Mistral 如何用 AI 智能体迁移 4 万行 Fortran 遗留代码
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 物理油藏模拟器迁移到 C++,该代码库没有测试套件和集中文档。团队先搭建数值一致性校验框架,用自定义解析器生成调用树并让上百个智能体补文档,再以规划、编码、测试、审查的智能体工作流逐模块迁移,由人工审查 PR 把关。
推荐理由:Mistral 公开了用智能体迁移 4 万行 Fortran 的完整流程,含一致性校验与人工审查节点的取舍。
Mistral 帮助一家欧洲能源运营商把 4 万行 Fortran 77 物理油藏模拟器迁移到 C++,该代码库没有测试套件和集中文档。团队先搭建数值一致性校验框架,用自定义解析器生成调用树并让上百个智能体补文档,再以规划、编码、测试、审查的智能体工作流逐模块迁移,由人工审查 PR 把关。
推荐理由:Mistral 公开了用智能体迁移 4 万行 Fortran 的完整流程,含一致性校验与人工审查节点的取舍。
GitHub 官方博客介绍如何在 GitHub Copilot app 中并行运行多个智能体会话:每个会话独立运行在自己的 Git worktree 上,互不干扰,各自保留上下文,可在 sessions view 中跟踪进度并随时切换。文中以 tailspin-toys 仓库为例,同时发起构建 funded sort 功能、无障碍审查和运行测试三个会话,并建议新手先从两个小任务开始尝试。
作者用 TRL 和 OpenEnv 开源复现了 Surya Narreddi 训练语言模型写 p5.brush 代码画水彩的配方,参考池数据集、RL 环境、训练脚本和模型全部公开,整条流水线可在 Hugging Face 上一条命令跑通。
推荐理由:文章完整拆解了用 TRL 和 OpenEnv 复现审美奖励训练的全过程,含三组奖励配比对比与踩坑记录,可直接迁移。
Hugging Face 发布教程,用 TRL 库的 GRPO 对 LFM2.5-350M 做 LoRA 微调,约 500 条样本、100 步训练,在 IFStruct 基准上通过率从 22.6% 提升到 29.7%,其中 JSON 从 18.0% 升至 31.9%,YAML 基本持平。
Hugging Face 官方博客介绍 Sentence Transformers v6.0 新增的 MultiVectorEncoder 模型类型及其完整训练方法,用于 ColBERT 式后期交互检索。
推荐理由:原文给出可复现的完整训练脚本与关键超参取舍,读者可据此在消费级 GPU 上自建领域多向量检索模型。
Hugging Face 官方博客介绍其为 Papers with Code 复兴构建的混合搜索系统:PostgreSQL 全文检索提供词法基线,pgvector 加语义召回,再用 RRF 融合排序,目前维护超过 110,000 篇来自 arXiv 和 Daily Papers 的论文向量。
推荐理由:文章拆解了离线批量与在线查询两条路径的分工方式,以及冷启动降级到全文检索的兜底设计,可迁移性强。
Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder,用同一套 API 加载 PyLate、Stanford-NLP ColBERT 和 colpali-engine 检查点,支持 ColBERT 式晚期交互检索。
推荐理由:原文给出索引体积代价的具体数据和四种向量库的实测耗时,读者可据此评估落地成本。
Hugging Face 构建了一个约束感知 GPU 分配器,在 7 个基准场景下与 FIFO 调度器对比,相同硬件与负载下 GPU 利用率最高提升 33 个百分点,优先级加权产出在全部场景中提升,最高达 105%。
Hugging Face 官方博客介绍了 Strands Robots 中的流式数据回路:用一个 Robot() 对象把机器人演示录制进 Hugging Face Storage Buckets、只同步变化字节、直接从 Hub 流式读取训练,再把 checkpoint 以 mode="real" 部署回硬件,全程保持 LeRobot 磁盘格式。
OpenAI CFO Sarah Friar 分享了构建 AI 原生财务职能的五条经验,涵盖自动化预测、更强的控制与 AI ROI。
OpenAI 通过两个 API 设置——保留推理(retaining reasoning)和启用 compaction——使 GPT-5.6 在 ARC-AGI-3 benchmark 上的得分提升至原来的三倍,同时提高了效率。
OpenAI 创意团队用 Codex 构建定制创意工具、加速创意构思并更快完成原型开发。Codex 通过上下文感知的 AI 支持团队的创意工作流程。
Hugging Face Blog 与 IBM Research 撰文指出,在 agentic 系统中做模型路由远不止分类问题,而是系统优化问题。
OpenAI 介绍了用 ChatGPT Work 落地销售工作流的实用方法,覆盖 pipeline briefs、会议准备、客户账户计划、预测复盘(forecast reviews)和交易诊断(deal diagnosis)等场景。文章以教程形式给出可直接套用的操作思路,帮助销售团队把 ChatGPT Work 接入日常销售流程。
ChatGPT Work 提供根因简报、KPI 备忘录、范围界定分析和仪表板规格四类数据科学工作流的实用做法。文章讲解如何用 ChatGPT Work 完成这些典型数据科学任务的具体流程。
Hugging Face 发布 Profiling in PyTorch 系列第三篇,用 NVIDIA A100-SXM4-80GB 逐一 profile 注意力实现:手写朴素注意力、把 masked_fill 改成 masked_fill_ 的原地版本,以及 SDPA 的 math、efficient、flash、cudnn 四个后端。
推荐理由:通过同一注意力实现在 profiler 下的六种形态对比,读者能学会先猜测再看 trace 的具体分析方法。
OpenAI 发布 ChatGPT 入门指南,教用户开始第一次对话,并用 AI 进行写作、头脑风暴和解决问题。
Photoroom 在 PRX 系列第 4 篇中详解其 7B 文生图模型的预训练数据管线:混合公开与内部数据集,用 VLM 重写长描述,再转成可流式读取的语料。
OpenAI 工程师通过大规模 core dump 分析排查罕见的基础设施崩溃,发现了一处硬件故障和一个存在 18 年的软件 bug。该方法用于调试基础设施中难以复现的崩溃问题。
Hugging Face 官方博客介绍如何用 hf jobs run 一条命令在 HF 基础设施上启动私有、OpenAI 兼容的 vLLM 端点,无需配置服务器或 Kubernetes,按秒计费(a10g-large 为 $1.50/hour)。
NVIDIA NeMo AutoModel 基于 Transformers v5 构建,通过 Expert Parallelism、DeepEP fused all-to-all dispatch 和 TransformerEngine kernels。
Google Chrome 团队的 Thomas Steiner 在 Hugging Face Blog 撰文,介绍如何在 Transformers.js 中实验 Cross-Origin Storage(COS)API,解决不同 origin 重复下载模型与 Wasm 资源的问题。
Hugging Face 将 huggingface_hub 的发布节奏从每 4 到 6 周一次改为每周一次,整条流程由单个 GitHub Actions 工作流驱动。
推荐理由:原文给出可直接 fork 的信任校验闭环,即确定性清单加模型草稿加校验重提示,可迁移到任何需要生成发布说明的项目。
文章讲解 Jason Liu 如何用 Codex 保留上下文、管理复杂项目,让工作在单次提示词之外持续进行。
Hugging Face 博客介绍了用本地模型 gemma-4-26b-a4b 和 qwen3.6-35b-a3b 搭配 pi agent harness 与受限 reposhell,在 NVIDIA GB10(DGX Spark,128 GB 统一内存)上对 OpenClaw 仓库的 issue 和 PR 做实时分类与 Discord 通知的完整方案。
推荐理由:给出了本地模型做高吞吐分类的完整配方与实测数据,可迁移到其他实时筛选场景。
Hugging Face 在 PEFT 库中加入统一基准,在相同基座模型、数据、代码和硬件下对比多种 PEFT 技术,结论是 LoRA 表现不错但并非总是最优。
Hugging Face 发布 agent-eval 基准工具,以 transformers 为案例,衡量智能体完成任务所花的轮次、token、时间和路径,而非只看最终答案。
推荐理由:通过对比不同模型规模下的实测结果,说明面向智能体的工具改动可能对大小模型产生相反效果。
Hugging Face 官方博客介绍了 AWS 开源 SDK Strands Robots 与 LeRobot 的集成,用一个 Strands agent 串起从 Hub 数据集到实体机器人的完整流程。
Hugging Face Blog 发布 PyTorch Profiling 系列第二篇,用 profiler trace 对比 nn.Linear 与三层 GeGLU MLP 在 eager、torch.compile 和 Liger 手写 kernel 三种设置下的表现。
天体物理学家 Chi-kwan Chan 使用 Codex 构建黑洞模拟,帮助科学家研究极端物理并检验爱因斯坦的广义相对论理论。
Hugging Face 博客展示了作者让一个编码 Agent 通过直接调用两个 Hugging Face Spaces 构建 3D 巴黎地标展馆的全过程,作者全程未手动使用图像生成器或 3D 重建工具。
推荐理由:通过一个可复现的实例展示了 agents.md 让 Space 变成可调用积木,读者可据此理解多媒体工作流的组装方式。
Hugging Face 官方博客介绍如何让 GitHub Actions 的 CI 作业改在 Hugging Face Jobs 上运行,通过 huggingface/jobs-actions 桥接把 GitHub 作业转成 HF Job 内的临时自托管 runner,只需把 runs-on 改为 hf-jobs-* 标签。
Dharma AI 在 Hugging Face 博客介绍其 DharmaOCR 论文中的方法:在 SFT 之后加一阶段 Direct Preference Optimization (DPO),把 SFT 模型自己产生的退化重复循环输出作为 rejected 样本、正确转录作为 chosen 样本,在 23,726 份训练文档上用自动 LLM judge 打分构建偏好对。
Wasmer 使用 Codex 搭配 GPT-5.5 构建了面向边缘的 Node.js 运行时,开发速度提升 10x 至 20x,从数月缩短到数周内交付。
IBM Research 在 Hugging Face 博客撰文提出,企业工作流动态长周期、API 众多且受政策法规约束,仅靠前沿 LLM 难以支撑规模化落地,需要在 agent 层引入知识图谱、程序分析库等 agent logic 来收窄上下文。
Braintrust 工程师使用 Codex 搭配 GPT-5.5 运行实验并更快地编写代码,把客户需求直接转化为可交付的代码实现。
Hugging Face 官方博客发布 Profiling in PyTorch 系列第一篇,以一个 matmul + add 的小脚本为例,手把手教读者用 torch.profiler 采集并解读 profiler 表格与 Perfetto trace。
Hugging Face 在 TRL 落地 Delta Weight Sync PR(huggingface/trl#5417,分支 delta-weight-sync)。
推荐理由:原文把稀疏增量同步的原理、协议和实测暂停时长一并给出,读者可据此评估它对自身训练部署的迁移成本。
Hugging Face 发布教程,指导用户用 speech-to-speech 库让 Reachy Mini 机器人完全本地运行语音对话,无需云端、无需 API key、数据不出本机。
Hugging Face Blog 发布一篇 AI Agent 术语表,围绕 harness、scaffold 等常被混用的概念给出实用心智模型,而非强制统一定义。