✷ 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。
Hugging Face 推出 RTEB 用於檢索嵌入評估
Hugging Face 已推出檢索嵌入基準（RTEB）的測試版，這是一項新標準，旨在透過開放與私有資料集的混合，衡量嵌入模型的真實泛化能力與檢索準確度。
VibeGame：一個高階宣告式引擎，用於 AI 輔助的遊戲開發
Hugging Face 研究員 Dylan Ebert 推出 VibeGame，一個宣告式遊戲引擎，透過結合高階抽象與針對 AI 能力最佳化的網頁堆疊，實現「vibe coding」的可能。
在 Intel Core Ultra 上使用深度裁剪草稿模型加速 Qwen3-8B
在 Intel Core Ultra 上透過投機解碼與深度裁剪的 Qwen3‑0.6B 草稿模型加速 Qwen3-8B，達到約 1.4 倍的提速，讓本地 AI 代理透過 Hugging Face smolagents 以更快速度運行。
Nemotron-Personas-Japan 發布
NVIDIA 已發布 Nemotron-Personas-Japan，這是一個包含 600 萬日本人物角色的開源合成資料集，旨在支援主權 AI 與具文化意識的大型語言模型的開發。
Swift Transformers 1.0 版本說明 / 新功能
Hugging Face 發布了 Swift Transformers 1.0，這是一個穩定的函式庫，提供分詞器、Hub 存取與模型封裝，以簡化 Apple Silicon 開發者本地 LLM 的整合。
Smol2Operator 釋出：將小型 VLM 轉變為開源的代理式 GUI 程式設計師
Hugging Face 發布了 Smol2Operator，一套後訓練配方，可將 2.2 B 參數的 SmolVLM2‑2.2B‑Instruct 模型轉換為開源的代理式 GUI 程式設計師，所有程式碼、資料集與最終模型皆公開可用。
SyGra：低程式碼框架，用於 LLM 與 SLM 資料生成
SyGra 是由 ServiceNow AI 開發的低程式碼/無程式碼框架，旨在簡化大型與小型語言模型資料集的建立、轉換與對齊。
Hugging Face Gaia2 與 Meta Agents Research Environments（ARE）發布
Hugging Face 已發布 Gaia2——一個讀寫型代理基準測試，以及 Meta Agents Research Environments（ARE）框架，用於在複雜的真實世界模擬環境中評估與除錯 AI 代理。
Scaleway 成為 Hugging Face 推理提供者 – 功能、使用方式與計費
Scaleway 現已成為 Hugging Face Hub 的官方推理提供者，提供低延遲、歐洲託管的無伺服器存取前沿模型，並具彈性計費選項。
Hugging Face RiskRubric.ai 公告
Hugging Face 已宣布推出 RiskRubric.ai，一個標準化的風險評估平台，透過透明度、可靠性、安全性、隱私、安全與聲譽六大支柱來評估 AI 模型，提供可比較的風險分數與字母等級。
Hugging Face 整合 Public AI 作為推論提供者
Hugging Face 已將 Public AI 加入為受支援的推論提供者，讓使用者能以無伺服器方式存取來自 Swiss AI Initiative 與 AI Singapore 等機構的主權模型。
LeRobotDataset v3.0 版本說明 / 新功能
Hugging Face 已發布 LeRobotDataset v3.0，一種標準化的機器人學習資料集格式，能夠支援大規模資料儲存與串流，以容納數百萬個情節。
使用 Gradio 的可見水印
Hugging Face 已推出簡易方式，透過 Gradio 函式庫為 AI 生成的圖像、影片與文字加入可見水印，以提升合成內容的透明度。
Writer Palmyra-mini 系列發布
Writer 已發布 Palmyra-mini 系列，這是一組輕量級開源模型（參數量介於 1.5B 至 1.7B），包括一個基礎模型以及兩個針對邏輯與數學優化的專門推理變體。
Transformers 4.40 性能升級：OpenAI GPT‑OSS 零建構核心、MXFP4 量化、平行化與更快載入
Hugging Face 為 OpenAI 的 GPT‑OSS 模型在 transformers 套件中加入了零建構核心、MXFP4 4 位元量化、張量與專家平行化、動態滑動視窗快取、持續批次處理以及更快的模型載入，顯著提升了效率與可擴展性。
使用 Together AI 微調 Hugging Face Hub 的大型語言模型
Together AI 與 Hugging Face 已整合平台，讓開發者能使用 Together AI 的基礎設施微調 Hugging Face Hub 上任何相容的 LLM。
Jupyter Agents：訓練 LLM 以筆記本推理
Hugging Face 推出了一條用於產生高品質合成資料與最佳化腳手架的流水線，將像 Qwen3-4B 這樣的小型 LLM 轉變為最先進的資料科學代理。
mmBERT：ModernBERT 走向多語言化
Hugging Face 推出 mmBERT，一個在 3 兆以上 token、涵蓋 1,800 多種語言的超大規模多語言編碼模型，於效能與推論速度上均優於 XLM-R。
EmbeddingGemma 300M 版本說明
Google 發布了 EmbeddingGemma，一款 308M 參數的多語言嵌入模型，在 500M 以下模型的 MTEB 基準測試中名列前茅，且針對裝置端使用進行了優化。
SandboxAQ SAIR 資料集發布
SandboxAQ 已發布 SAIR，這是目前最大規模的共摺疊 3D 蛋白質‑配體結構資料集，配有實驗測得的 IC50 標籤，提供超過 500 萬個 AI 生成的結構，以加速 AI 驅動的藥物發現。
Hugging Face ZeroGPU 前置編譯指南
Hugging Face 為 ZeroGPU Spaces 引入前置編譯（AoT），透過消除即時編譯開銷，使 Flux、Wan、LTX 等生成模型的速度提升 1.3 倍至 1.8 倍。
NVIDIA Nemotron 後訓練資料集 v2 與 Nemotron Nano 2 9B 發布
NVIDIA 發布了包含 600 萬樣本的多語言推理資料集以及 Nemotron Nano 2 9B 模型，該模型採用混合 Transformer-Mamba 架構，以優化推理成本與吞吐量。
使用 Claude 與 Hugging Face 產生圖像
Hugging Face 透過 Model Context Protocol (MCP) 伺服器，將 AI 連接至 Hugging Face Spaces，從而在 Claude 中啟用圖像生成。
Hugging Face 研究用 MCP：將 AI 連接至研究工具
Hugging Face 推出 Research Tracker MCP，使 AI 代理能透過模型上下文協定（Model Context Protocol）整合 arXiv、GitHub 與 Hugging Face，自動化研究發現。
TITLE: Hugging Face kernel-builder：建構與擴展生產級 CUDA 核心的指南
SUMMARY: Hugging Face 推出 kernel-builder 函式庫，以簡化透過 Hugging Face Hub 開發、多架構編譯與發佈生產級 CUDA 核心的流程。
Kimina-Prover-RL 發佈
Hugging Face 發佈了 Kimina-Prover-RL，這是一個用於 Lean 4 形式化定理證明的開源 RL 訓練流水線以及兩個 SOTA 模型（0.6B 和 1.7B）。
Arm 與 ExecuTorch 0.7：將生成式 AI 擴展至數十億設備
Arm 與 ExecuTorch 0.7 beta 透過 KleidiAI 提供自動 AI 加速，利用 SDOT 指令將 Llama 3.2 等大型語言模型帶到數十億現有的 Arm 裝置上。
Arm Neural Super Sampling (NSS) 發布
Arm 已發布 Neural Super Sampling (NSS)，這是一種 AI 驅動的升頻解決方案，旨在降低 GPU 工作負載並在行動裝置上實現高解析度渲染。
FilBench：評估大型語言模型在菲律賓語言的能力
Hugging Face 推出了 FilBench，一套全面的評估套件，旨在評估大型語言模型在塔加洛語、菲律賓語與宿務語的流暢度、語言能力與文化知識。
TextQuests：評估大型語言模型在文字冒險遊戲中的代理推理能力
Hugging Face 推出 TextQuests，一個使用 25 款經典 Infocom 互動小說遊戲的基準測試，用以評估大型語言模型代理的長上下文推理與探索能力。
Hugging Face AI Sheets 發布
Hugging Face 推出了 AI Sheets，一款開源的無程式碼工具，用於使用開放式 AI 模型構建、轉換與豐富資料集。
Accelerate ND-Parallel：高效多 GPU 訓練指南
Hugging Face 已將 ND-Parallelism 整合至 Accelerate 與 Axolotl，使用者得以結合資料、完全分片資料、張量與上下文平行化策略，優化大型模型的多 GPU 訓練。
TRL 中的 Vision Language Model Alignment
Hugging Face 已擴展 TRL 函式庫以支援視覺語言模型 (VLMs) 的進階對齊方法，包括 MPO、GRPO 和 GSPO，同時提供原生 SFT 支援以及 vLLM 整合。
NVIDIA AI-Q 藍圖：DeepResearch Bench 上排名第一的開源深度研究代理
NVIDIA 的 AI-Q 藍圖在 Hugging Face DeepResearch Bench 上的開源授權堆疊中取得第一名，結合了 Llama 3.3-70B Instruct 與 Llama-3.3-Nemotron-Super-49B-v1.5。
3LM：阿拉伯語大型語言模型在 STEM 與程式碼領域的基準測試
Hugging Face 與阿聯酋 TII 推出 3LM，這是首個全面的基準測試，旨在評估阿拉伯語大型語言模型在 STEM 科目與程式碼生成方面的表現。
使用 Gradio 在 Python 中實作 MCP 伺服器
Hugging Face 介紹了一種讓 Python 開發者快速使用 Gradio 建立 Model Context Protocol（MCP）伺服器的方法，使 LLM 能夠整合 Hugging Face Hub 上數千個 AI 模型與 Spaces。
Hugging Face Trackio 發布
Hugging Face 已發布 Trackio，一個免費、開源、輕量級的實驗追蹤庫，可作為 wandb 的即插即用替代方案，並原生整合 Hugging Face Spaces 與 Datasets。
Hugging Face CLI 更新：轉換至 hf 指令
Hugging Face 已將 huggingface-cli 改名為 hf，推出更符合人體工學的資源-動作指令結構，並新增 hf jobs 服務以在 HF 基礎設施上執行腳本。
Parquet 內容定義分塊以提升資料去重效率
Hugging Face 推出 Parquet 內容定義分塊（CDC），現已在 PyArrow 與 Pandas 中提供，使得在 Xet 儲存層上對 Parquet 檔案進行高效去重成為可能，顯著縮短上傳與下載時間。
使用 Diffusers 與 PEFT 的 Flux 快速 LoRA 推理
Hugging Face 推出針對 Flux.1-Dev 的最佳化配方，透過結合熱切換、torch.compile 與 FP8 量化，使 LoRA 推理速度提升最高可達 2.23 倍。
TimeScope：長影片大型多模態模型理解的新基準
Hugging Face 推出 TimeScope，一個開源基準，透過在長度從 1 分鐘到 8 小時的內容中插入影片針頭，評估視覺語言模型的時間理解能力。
NVIDIA NIM 與 Hugging Face 的整合
NVIDIA 已將 NVIDIA NIM 擴展至支援超過 100,000 個 Hugging Face 上的 LLM，提供單一 Docker 容器，自動化模型分析、後端選擇與效能最佳化，以快速部署。
Arc 虛擬細胞挑戰簡介
Arc 虛擬細胞挑戰要求參賽者訓練模型，以預測透過 CRISPR 靜默基因對細胞轉錄組的影響，使用包含 30 萬筆單細胞 RNA 定序資料的資料集。
Gradio 5.38.0 MCP 伺服器改進
Gradio 5.38.0 版為其模型上下文協議（MCP）伺服器功能帶來五項重要更新，包含無縫本機檔案支援、即時進度通知以及自動化 OpenAPI 規格轉換。
Hugging Face FutureBench：評估 AI 代理在未來事件預測上的表現
Hugging Face 推出 FutureBench，一個透過要求 AI 代理預測未來現實事件來評估其推理與綜合能力的基準，從而有效避免資料污染。
Consilium：多LLM協作平台
Consilium 是一個多LLM平台，透過結構化的辯論與研究，使多個 AI 模型達成共識，並同時作為 Gradio 介面與 MCP 伺服器整合。
Ettin 套件：最先進的配對編碼器與解碼器
Hugging Face 推出 Ettin 套件，一組配對的僅編碼器與僅解碼器模型（參數量介於 17M 至 1B），在相同的資料與訓練流程下訓練，以提供對架構效能的受控比較。
Hugging Face Hub 從 Git LFS 遷移至 Xet
Hugging Face 已將 50 萬個倉庫與 20 PB 的資料從 Git LFS 遷移至 Xet，這是一個為 AI 工作負載而設計的內容可尋址儲存系統。
Kimina-Prover：在大型形式推理模型上應用測試時強化學習搜尋
Hugging Face 宣布推出 Kimina-Prover-72B，這是一款針對 Lean 4 的最先進定理證明模型，透過新穎的測試時強化學習（TTRL）搜尋框架，在 miniF2F 基準上達到 92.2% 的通過率。
建立 Hugging Face MCP 伺服器
Hugging Face 已發布官方的模型上下文協定（MCP）伺服器，讓 AI 助手能透過單一 URL 動態存取 Hugging Face Hub 與數千個基於 Gradio 的 AI 應用程式。