Cambricon、崑崙 Kunlun）優化的量化、推理和服務堆棧，且訓練流程也公開記錄。現在的競爭優勢在於系統設計、部署效率和開源生態系統整合，而非原始模型規模。
Alyah：阿聯酋方言基準測試（針對阿拉伯語大型語言模型）
Hugging Face 與合作夥伴推出了 Alyah，這是一個由人工精選的 1,173 個樣本的基準測試，旨在評估阿拉伯語大型語言模型在阿聯酋方言上的語言與文化能力。
GPT-OSS 代理式強化學習訓練：實務回顧
Hugging Face 與 LinkedIn 的研究人員詳細說明了使 GPT-OSS 模型能夠穩定執行代理式強化學習所需的工程修正，重點在於 MoE 路由、注意力匯流 (attention sinks) 與記憶體效能。
AssetOpsBench：彌合 AI 代理基準與工業現實之間的差距
Hugging Face 與 IBM Research 推出 AssetOpsBench，一個旨在評估工業資產生命週期管理中多代理 AI 系統的綜合基準，聚焦於安全關鍵的失效模式與運營限制。
DeepSeek時刻一年後：中國開源AI生態系統的崛起
Hugging Face 分析 DeepSeek R1 的發布如何催化中國向開源 AI 的巨大轉變，導致高性能開源模型激增，現在主導全球下載指標。
差分 Transformer V2
提供給 Differential Transformer V2 的來源材料因 429 Too Many Requests 錯誤而無法使用，且未檢索到任何技術內容。
Waypoint-1: 即時互動視頻擴散模型來自 Overworld
Overworld 已發布 Waypoint-1，這是一個在 10,000 小時遊戲畫面上訓練的即時互動視頻擴散模型，可透過文字、滑鼠和鍵盤實現零延遲世界互動。
Hugging Face 開放回應推論標準
Hugging Face 推出了 Open Responses，一項基於 Responses API 的開放推論標準，旨在取代 Chat Completion 格式，以支援代理式 AI 工作流程。
NVIDIA Cosmos Reason 2 版本說明 / 新功能
NVIDIA 已發布 Cosmos Reason 2，一款為實體 AI 設計的開放式推理視覺語言模型，並在 Physical AI Bench 與 Physical Reasoning 排行榜上名列前茅。
Falcon-H1-Arabic 發行說明
Hugging Face 宣布了 Falcon-H1-Arabic，這是一個由三個混合 Mamba-Transformer 模型（3B、7B 和 34B）組成的系列，於阿拉伯語自然語言處理領域創下了新的最先進基準，並將上下文窗口擴展至最高 256K 令牌。
NVIDIA DGX Spark 與 Reachy Mini 整合指南
NVIDIA 已推出一個框架，透過結合 DGX Spark 硬體、Reachy Mini 機器人及 NeMo Agent Toolkit，使用開放的推理與視覺模型來打造真實世界的 AI 代理。
AprielGuard：現代大型語言模型系統的安全與對抗魯棒性護欄
Hugging Face 與 ServiceNow AI 推出了 AprielGuard，一款 8 億參數的安全防護模型，旨在於單獨提示、多輪對話與代理工作流程中偵測 16 種安全風險類別以及各種對抗攻擊。
Transformers v5 斷詞更新
Hugging Face 重新設計了 Transformers v5 的斷詞系統，將斷詞器架構與已訓練的詞彙表分離，使得檢視、客製化以及從頭訓練更加容易。
NVIDIA Nemotron 3 Nano 開放評估配方與 NeMo Evaluator
NVIDIA 發布了 30 億參數的 Nemotron 3 Nano 模型，並提供了基於 NeMo Evaluator 的完整開放評估配方，使任何人都能重現其基準分數並審核整個評估流程。
CUGA 在 Hugging Face：讓可設定的 AI 代理普及化
IBM Research 已發布 CUGA（可設定通用代理），這是一個開源代理框架，在 AppWorld 和 WebArena 基準測試中對複雜的 API 和網頁任務達到最先進的性能。
llama.cpp 模型管理與路由模式
llama.cpp 伺服器引入路由模式，使得無需重新啟動伺服器即可動態載入、卸載及在多個 GGUF 模型之間切換。
Hugging Face 整合 Codex 以進行端到端機器學習實驗
Hugging Face 透過提供 OpenAI Codex 存取 HF-skills 倉庫的權限，使其能夠執行端到端機器學習實驗，從而讓代理能夠自動化微調、評估和部署。
swift-huggingface 發行說明 / 新功能
Hugging Face 已發布 swift-huggingface，這是一個完整的 Swift 客戶端，用於 Hugging Face Hub，提供可靠的模型下載、與 Python 相容的快取以及 OAuth 2.0 支援。
Hugging Face Skills: 讓 AI 代理能夠微調 LLMs
Hugging Face 已推出 Hugging Face Skills，一種工具，允許像 Claude Code 這樣的編碼代理管理整個 LLM 微調生命週期，從硬體選擇到模型部署。
DeepMath: 輕量級數學推理 Agent，搭配 smolagents
DeepMath 是一個基於 Qwen3-4B Thinking 的數學推理 Agent，透過 GRPO 微調，用簡潔的 Python 程式碼片段取代冗長文字以進行確定性計算，使輸出長度減少多達 66% 同時提升準確度。
Hugging Face Transformers v5 發行說明 / 新功能
Hugging Face 已發布 Transformers v5，著重於互操作性、以 PyTorch 為中心的模型定義，以及對量化和大規模預訓練的第一級支援。
Diffusers FLUX.2 整合
Hugging Face 已將 FLUX.2 整合到 Diffusers 庫中，使得可以使用帶有 Mistral3 文字編碼的 FLUX.2-dev-bnb-4bit 模型。
Hugging Face：從第一原理出發的持續批次化
Hugging Face 介紹了持續批次化，這項技術透過結合 KV 快取、分塊預填與不規則批次化以及動態排程，最大化 LLM 的吞吐量，並消除填充浪費。
Tavily Deep Research：在 AI 研究代理領域實現頂尖技術
Tavily 開發了一款頂尖的研究代理，透過實施基於類人資訊蒸餾的線性上下文工程方法，與 Open Deep Research 相比，減少了 66% 的 Token 消耗。
OVHcloud 在 Hugging Face 推理提供者
OVHcloud 現在是 Hugging Face 上的支援推理提供者，透過 HF UI 和 SDK 提供 gpt-oss、Qwen3、DeepSeek R1 和 Llama 等模型的無伺服器存取，並以每百萬 token 起始價格 €0.04 的按 token 計費.
Hugging Face Open ASR 排行榜趨勢與見解
Hugging Face 已為 Open ASR 排行榜新增多語言與長格式軌道，顯示 Conformer 編碼器與 LLM 解碼器的組合目前在英語準確度上領先，而 CTC/TDT 解碼器則提供更優越的吞吐量。
Hugging Face TRL 與 RapidFire AI 整合
Hugging Face TRL 現已與 RapidFire AI 整合，實現多個 LLM 配置的同步微調，提供最高 24 倍的實驗吞吐量提升。
AnyLanguageModel: 蘋果平台的統一 LLM API
Hugging Face 已推出 AnyLanguageModel，這是一個 Swift 套件，透過作為 Apple Foundation Models 框架的直接替換，為在 Apple 平台上整合本地和遠端 LLM 提供統一的 API。
Apriel-H1: 透過 Mamba 混合架構蒸餾高效能推理模型
ServiceNow AI 推出了 Apriel-H1，這是一個 15B 推理模型系列，透過蒸餾高品質的推理軌跡而非通用預訓練數據，將模型轉換為 Mamba 混合架構，並在極小品質損失的情況下實現了 2.1 倍的吞吐量提升。
輕鬆使用 Hugging Face 建構與分享 ROCm 核心
Hugging Face 透過 kernels 函式庫與 kernel-builder 提供一個精簡的工作流程，用於在 Hugging Face Hub 上建構、封裝與分享相容於 ROCm 的 GPU 核心。
AMD 開放機器人黑客松
AMD、Hugging Face 和 Data Monsters 正在東京和巴黎舉辦 AMD Open Robotics Hackathon，以鼓勵使用 LeRobot 和 AMD AI 硬體開發創新的機器人解決方案。
Hugging Face 與 Google Cloud 戰略合作夥伴關係
Hugging Face 與 Google Cloud 已進入深化的戰略合作夥伴關係，以在 Google Cloud 基礎設施上簡化開放模型的部署，並提供新的 CDN Gateway 以加速模型下載，並透過 Google Threat Intelligence 加強安全性。
MiniMax M2 代理對齊與泛化
MiniMax M2 實施交錯思考和完整軌跡泛化，以彌合基準測試表現與真實世界代理可用性之間的差距。
全球運算格局的轉移：中國在AI硬體與軟體的崛起
Hugging Face 分析美國出口管制如何悖論地加速了中國在國產AI晶片和計算效率高的開放權重模型的發展，從而創建了一個平行的AI基礎設施。
NVIDIA Isaac for Healthcare v0.4: 從模擬到部署構建醫療機器人
NVIDIA Isaac for Healthcare v0.4 推出一個端到端的工作流程，使用 SO-ARM 起始工作流程來構建自主手術助理，結合合成模擬數據與真實世界訓練。
NVIDIA Isaac for Healthcare v0.4 發布
NVIDIA Isaac for Healthcare v0.4 引入了一個開發者框架與 SO-ARM 入門工作流程，讓 AI 醫療機器人的端對端開發從模擬到實際部署皆得以實現。
IBM Granite 4.0 Nano 版本說明
IBM 已發布 Granite 4.0 Nano，這是一系列專為邊緣和設備端應用設計的高性能小型語言模型（SLMs），採用 Apache 2.0 授權。
Hugging Face 語音克隆與同意
Hugging Face 已推出語音同意閘門，這是一種系統基礎設施，要求說話者透過錄製的語句明確表達同意，之後語音克隆模型才能被啟動。
huggingface_hub v1.0: 五年打造開放機器學習的基礎
huggingface_hub 在五年後達到 v1.0，提供對超過 200 萬模型、50 萬資料集與 100 萬 Spaces 的核心存取，同時引入了如 httpx、hf_xet 與重新設計的 CLI 等重大變更，以支援未來十年的開放機器學習。
Hugging Face 串流資料集更新
Hugging Face 已優化 datasets 函式庫的串流功能，將啟動請求減少 100 倍，並將資料解析速度提升 10 倍，以實現無需本地下載即可高效訓練多 TB 資料集。
LeRobot v0.4.0 發行說明 / 新功能
Hugging Face 發佈了 LeRobot v0.4.0，推出可擴展的 Datasets v3.0、如 PI0.5 與 GR00T N1.5 的 VLA 模型，以及用於簡化硬體整合的插件系統。
Hugging Face 與 Meta 推出 OpenEnv 以支援代理環境
Hugging Face 與 Meta 已推出 OpenEnv 與 OpenEnv Hub，這是一個標準化、開放的社群中心，提供安全、沙盒化的代理環境，用於訓練與部署。