跳到正文

公司与模型

Hugging Face 最新动态

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

更新

精选归档 · 第 4 页

2025年10月24日周五第 61–80 条
  1. Hugging Face Blog70

    LeRobot v0.4.0 发布:数据集 v3.0、PI0.5 与 GR00T N1.5 集成及硬件插件系统

    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。

2025年10月23日周四
  1. Hugging Face Blog65

    Meta 与 Hugging Face 联合推出 OpenEnv Hub 智能体环境社区

    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。

2025年10月22日周三
  1. Hugging Face Blog62

    Sentence Transformers 项目从 TU Darmstadt 的 UKP Lab 转入 Hugging Face

    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。

2025年10月21日周二
  1. Hugging Face Blog60

    Hugging Face AI Sheets 新增视觉能力,可在表格中提取、生成与编辑图片

    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。

2025年10月7日周二
  1. Hugging Face Blog64

    Hugging Face BigCodeArena 发布:通过代码执行评测代码生成模型

    Hugging Face BigCode 团队宣布推出 BigCodeArena,一个通过实际执行代码来评测代码生成模型的人机协同平台,用户可提交任务、让两个模型生成方案、执行并投票,结果汇总为排行榜。

    推荐理由:原文给出平台机制、社区投票数据和分层排名,读者可据此理解执行反馈如何改变代码模型评测方式。

2025年9月11日周四
  1. Hugging Face Blog74

    Hugging Face 解析 transformers 为 OpenAI gpt-oss 升级的八项优化技巧

    Hugging Face 官方博客详解为支持 OpenAI gpt-oss 系列而对 transformers 库做的多项升级,包括可从 Hub 下载的零构建 kernels、MXFP4 量化、Tensor Parallelism、Expert Parallelism、动态滑动窗口层与缓存、连续批处理与 Paged Attention 以及更快加载大模型。

    推荐理由:逐项拆解了可直接复用的配置参数与代码片段,读者可按需移植到自己的模型上。

2025年9月10日周三
2025年9月9日周二
  1. Hugging Face Blog61

    Hugging Face 发布 mmBERT 多语言编码器模型

    Hugging Face 发布 mmBERT,一个基于 ModernBERT 构建的大规模多语言编码器模型,使用 3T+ tokens、覆盖 1800 多种语言训练,是首个在性能与速度上超越 XLM-R 的同类模型。

    推荐理由:原文给出三阶段训练与低资源语言在衰减阶段快速学习的细节,可迁移其渐进式多语言训练思路。

2025年9月2日周二
2025年8月14日周四
  1. Hugging Face Blog60

    Hugging Face 开源 Kimina-Prover-RL 训练管线并发布 1.7B 与 0.6B 模型

    Hugging Face 与 AI-MO 开源了 kimina-prover-rl 训练管线,用于 Lean 4 形式化定理证明,采用受 DeepSeek-R1 启发的先推理后生成范式,基于 GRPO 与 Verl 框架,训练配方以 recipe/kimina-prover-rl 形式随 Verl fork 发布。

    推荐理由:原文给出了完整的训练配方与开源入口,读者可据此复现小参数模型上的强化学习定理证明流程。

2025年8月8日周五
  1. Hugging Face Blog65

    Hugging Face 推出开源无代码数据工具 AI Sheets

    Hugging Face 发布开源无代码工具 AI Sheets,用于用 AI 模型构建、转换和丰富数据集,可本地部署或部署到 Hub,通过 Inference Providers 或本地模型调用 Hub 上的数千个开放模型,包括 OpenAI 的 gpt-oss。

    推荐理由:原文给出了免安装入口、导入与生成两种起步方式以及 few-shot 反馈机制,读者可据此判断它如何嵌入现有数据工作流。

2025年8月5日周二
  1. Hugging Face Blog92

    Hugging Face 欢迎 OpenAI 开源 gpt-oss 模型家族并给出部署指南

    Hugging Face 发布博客介绍 OpenAI 新开源的 gpt-oss 模型家族,包含 117B 参数的 gpt-oss-120b 和 21B 参数的 gpt-oss-20b,均为 MoE 架构并采用 MXFP4 4-bit 量化,采用 Apache 2.0 许可,120B 可装入单张 H100,20B 可在 16GB 显存内运行。

    推荐理由:系统梳理了 gpt-oss 在不同硬件上的推理优化选择,可直接作为本地部署的参考。

2025年7月16日周三
  1. Hugging Face Blog61

    Hugging Face 发布 Ettin 系列配对编码器与解码器模型

    Hugging Face Blog 发布 Ettin 系列,包含 17M 到 1B 六种规模的成对 encoder-only 与 decoder-only 模型,使用相同的 2T token 公开数据、架构和训练配方,仅在注意力模式和训练目标上不同。

    推荐理由:用同一套数据和配方同时训练编码器与解码器,读者可据此看到架构本身的真实差异。

2025年7月15日周二
2025年7月8日周二
  1. Hugging Face Blog74

    Hugging Face 发布开源 3B 模型 SmolLM3:多语言、128k 长上下文与双模式推理

    Hugging Face 发布完全开源的 3B 模型 SmolLM3,包含 Base 与 Instruct/Reasoning 两个版本,用 11.2T tokens 训练,性能超过 Llama-3.2-3B 和 Qwen2.5-3B,并与 4B 级模型(Qwen3、Gemma3)竞争。

    推荐理由:完整公开了三阶段预训练配方与双模式推理的构建方法,可迁移给自建小模型的团队。

2025年6月3日周二
  1. Hugging Face Blog74

    Hugging Face 发布开源 450M 视觉语言动作模型 SmolVLA

    Hugging Face 发布 SmolVLA-450M,一款 450M 参数的开源视觉语言动作模型,可在消费级硬件上运行,仅用 lerobot 标签下的社区共享数据集预训练,在 LIBERO、Meta-World 仿真及 SO100、SO101 真实任务上超过更大的 VLA 和 ACT 基线。

    推荐理由:原文给出了训练数据规模、架构取舍和异步推理收益,读者可据此评估小模型 VLA 在消费级硬件上的可行性。

2025年5月23日周五
2025年5月15日周四
  1. Hugging Face Blog60

    Hugging Face Transformers 将标准化模型定义,降低跨框架贡献门槛

    Hugging Face 宣布 Transformers 将成为跨框架的模型定义枢纽:只要模型架构被 transformers 支持,就预期在生态其他部分同样被支持。

    推荐理由:原文说明了 Transformers 作为模型定义标准如何打通训练、推理与本地部署链路,读者可据此理解生态碎片化的应对方式。