Hugging Face 宣布 Transformers.js v4 已发布到 NPM（npm i @huggingface/transformers），核心变化是采用用 C++ 重写的全新 WebGPU Runtime，与 ONNX Runtime 团队合作在约 200 个已支持模型架构上完成测试，同一份代码可运行于浏览器、Node、Bun 和 Deno。
推荐理由：原文给出了构建耗时、包体积和推理速度的具体数字，读者可据此评估升级到 v4 的实际收益。
Hugging Face 推出 SyGra 2.0.0 的 Studio，一个把合成数据生成变成可视化画布操作的交互环境，取代手写 YAML 和终端流程。用户可在画布上拖拽节点、预览数据源、内联调提示词并实时查看执行流，Studio 会同步生成对应的 SyGra graph config 与任务执行脚本。
Hugging Face 推出 Community Evals，让基准数据集仓库可托管排行榜，模型仓库自行存储评测分数，社区可通过 PR 提交结果，Verified 徽章标识可复现的结果。
推荐理由：原文说明了分数分散在各处的问题和去中心化上报机制，读者可理解它如何让评测过程变得可追溯。
H Company 发布了迄今最大的 UI 本地化模型 Holo2-235B-A22B Preview，在 Screenspot-Pro 上以 78.5%、OSWorld G 上以 79.0% 刷新 SOTA，现已上线 Hugging Face。
Hugging Face Blog 第三篇系列文章分析 DeepSeek Moment 之后中国 AI 组织的开源路径与未来方向，认为开源在可预见的未来仍是中国 AI 组织的主流策略。
Hugging Face Gradio 团队发布并开源 Python 库 Daggr，用几行代码把 Gradio 应用、模型和自定义函数串成 AI 工作流，并自动生成可视化画布，可查看中间输出、单独重跑某一步并管理状态。
Hugging Face 发布开源工具 upskill，用 Claude Opus 4.5 等大模型生成并评测 agent skill，再迁移到更小或本地模型使用，本次以编写 diffusers 模型的 CUDA 内核为基准任务。
推荐理由：原文给出用大模型生成技能再迁移到小模型的完整流程与实测数据，读者可据此判断能否降低自己的调用成本。
Hugging Face 分析了 DeepSeek Moment 之后中国开源 AI 生态在架构与硬件上的选择：Kimi K2、MiniMax M2、Qwen3 等主流模型几乎一致转向 MoE 架构，Apache 2.0 成为默认开源许可，0.5B–30B 小模型因易本地运行和微调而广受欢迎，100B–700B 大模型则作为"教师模型"向下蒸馏。
Hugging Face 与 LinkedIn 团队复盘了在 verl 框架下为 GPT-OSS-20B 解锁 agentic RL 训练的过程，依次修复了三类问题。
Hugging Face 推出 AssetOpsBench，一个面向工业资产管理的 Agent 评测基准，包含 2.3M 传感器遥测点、140+ 场景、4.2K 工单和 53 种故障模式，从任务完成、检索准确率、结果验证、序列正确性、清晰度与幻觉率六个维度打分。
Hugging Face 发布系列博文首篇，复盘 DeepSeek R1 发布一年来中国开源 AI 生态的演变。文章指出 R1 通过公开推理路径与后训练方法、采用 MIT 许可，降低了技术、采用与心理三重门槛，使先进推理能力变成可下载、蒸馏和微调的工程资产。
Hugging Face 联合社区推出开放推理标准 Open Responses，基于 OpenAI 的 Responses API 并开源，面向智能体工作负载，默认无状态、支持加密推理，流式输出建模为语义事件。
推荐理由：梳理了从 Chat Completion 迁移的核心改动与工具循环规范，便于开发者评估接入成本。
Hugging Face 发布教程，讲解如何用 NVIDIA DGX Spark 和 Reachy Mini 搭建可本地运行的个人 AI 机器人，复现黄仁勋在 CES 2026 主题演讲中的演示。
Hugging Face 官方博客介绍 Transformers v5 对分词器的重新设计，将分词器架构与训练好的词表分离，类似 PyTorch 把网络结构与权重分开。
CUGA（Configurable Generalist Agent）作为开源智能体集成到 Hugging Face Spaces，上线了一个演示：展示小型 CRM 系统，配备 20 个预配置工具，通过 API Agent 处理销售数据查询和 API 交互，并提供 workspace files 以使用预定义策略。
Hugging Face 发布教程，介绍让 OpenAI Codex 接入 HF Skills 仓库后完成端到端机器学习实验的流程。
推荐理由：教程给出从数据校验到成本预估的完整操作链，可直接迁移到自己的微调实验。
Hugging Face 发布 swift-huggingface，一个从零重写的 Swift 包，提供完整的 Hugging Face Hub 客户端，支持模型、数据集、spaces 等完整 Hub API 覆盖。
Hugging Face 发布 hf-llm-trainer skill，让 Claude Code 等编码智能体通过对话完成开源 LLM 微调的全流程，包括校验数据集、选择硬件、生成并提交训练任务、监控进度以及把模型推到 Hub。
推荐理由：教程给出了从数据校验到成本估算的完整闭环，读者可据此评估用对话完成微调的可行性。
Google Research 在 NeurIPS 2025 推出 Massive Sound Embedding Benchmark（MSEB），标准化评测转写、分类、检索、推理、分割、聚类、重排、重建八项听觉核心能力。
Hugging Face 发布 Transformers v5.0.0rc-0，日安装量超 300 万次、累计超 12 亿次，模型架构从 v4 的 40 个增至 400 多个。
推荐理由：官方系统梳理了 v5 在简化、训练、推理和量化上的取舍，读者可据此判断迁移成本与生态兼容变化。
Hugging Face 博客从注意力机制和 KV cache 出发，以提升吞吐量为目标推导出连续批处理（continuous batching）。
Hugging Face Blog 发布 Diffusers 对 FLUX.2 的支持，提供 Flux2Pipeline 与 Flux2Transformer2DModel 的加载代码，使用 diffusers/FLUX.2-dev-bnb-4bit 仓库、Mistral3 文本编码器和 enable_model_cpu_offload 进行文生图推理。
Hugging Face 的 Open ASR Leaderboard 新增多语言与长音频转写赛道，截至 21 Nov 2025 已对比来自 18 个机构的 60+ 开源与闭源模型、覆盖 11 个数据集，并配有一篇预印本总结趋势。
Hugging Face TRL 官方集成 RapidFire AI，让用户在几乎不改代码、不增加 GPU 需求的前提下并发比较多种微调/后训练配置。
Hugging Face 发布 AnyLanguageModel，一个可直接替换 Apple Foundation Models 框架的 Swift 包，只需把 import 语句换掉即可保持相同 API。
Hugging Face 发布教程，介绍如何用 kernels 库的 kernel-builder 构建、测试并把 ROCm 内核分享到 Hub，以 RadeonFlow_Kernels 的 GEMM 内核为例。
AMD 与 Hugging Face、Data Monsters 联合举办 AMD Open Robotics Hackathon，12 月 5-7 日在东京、12 月 12-14 日在巴黎各办一场线下赛，每队最多 4 名 18 岁以上成员，3 天内完成 LeRobot 开发环境搭建与自由项目开发。
Hugging Face 宣布与 Google Cloud 达成新的深化战略合作，帮助企业在 Google Cloud 上用开放模型构建和定制自有 AI。
Hugging Face 博文分析了全球 AI 算力格局的变化：美国出口管制与中国国产芯片发展相互关联，近几个月中国高性能开源模型的推理已开始由华为 Ascend、Cambricon 等国产芯片承载，部分模型也开始用国产芯片训练。
推荐理由：梳理了美国出口管制与中国国产芯片、开源模型发展之间的相互作用，可帮助读者理解全球算力格局变化的来龙去脉。
Hugging Face 发布 voice consent gate（语音同意门）概念与示例 Space，让语音克隆只有在说话者明确说出同意后才启动。系统由生成同意句、ASR 识别和语音克隆 TTS 三部分组成，用大语言模型为每次会话生成含模型名的唯一同意句与补充语音多样性的中性句，且要求音频直接来自麦克风。
Hugging Face 官方宣布 huggingface_hub 发布 v1.0，这是该库五年 35+ 个版本后的首个大版本，支撑 GitHub 上 200,000+ 仓库和 PyPI 上 3,000 个包，月下载量达 113.5 million。
推荐理由：官方系统梳理了 v1.0 的破坏性变更与迁移路径，读者可据此评估升级影响与兼容范围。
Hugging Face 官方博客宣布 datasets 库的 streaming=True 流式加载获得大幅优化：数据文件解析时间快 10 倍、启动请求最多减少 100 倍、流式速度最高提升 2 倍，在 256 并发 worker 下零崩溃。
推荐理由：原文拆解了启动与流式两个阶段的具体优化手段，读者可迁移其缓存与预取思路到自己的数据管线。
LeRobot 发布 v0.4.0，推出 LeRobotDataset v3.0（分块 episode 格式、Parquet 统一元数据，支持 OXE 级 >400GB 数据集）、lerobot-edit-dataset CLI 编辑工具，以及面向模型和硬件的两类 Processors 数据处理管线。
推荐理由：原文逐项列出了数据集、仿真、训练与硬件接入的改动，读者可据此评估开源机器人学习工作流会如何变化。
Meta-PyTorch 与 Hugging Face 合作推出 OpenEnv Hub，一个用于构建、分享和探索 OpenEnv 兼容智能体环境的开放社区中心，同时发布 OpenEnv 0.1 Spec (RFC) 征集反馈。
推荐理由：原文说明了智能体环境要解决的工具暴露问题和与RL训练栈的对接方式，读者可据此判断它在现有工作流中的位置。
Hugging Face 宣布与 VirusTotal 合作，对 Hub 上 2.2M+ 公开模型和数据集仓库进行持续扫描。访问仓库或文件页面时，平台会将文件哈希与 VirusTotal 威胁情报库比对，返回检出数、已知恶意关联等元数据，且不共享原始文件内容。
Hugging Face 宣布 Sentence Transformers（SBERT）从达姆施塔特工业大学 UKP Lab 转入 Hugging Face，Tom Aarsen 自 2023 年底起维护并将继续主导项目，项目保持 Apache 2.0 开源协议。
推荐理由：梳理了该库从高校实验室迁移到 Hugging Face 的来龙去脉与维护权交接，便于判断开源嵌入工具的治理走向。
Hugging Face 宣布为开源工具 AI Sheets 加入视觉支持，用户可在表格中直接查看、分析、提取图片信息，生成新图并实时编辑，底层通过 Inference Providers 调用数千个开源模型。
推荐理由：通过手写食谱的完整示例，读者可以看到从图片抽取到结构化导出的可迁移工作流。
Hugging Face 发布指南介绍如何挑选和使用开源 OCR 模型，覆盖模型能力、输出格式（DocTag、HTML、Markdown、JSON）、评测基准与成本对比。
推荐理由：文章给出模型能力、输出格式与成本的对照维度，读者可据此为自己的文档场景挑选 OCR 模型。
Hugging Face 发起 AI for Food Allergies 项目，旨在建立首个社区驱动的实验室，用 AI 推进食物过敏研究。全球约 220 million 人受至少一种食物过敏困扰，美国约占人口 10%。项目将整合 ProtBERT、ESM-2、AllergenBERT 等模型在过敏原预测、药物靶点相互作用和临床诊断上的进展，并解决数据稀缺、分散与难以获取的瓶颈。
Hugging Face 用 Optimum Intel 和 OpenVINO 演示了 3 步在 Intel CPU 上本地运行 VLM 的流程，无需 GPU，示例模型为 HuggingFaceTB/SmolVLM2-256M-Video-Instruct。