OpenAI 前沿 AI 監管提案
OpenAI 與一組多學科研究人員提出一個監管框架，用於管理前沿 AI 模型的公共安全風險，透過標準制定、註冊和合規機制。
使用 Transformers.js 製作具備 ML 能力的網頁遊戲
Hugging Face 展示如何使用 Transformers.js 和經微調的 MobileViT 模型，在瀏覽器中完全運行即時素描偵測遊戲 Doodle Dash。
使用 Hugging Face Inference Endpoints 部署 LLMs
Hugging Face Inference Endpoints 是一種受管理的 SaaS 解決方案，讓開發者能夠使用自動擴展、scale-to-zero 和企業級安全等功能，將開源 LLMs 部署為生產就緒的 API。
Hugging Face: 使用開放 ML 模型製作網頁應用產生器
Hugging Face 展示了如何使用 NodeJS、WizardCoder-15B 模型以及 Hugging Face Inference Endpoints API 建構 text-to-webapp 生成器。
利用 Hugging Face 處理複雜生成式 AI 用例：Writer 案例研究
Hugging Face 強調與 Writer 的合作，展示該公司如何從使用者轉變為客戶與開源貢獻者，同時利用 Hugging Face 專家加速計畫實現可擴展的 LLM 生產。
OpenAI 全球對話：見解與戰略重點領域
OpenAI 在 25 個城市和 6 個洲進行了全球傾聽之旅，以收集來自使用者、開發者和政策制定者的回饋，從而完善其 AI 開發與部署策略。
加速視覺語言模型：BridgeTower 在 Habana Gaudi2 上
Hugging Face 示範，在 Habana Gaudi2 上使用 Optimum Habana 進行 BridgeTower 視覺語言模型的微調，透過增加資料載入工作程序數以及硬體加速的圖像解碼，可達到比 Nvidia A100 快 2.5 倍、比 H100 快 1.4 倍。
OpenAI 倫敦辦公室開幕
OpenAI 已在倫敦開設其首個國際辦公室，以擴大其研發足跡並吸引全球人才，以促進安全通用人工智慧（AGI）的發展。
Hugging Face 倫理與社會通訊 #4：文字生成圖像模型中的偏見
Hugging Face 概述了文字生成圖像模型中複雜的偏見來源，並提出結合探索工具、紅隊演練和文件記錄等多種方法來檢測並減輕這些偏見。
Hugging Face Open LLM Leaderboard MMLU 評估分析
Hugging Face 說明 MMLU 基準的不同實作細節如何導致相同 LLM 的效能分數和排名出現顯著差異。
Panel 與 Hugging Face Spaces 的整合
Hugging Face 已將 Panel 模板整合到 Hugging Face Spaces，使用戶能夠輕鬆構建和部署基於 Python 的儀表板和複雜應用程式。
Hugging Face 對美國 NTIA 關於 AI 問責制徵求意見的回應
2023 年 6 月 12 日，Hugging Face 就美國 NTIA 關於 AI 問責制的徵求意見提交了回應，建議問責機制應涵蓋完整的 ML 生命週期、將內部文件與外部透明度相結合，並納入廣泛的利益相關者。
為低資源 ASR 微調 MMS Adapter 模型
Hugging Face 宣布，在 Meta AI 的 Massive Multilingual Speech (MMS) 模型上微調 adapter 層，僅需數分鐘訓練即可在低資源語言上達到最先進的字錯率 (WER)，同時比全模型微調更具記憶體效率。
Autoformer – Transformers 對時間序列預測有效
Hugging Face 宣布 Autoformer 模型現在已在 🤗 Transformers 庫中提供，顯示基於 Transformer 的模型在時間序列預測基準測試中優於如 DLinear 這樣的簡單線性基線。
Hugging Face 內容指引與政策更新
Hugging Face 已更新其內容政策，以應對審核機器學習工件的獨特挑戰，並將同意作為核心價值，以保護使用者權利與隱私。
將 Livebook 筆記本部署為應用程式至 Hugging Face Spaces
Hugging Face 現在支援將 Livebook 筆記本部署為互動式應用程式至 Hugging Face Spaces，使得基於 Elixir 的機器學習應用程式能夠輕鬆共享。
在 iPhone、iPad 和 Mac 上使用 Core ML 加速 Stable Diffusion
Hugging Face 與 Apple 在 Core ML 中引入了 6 位調色板量化和更新的注意力層優化，以顯著降低記憶體使用量並提升 Stable Diffusion 在 Apple 裝置上的推理速度。
OpenAI 函式呼叫與 API 更新
OpenAI 為 gpt-4-0613 和 gpt-3.5-turbo-0613 引入了函式呼叫，使模型能夠輸出結構化 JSON 以進行外部工具和 API 整合。
Hugging Face 與 AMD 合作加速模型
Hugging Face 與 AMD 已經合作以優化最先進的 Transformer 模型，適用於 AMD CPU、GPU 與 AI 加速器，從而提升訓練與推理的成本效益標準。
專為美術館、圖書館、檔案館與博物館設計的 Hugging Face Hub
Hugging Face 發布了一份指南，展示美術館、圖書館、檔案館和博物館如何利用其 Hub 來分享模型、資料集和演示，從而降低 GLAM 領域使用機器學習的門檻。
基礎模型能像人類一樣標記數據嗎？Hugging Face 分析
Hugging Face 調查了 GPT-4 是否能可靠地取代人類標註者進行 LLM 偏好評估，發現其存在顯著的位置偏誤與冗長偏誤，限制了其作為人類判斷代理的準確性。
Hugging Face Hub 與 DuckDB 整合用於數據集分析
Hugging Face 現在允許使用者透過 DuckDB，對 Hub 上超過 50,000 個已自動轉換為 Parquet 格式的公開數據集執行 SQL 查詢。
fastText 與 Hugging Face Hub 整合
Hugging Face 現在託管 fastText 詞向量的官方鏡像，支援 157 種語言以及一個語言識別模型，簡化模型存取與部署。
Falcon 模型發布與 Hugging Face 生態系統整合
Hugging Face 宣布了 Falcon 系列開放 Apache‑2.0 授權的語言模型，強調 Falcon‑40B 在 Open LLM 排行榜上的首位排名，並展示如何使用 Hugging Face 工具來運行、量化和微調它們。
AI 語音辨識在 Unity 中
Hugging Face 提供了一份指南和 API，以在 Unity 遊戲中實作最先進的自動語音辨識 (ASR)，從而啟用語音命令和 NPC 互動。
OpenAI 網路安全補助金計畫
OpenAI 已推出 $1M 網路安全補助金計畫，以賦能防禦者並量化 AI 在網路安全中的角色，之後隨著 GPT-5.3-Codex 的發布，該計畫演進為包含 $10M API 點數及 Trusted Access for Cyber。
Hugging Face 開放原始碼 AI 遊戲 Jam 公告
Hugging Face 將於 2023 年 7 月 7 日至 9 日舉辦 開放原始碼 AI 遊戲 Jam，以鼓勵遊戲開發者將開放原始碼生成式 AI 工具整合到他們的開發工作流程和遊戲功能中。
OpenAI 透過過程監督提升數學推理
OpenAI 已開發出一種方法，透過獎勵每一個正確的推理步驟（過程監督）而非僅獎勵最終答案（結果監督），來改善數學問題解決，從而達到最先進的表現和更好的 AI 對齊。
Hugging Face LLM 推理容器適用於 Amazon SageMaker
Hugging Face 已為 Amazon SageMaker 推出專門設計的 LLM 推理容器 (DLC)，由 Text Generation Inference (TGI) 提供動力，以實現開源大型語言模型的高效能部署。
OpenAI 民主輸入 AI 計畫
OpenAI 推出一項補助金計畫，資助十項每項 $100,000 的實驗，旨在開發決定 AI 系統應遵循規則的民主程序。
優化 Intel CPU 上的 Stable Diffusion 使用 NNCF 與 🤗 Optimum
Hugging Face 宣佈了一個使用 NNCF 與 Optimum 來對 Stable Diffusion 進行量化並應用 Token Merging 的工作流程，在 Intel CPU 上實現最高 5.1 倍的推理加速，並將模型佔用空間減少 4 倍。
Hugging Face Model Catalog 在 Azure Machine Learning 上
Hugging Face 與 Microsoft 已在 Azure Machine Learning Studio 內推出 Hugging Face Hub Model Catalog 的原生整合，以簡化在安全的 Azure 基礎設施上部署開放原始碼模型。
Hugging Face 4 位元量化與 QLoRA 發布
Hugging Face 宣布透過 bitsandbytes 支援 4 位元量化以及 QLoRA 方法，使大型語言模型能在消費級 GPU 上進行推論與適配器微調。
使用 InstructPix2Pix 進行 Stable Diffusion 的指令微調
Hugging Face 探索擴展 InstructPix2Pix，以透過多任務指令微調方法教導 Stable Diffusion 遵循特定的圖像翻譯與低階處理指令。
Hugging Face Safetensors 安全審計與預設採用
Hugging Face、EleutherAI 與 Stability AI 正在將 safetensors 轉為預設的模型保存格式，此舉是基於 Trail of Bits 的安全審計，該審計確認未發現導致任意程式碼執行的重大缺陷。
Hugging Face 與 IBM 的 watsonx.ai 合作夥伴關係
Hugging Face 與 IBM 合作，將 Hugging Face 的開源函式庫與模型整合至 watsonx.ai，這是一個用於訓練、微調與部署基礎模型的企業 AI 工作室。
OpenAI 超級智慧治理提案
OpenAI 提出一個由國際協調、類似 IAEA 的全球監管機構以及先進安全研究三大支柱構成的超級智慧管理框架。
Q8-Chat：在 Intel Xeon CPU 上的高效生成式 AI
Hugging Face 與 Intel 示範，使用 SmoothQuant 將大型語言模型壓縮至 8 位元整數，可在單插槽 Intel Xeon CPU 上高效執行高品質聊天體驗。
大規模近重複刪除背後的 BigCode
Hugging Face 詳細說明了使用 MinHash 與 Locality Sensitive Hashing（LSH）在 BigCode 計畫中執行大規模近重複刪除，並證明移除近重複資料可提升模型效能與訓練效率。
RWKV 架構整合至 Hugging Face Transformers
Hugging Face 宣布將 RWKV RNN‑Transformer 混合模型整合至 Transformers 函式庫，讓開源的長上下文語言模型結合 RNN 的效率與 Transformer 的效能。
在 AMD GPU 上使用 ROCm 執行 Vicuna 13B
Hugging Face 提供了一份技術指南，說明如何在單一 AMD GPU 上使用 ROCm 與 GPTQ 4 位元量化部署 Vicuna 13B 開源聊天機器人，將記憶體需求從 28GB 降至 7.52GB。
Hugging Face 入選 CNIL 加強支援計畫
Hugging Face 已被法國資料保護機構（CNIL）選入其加強支援計畫，以提升在 AI 開發中資料保護與 GDPR 合規的落實。
Hugging Face 輔助生成以降低延遲的文字生成
Hugging Face 引入了 Assisted Generation，一種利用較小的輔助模型預測候選 token，並由較大的模型驗證的解碼方法，可在某些硬體配置下將延遲降低至最高 10 倍。
OpenAI 發布使用 GPT‑4 的 GPT‑2 自動神經元說明資料集
OpenAI 宣布了一種使用 GPT‑4 為 GPT‑2 中每個神經元生成與評分自然語言說明的方法，並將產生的資料集、檢視器與程式碼釋出給研究社群。
使用 StarCoder 創建編程助手 – 摘要
本文說明了 Hugging Face 團隊如何將 16 B 參數的 StarCoder 程式碼生成模型轉變為對話式編程助手（StarChat‑α）。透過新增特殊聊天標記、準備過濾後的 Open‑Assistant 對話資料集，並使用 DeepSpeed ZeRO‑3 進行微調，他們訓練出一個能理解使用者提示並產生可執行程式碼（例如繪圖、地圖、視覺化）的模型。文章亦涵蓋了 tokenizer 設定、使用者回合的損失遮蔽、訓練配置、評估（包括基準測試與 LLM 為基礎的評估）、限制與未來方向。最終模型已在 Hub 上公開提供。
深入探討文字到影片模型
Hugging Face 提供了文字到影片生成模型演變的技術概述，詳細說明了從 GAN 到 Transformer 以及 Diffusion 架構的轉變，同時突顯了時間一致性與資料稀缺的獨特挑戰。
StarCoder 發行說明
Hugging Face 與 ServiceNow 的 BigCode 合作發布了 StarCoder 與 StarCoderBase，這兩款 15B 參數的程式碼 LLM 以寬鬆授權的資料訓練，並在程式設計基準測試中超越多個開放與封閉模型。
Hugging Face Unity API 安裝與使用指南
Hugging Face Unity API 讓開發者能透過專屬套件與 API wizard，將 Hugging Face Inference API 模型整合至 Unity 專案中。
使用 Hugging Face Transformers、TensorFlow 與 TPU 訓練語言模型
Hugging Face 提供了一套可擴展的端對端指南，使用 TensorFlow 與 TPU pod 從頭訓練遮蔽語言模型，透過 XLA 相容性實現高效能運算。
Databricks 與 Hugging Face 整合 Apache Spark 加速 LLM 訓練
Databricks 透過 Dataset.from_spark() 函式在 Hugging Face Datasets 中引入了第一流的 Apache Spark 支援，將大型模型訓練與微調的資料載入時間縮短最高可達 40%。