Hugging Face 教程:用 Sentence Transformers 微调多模态 Embedding 与 Reranker 模型
Hugging Face 官方博客给出用 Sentence Transformers 训练和微调多模态 embedding 与 reranker 模型的完整教程。
推荐理由:以完整可跑的训练脚本和 NDCG@10 对比表说明领域微调收益,读者可直接迁移方法到自己的数据。
公司与模型
Hugging Face 社区的热门开源模型、数据集、工具与榜单变化。
142 条精选近 30 天 13 条共收录 661 条
Hugging Face 官方博客给出用 Sentence Transformers 训练和微调多模态 embedding 与 reranker 模型的完整教程。
推荐理由:以完整可跑的训练脚本和 NDCG@10 对比表说明领域微调收益,读者可直接迁移方法到自己的数据。
Hugging Face 发布 TRL v1.0,将后训练库从研究代码库转为带明确稳定性契约的正式库,已实现超过 75 种后训练方法,月下载量达 3 million。
推荐理由:原文解释了稳定层与实验层并存的设计取舍,读者可理解后训练库如何应对算法快速更迭。
Hugging Face 发布《State of Open Source on Hugging Face: Spring 2026》报告,用平台数据梳理过去一年开源 AI 在竞争、地域、技术趋势与社区上的变化。
推荐理由:报告用下载、派生模型等多维数据刻画开源生态一年变化,可帮助读者理解竞争与地域格局的迁移。
Hugging Face 在 Hub 上推出 Storage Buckets,一种可浏览、可用 Python 脚本或 hf CLI 管理的可变 S3 式对象存储,用于存放 checkpoint、优化器状态、处理后的数据分片和日志等中间产物。
推荐理由:原文说明了它与 Git 存储的分工边界以及 Xet 去重带来的成本收益,读者可据此判断是否迁移现有工作流。
Hugging Face Blog 发布长文,为 TRL 的异步训练器设计做调研,按七个维度(编排原语、rollout buffer 设计、权重同步协议、staleness 管理、partial rollout 处理、LoRA 支持、分布式训练后端)对比了16个从零围绕异步训练构建的开源库。
推荐理由:文章用七个维度拆解了16个开源RL库的异步训练设计,读者可据此对比选型并理解各自权衡。
LeRobot v0.5.0 发布,自 v0.4.0 起合并 200 多个 PR、新增 50 多位贡献者,新增完整 Unitree G1 人形支持(含运动、操作、遥操作与全身控制)、OpenArm 与 Earth Rover 等硬件,以及 Pi0-FAST 自回归 VLA、Real-Time Chunking、Wall-X、X-VLA、SARM 和 PEFT 支持等六项策略。
推荐理由:原文逐项列出了硬件、策略、数据与环境四条线的能力变化,读者可据此判断这次版本更新会怎样扩展可支持的机器人与训练流程。
Hugging Face 官方博客介绍 Modular Diffusers,它用可复用的块(如文本编码、图像编码、去噪、解码)组合构建扩散流水线,作为现有 DiffusionPipeline 的灵活替代,API 保持一致。
推荐理由:原文给出可复用块的组合方式与自定义块写法,读者可据此判断如何改造现有扩散工作流。
Photoroom 在 PRX 系列第三篇中把此前验证有效的扩散模型技巧组合起来,用 32 张 H200、约 $1500 总算力预算完成 24 小时文生图模型训练,并开源代码到 https://github.com/Photoroom/PRX 。
推荐理由:原文把像素空间训练、token 路由、感知损失等技巧的组合方式和超参写全,可直接复现其 24 小时训练配方。
Hugging Face 宣布 GGML(llama.cpp 的创建者)及其团队加入 HF,以在 Local AI 快速发展期间为项目提供长期可持续资源。合并后 Georgi Gerganov 和团队仍 100% 投入维护 llama.cpp,在技术方向和社区上保持完全自治,项目继续 100% 开源并由社区驱动。
推荐理由:说明了合并后 llama.cpp 保持自治与开源的原因,以及 transformers 与本地推理栈打通的技术方向。
Hugging Face 发布了一个教编码智能体编写生产级 CUDA kernel 的 agent skill,随 kernels 库提供,可用 kernels skills add cuda-kernels --claude 等命令装入 Claude、Codex、OpenCode 等智能体。
推荐理由:给出了可直接安装的 skill 命令和两组真实基准数据,读者可据此评估它能否用于自己的 kernel 工作流。
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 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。
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 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,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 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。
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 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。