Hugging Face 官方博客宣布 RWKV 架构已通过 Pull Request 集成进 transformers 库，可通过源码安装或 main 分支使用，支持 pipeline 文本生成与 alpaca 风格的 RWKV-4 Raven 聊天模型调用，并提供 convert_rwkv_checkpoint_to_hf.py 脚本转换原始权重。
推荐理由：原文对比了 RWKV 与 Transformer、RNN 的取舍并给出可直接运行的代码，便于读者判断其适用场景。
Hugging Face 在 🤗 Transformers 的 .generate() 中推出新解码方法 assisted generation，用小模型生成候选 token、再由目标模型一次前向验证，在普通硬件上最高可将延迟降低 10x。
推荐理由：原文拆解了延迟瓶颈并给出可复现的加速数字，读者可据此判断该方法是否适配自己的部署场景。
Hugging Face 官方博客讲解如何把 BigCode 的 16B 参数开源代码模型 StarCoder 微调成对话式编码助手 StarChat。
推荐理由：完整给出从数据准备、ChatML 格式化到 DeepSpeed 训练与评测的可复现流程，适合想动手微调代码模型的读者。
Hugging Face 与 ServiceNow 联合的 BigCode 项目发布代码大模型 StarCoder 和 StarCoderBase，基于 80+ 编程语言等许可数据训练，约 15B 参数、1 trillion tokens。
推荐理由：原文给出评测数据和提示词技巧，读者可了解开源代码模型的水平及提升分数的具体做法。
Hugging Face 官方博客给出完整教程，用 🧨 diffusers 在免费版 Google Colab（13 GB CPU RAM、15 GB VRAM 的 T4）上运行 DeepFloyd 的 IF 文生图模型。
Hugging Face 推出面向中文使用者的官方博客 hf.co/blog/zh，由志愿者团队翻译 transformers、diffusion、强化学习等博客与课程资源。
Hugging Face 发布 StackLLaMA 模型与配套教程，展示用 SFT、奖励模型和 RLHF 三步在 LLaMA 7B 上训练 Stack Exchange 问答能力的完整流程，模型已上线 Hub，训练管线收录于 TRL 库。
推荐理由：教程完整给出 RLHF 三阶段的可复现代码与显存估算，读者可据此在单卡上跑通流程。
Hugging Face 发布伦理与社会通讯 #3，阐述在开放与风险控制之间寻求平衡的"伦理式开放"策略。
在 Intel Sapphire Rapids CPU 上，Stable Diffusion v1-5 的 float32 推理平均延迟为 32.3 秒，改用 Optimum Intel 与 OpenVINO 并固定 512x512 分辨率后降至 4.7 秒，相比 Ice Lake Xeon 上约 45 秒的原始推理提速近 10x。
Hugging Face 测评显示，BLOOMZ 176B 在 8 卡 Habana Gaudi2 上推理延迟 3.103 秒，比 A100 80GB 快 1.42x；BLOOMZ-7B 更是快 2.89x。
Hugging Face 官方博客详细讲解如何用 diffusers 训练 ControlNet，以基于面部关键点的 Uncanny Faces 模型为例，覆盖规划条件、构建数据集、训练三步流程。
Informer（AAAI21 best paper）现已加入 🤗 Transformers，可用于多变量概率时间序列预测任务，即预测未来时间序列目标向量的分布。
Hugging Face 官方正式发布 trl 与 peft 的集成，让大语言模型的 RLHF 微调在消费级硬件上更易实现。文中给出三步流程：用 8-bit 精度加载活跃模型、通过 peft 添加可训练的低秩适配器、利用 disable_adapters 复用同一模型同时得到参考与活跃 logits，从而省去两份模型副本。
推荐理由：原文拆解了 8-bit 加载、LoRA 适配器与复用同一模型的三步流程，读者可直接迁移到自己的显存受限训练场景。
Hugging Face 与 Kakao Brain 联合开源 COYO 图文数据集（700M 对）以及在其上训练的 ViT 和 ALIGN 模型，这是 ALIGN 首次免费开源，也是首个附带训练数据的 ViT 与 ALIGN 发布。
Hugging Face 官方博客复盘了 2023 年 2 月土耳其地震后志愿者团队如何用机器学习构建救援应用 afetharita 的实践。
推荐理由：复盘了灾后救援中从数据标注到模型部署的完整 MLOps 流程，可迁移方法具体。
Hugging Face 在 Diffusers 库文档中发布伦理框架，以透明、一致、简洁、可访问、可复现、负责任六项原则指导社区贡献的技术决策。
Hugging Face 官方 Mac 应用 Swift Diffusers 1.1 上架 Mac App Store，将社区贡献的 SoTA 文生图模型转换为 Core ML 运行，文生图速度最高可提升至两倍，并自动为当前机型选择最佳加速器。
Hugging Face 介绍了大语言模型（LLM）的红队测试（Red-teaming），即通过构造自然语言提示词来诱发模型产生有害输出，与使用无意义字符串的对抗攻击不同，红队提示词看起来就是普通对话。文章指出红队测试可揭示模型泄露个人信息、生成偏见与仇恨内容等风险，输出可用于训练模型减少危害，但该领域仍处于早期阶段，随着模型能力涌现，需要持续演进的红队方法并推动多方协作共享数据集与最佳实践。
Hugging Face 与 AWS 扩大长期战略合作，Hugging Face 将 AWS 作为首选云提供商，借助 Amazon SageMaker、AWS Trainium、AWS Inferentia 让开发者训练、微调和部署模型。
Hugging Face 推出 🤗 PEFT 库，与 🤗 Transformers 和 🤗 Accelerate 无缝集成，目前支持 LoRA、Prefix Tuning、P-Tuning v2、Prompt Tuning、P-Tuning 等方法。
推荐理由：原文给出了在消费级硬件上微调大模型的具体配置与产出体积对比，可直接迁移复用。
Hugging Face 的 AI for Game Development 系列第 5 部分演示如何用 ChatGPT 为 5 天农场游戏生成故事，包括故事摘要、游戏描述与商店物品文案。
Hugging Face 过去一年将计算机视觉支持扩展至 8 大核心任务，Hub 上已收录超过 3000 个模型和 100 个数据集，涵盖图像分类、分割、目标检测、深度估计等任务。
Hugging Face 官方博客介绍如何在 diffusers 中用 LoRA 微调 Stable Diffusion，训练可在 11 GB 显存的 2080 Ti 上完成，训练出的权重仅约 3 MB，比 UNet 原始体积小约一千倍。
推荐理由：原文给出可直接复用的训练脚本与推理代码，并说明 LoRA 相比全量微调在显存和权重体积上的具体收益。
Hugging Face 的 AI for Game Development 系列第 4 篇讲解如何用 Stable Diffusion 的 Image2Image 功能生成 2D 游戏素材。
Hugging Face 与 Microsoft 的 ONNX Runtime 团队合作，通过 Optimum 库集成 ONNX Runtime 训练，可将许多 Hugging Face 模型的训练时间缩短 35% 以上。
Hugging Face transformers 开源库现已集成 Mask2Former 和 OneFormer 两个通用图像分割模型，可用统一架构完成实例、语义和全景分割三类任务。
Hugging Face 推出 AI 游戏开发系列教程，第 1 部分演示如何用 Stable Diffusion 1.5 生成农场游戏概念图，并在 Unity 2021.9.3f1 中搭建场景。
Hugging Face 用 🤗 Optimum Habana 对比了 Gaudi2、一代 Gaudi 与 Nvidia A100 80GB 的训练和推理性能，Gaudi2 在两项上均约快 2 倍。
Hugging Face 博客系统图解了 RLHF 的三步流程：预训练语言模型、用人类排序数据训练奖励模型、再用 PPO 等强化学习算法微调语言模型。文中说明奖励模型将文本映射为标量奖励，奖励函数由偏好分数减去与初始模型的 KL 散度惩罚构成，以防止模型输出偏离初始模型的乱码。
推荐理由：文章把 RLHF 拆成预训练、奖励模型、PPO 微调三步并给出开源工具清单，便于读者建立完整流程认知。
Hugging Face 介绍如何用 🤗 Transformers 库内置的 Time Series Transformer 模型做单变量概率时间序列预测，即为每条序列预测其一维分布而非单点值。
Hugging Face 官方博客介绍如何在 Apple Silicon 上用 Core ML 运行 Stable Diffusion，已将 Stable Diffusion v1.4、v1.5、v2 base、v2.1 base 的 Core ML 权重转换并上传至 Hugging Face Hub。
Hugging Face 宣布启动 2023 年实习计划，开放 7 个岗位，涵盖 Accelerate、Text to Speech、Embodied AI、Fast Distributed Training Framework。
Hugging Face 博客系统梳理了 Document AI 的六类用例（OCR、文档图像分类、版面分析、文档解析、表格抽取、DocVQA）及对应开源模型与评测指标。
Hugging Face 在 Diffusers 博客中分享用 Dreambooth 微调 Stable Diffusion 的实验结论与推荐设置：低学习率配合逐步增加训练步数，人脸训练在 batch size 2、LR 1e-6 下 800-1200 步效果较好，且人脸训练需要 prior preservation。
Hugging Face 宣布在 Optimum Intel 中加入 Intel OpenVINO，可直接用 OpenVINO Runtime 在各类 Intel 处理器上运行 Transformers 模型推理，并通过 NNCF 量化压缩模型体积与延迟。
Hugging Face 教程以 MNIST 训练为例，分三个抽象层级讲解多 GPU 分布式训练：原生 PyTorch DDP（`pytorch.distributed` 模块）。
Hugging Face 官方博客讲解 Accelerate 如何借助 PyTorch 让超大模型在免费 Colab 等消费级硬件上完成加载与推理。文章先指出传统加载流程的内存瓶颈：OPT-6.7B 仅创建模型就需约 26.8GB RAM，BLOOM 或 OPT-176B 这类 176B 参数模型按传统方式需 1.4TB CPU RAM。
Hugging Face 推出首期《伦理与社会》通讯，由公司内部跨部门的“Ethics and Society regulars”小组每季度在春分、秋分时发布，分享其在 AI 伦理落地方面的思考与实践。
OpenAI 宣布训练并开源神经网络 Whisper，称其在英文语音识别上接近人类水平的鲁棒性和准确性。
Hugging Face Blog 在 8x80GB A100 节点上对比了 Accelerate、DeepSpeed-Inference 和 DeepSpeed ZeRO 三套 BLOOM 176B 推理方案的加载时间与逐 token 吞吐。