✷ 封存 · 11 個實驗室 · 870 篇 dispatch
實驗室
不用每天手動刷十幾個官方部落格。OpenAI、Anthropic、DeepMind 等實驗室的一手發布，每篇都提煉出核心內容。
DeepInfra 與 Hugging Face 推理提供者整合
Hugging Face 已將 DeepInfra 加入為支援的推理提供者，使開發者能直接透過 Hub 和用戶端 SDK 存取超過 100 個模型（包括 DeepSeek V4 和 Kimi-K2.6）的無伺服器推理。
NVIDIA Nemotron 3 Nano Omni 發佈說明 / 新功能介紹
NVIDIA 已發佈 Nemotron 3 Nano Omni，這是一款能夠跨文字、圖像、影片和音訊進行長上下文推理的全模態模型，在文檔智能和影片理解基準測試中提供了業界領先的準確度。
# OpenAI 隱私過濾器：構建可擴展的 PII 偵測網頁應用
OpenAI 已發布 Privacy Filter，一個開源的 1.5B 參數 PII 偵測器，能夠在 128k 上下文窗口內標記八種類別的敏感資料。
DeepSeek-V4 發佈說明：為 AI Agents 提供高效的 1M-Token 上下文
DeepSeek-V4 引入了由混合 CSA/HCA 注意力機制驅動的 1M-token 上下文窗口，專為長時程代理工作負載和工具使用軌跡進行了優化。
在 Chrome 擴充功能中使用 Transformers.js
Hugging Face 提供了一份技術指南，說明如何在使用 Manifest V3 的 Chrome 擴充功能中整合 Transformers.js，該架構以背景託管的模型為基礎，並由 Gemma 4 E2B 提供動力。
QIMMA：以品質為先的阿拉伯語大型語言模型排行榜
Hugging Face 與合作夥伴推出了 QIMMA，這是一個全新的阿拉伯語大型語言模型排行榜，採用了嚴格的品質驗證流程，以確保基準測試能真實反映語言能力。
Hugging Face：AI 與網路安全的未來
Hugging Face 主張，開源 AI 模型與工具對於網路安全防禦至關重要，以對抗像 Mythos 這類自主漏洞發現系統所帶來的風險。
Hugging Face transformers-to-mlx Skill and Test Harness
Hugging Face 發布了一項 Skill 與一個非 Agent 式的測試工具 (non-agentic test harness)，旨在簡化從 transformers 函式庫到 mlx-lm 的語言模型移植流程，同時保持高代碼品質與審核信號。
使用 Sentence Transformers 訓練與微調多模態嵌入與重新排序模型
Hugging Face 發布了一篇關於使用 Sentence Transformers 訓練與微調多模態嵌入與重新排序模型的指南，展示了針對特定任務的微調如何提升檢索任務（如視覺文件檢索）的效能。
Ecom-RLVE: 電子商務對話代理的適應性可驗證環境
Hugging Face 推出 EcomRLVE-GYM，一個使用八個可驗證的多輪環境並具備適應性難度調整的框架，用於訓練電子商務代理，以彌合對話流暢性與實際任務完成之間的差距。
VAKRA 基準測試分析：代理推理、工具使用與失效模式
Hugging Face 發布了 VAKRA 基準測試，這是一個以工具為基礎的可執行套件，用於評估 AI 代理在 8,000 多個 API 和文件來源上的組合推理能力，揭示了在工具選擇、多跳推理和策略遵循方面的普遍失敗問題。
HCompany HoloTab 發布
HCompany 已發布 HoloTab，一款由 Holo3 模型驅動的 Chrome 擴充功能，允許使用者透過自然語言描述或錄製的例行工作來自動化網頁任務。
Waypoint-1.5 發行說明
Hugging Face 與 Overworld 已發布 Waypoint-1.5，這是一個即時視訊世界模型，可讓高保真互動生成環境在消費級 GPU 上本地運行。
Safetensors 加入 PyTorch 基金會
Safetensors 已轉為由 PyTorch 基金會與 Linux 基金會托管的基金會項目，以確保供應商中立的治理與社群驅動的開發。
Gemma 4 發布：開源多模態模型，支援本機運行
Gemma 4，來自 Google DeepMind 的新開源多模態系列，已在 Hugging Face 上發布，支援圖像、音訊、影像，最高 256K 上下文，並且與 transformers、llama.cpp、MLX、Rust、WebGPU 實現日零相容。
Falcon Perception 與 Falcon OCR 發布
Hugging Face 與 TII 推出 Falcon Perception，一個 0.6B 參數的早期融合 Transformer 用於開放詞彙定位，與 Falcon OCR，一個 0.3B 參數的高吞吐量文件理解模型。
Gradio Server：將自訂前端與 Gradio 後端整合
Hugging Face 推出 gradio.Server，一個 FastAPI 擴充套件，讓開發者能使用任何自訂前端框架，同時保留 Gradio 的排隊機制、API 基礎設施與 ZeroGPU 支援。
Granite 4.0 3B Vision 版本說明 / 新功能
IBM 已發布 Granite 4.0 3B Vision，一款針對企業文件理解而優化的緊湊型多模態模型，具備高精度的表格抽取、圖表推理與鍵值對抽取功能。
OpenMed CodonRoBERTa 多物種 mRNA 語言模型發布
OpenMed 發布了一個端到端的蛋白質工程流程，包含 CodonRoBERTa-large-v2（困惑度 4.10，CAI 0.404）與一個在 55 GPU 小時內訓練完成（成本約 $165）的 25 種物種密碼子優化模型套件。
TRL v1.0 版本說明 / 新功能
Hugging Face 發布 TRL v1.0，一個實作超過 75 種方法的穩定後訓練庫，具備雙軌穩定性模型，以在快速實驗迭代與生產級可靠性之間取得平衡。
Hugging Face OpenClaw 遷移指南
Hugging Face 提供兩種方法——推理提供者與本地 llama.cpp 設定，將 OpenClaw 代理從受限的 Claude 模型遷移至開源替代方案。
EVA 端對端語音代理評估框架
EVA 是一個全新的端對端框架，能同時評估語音代理的準確度與對話體驗，揭示任務成功與使用者滿意度之間的一致權衡。
領域特定嵌入微調與 NVIDIA Nemotron – 一天內完成
NVIDIA 與 Hugging Face 發布了一個單 GPU、一天內完成的管線，對 Llama‑Nemotron‑Embed‑1B‑v2 模型進行合成領域資料的微調，實現超過 10% 的檢索提升，且在真實企業資料集上最高提升 26%。
Hugging Face 開源狀況：2026 年春季
Hugging Face 報告稱，2025 年開源 AI 生態系統大幅擴張，特徵是中國在模型下載量上超過美國，且機器人領域迅速崛起成為最大的資料集類別。
Holotron-12B 高吞吐量電腦使用代理
H 公司發布了 Holotron-12B，一款基於 NVIDIA Nemotron-Nano-2 VL 的多模態電腦使用模型，採用混合 SSM‑Attention 架構，以實現代理工作負載的高推理吞吐量。
Hugging Face 儲存桶發布
Hugging Face 推出了儲存桶，一種可變的、類似 S3 的物件儲存系統，基於 Xet，能有效處理如檢查點與已處理資料等中間機器學習產物。
保持 Token 流動：來自 16 個開源 RL 庫的教訓
Hugging Face 調查了 16 個開源 RL 庫，發現非同步 RL 訓練將推理與訓練分離到不同的 GPU 池、使用 rollout 緩衝區，並以非同步方式推送權重；Ray 在協調層占主導，NCCL 廣播是常見的權重同步方法。
LeRobot v0.5.0 版本說明 / 新功能概覽
Hugging Face 發佈了 LeRobot v0.5.0，加入了完整的 Unitree G1 人形機器人支援、新的 VLA 策略如 Pi0‑FAST 與 Wall‑X，以及顯著的資料集效能優化。
Ulysses 序列平行化 用於 百萬標記 上下文訓練
Hugging Face 已將 Ulysses 序列平行化整合至 Accelerate、Transformers 與 TRL，使得透過在多個 GPU 上分散注意力計算，能夠訓練具備百萬標記上下文的 LLM。
將機器人 AI 帶入嵌入式平台：資料集錄製、VLA 微調與裝置端優化
Hugging Face 與 NXP 提供了一份在 i.MX 95 SoC 上部署 Vision‑Language‑Action（VLA）模型的技術指南，強調資料集一致性、架構分解與非同步推論，以實現即時機器人控制。
Hugging Face 模組化 Diffusers 發布
Hugging Face 推出了 Modular Diffusers，一個可組合的框架，允許使用者透過混合與匹配可重複使用的區塊來構建 diffusion 流程，而不必從頭編寫完整的流程。
PRX 第 3 部分：在 24 小時內訓練文字到圖像模型
Hugging Face 與 Photoroom 展示了一個在 24 小時內使用 32 顆 H200 GPU、1500 美元預算訓練出的文字到圖像模型，結合了像素空間訓練、代幣路由與表示對齊。
Transformer 中的專家混合（MoEs）
Hugging Face 已重新設計 transformers 函式庫，使混合專家（MoEs）成為一等公民，透過全新的權重載入重構、可插拔的專家後端，以及原生的專家平行化。
使用 Unsloth 與 Hugging Face Jobs 訓練 AI 模型
Hugging Face 已將 Unsloth 與 Hugging Face Jobs 整合，實現快速且低成本的 LLM 微調，特別針對如 LiquidAI/LFM2.5-1.2B-Instruct 等小型模型進行優化。
GGML 與 llama.cpp 加入 Hugging Face
GGML，llama.cpp 的創作者，已加入 Hugging Face，提供永續資源以支援本地 AI 推論，並簡化 Transformers 套件與本地模型部署之間的整合。
IBM 與加州大學柏克萊分校使用 IT-Bench 與 MAST 診斷企業代理失敗
IBM 研究院與加州大學柏克萊分校推出 MAST（多代理系統失敗分類法）以診斷企業 IT 代理失敗的原因，發現前沿模型受到孤立的驗證錯誤影響，而開源模型則面臨連鎖的系統性崩潰。
Gradio 6 gr.HTML：一次性 Web 應用程式開發
Gradio 6 引入了增強的 gr.HTML 支援，提供自訂模板、範圍化 CSS 與 JavaScript 互動性，使得能在單一 Python 檔案中建立複雜的 Web 元件。
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。
OpenEnv: 在真實環境中評估使用工具的代理程式
Hugging Face 與 Meta 推出了 OpenEnv，這是一個開源框架，透過針對真實系統與 Calendar Gym 等生產級環境來評估 AI 代理程式，以彌合研究與生產可靠性之間的差距。
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。
SyGra 2.0.0 Studio 發佈
SyGra 2.0.0 引入了 Studio，這是一個用於設計和執行合成數據生成工作流的視覺化互動式環境，無需手動編輯 YAML 檔案。
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。