跳到正文
11月8日周二
  1. Hugging Face Blog52

    Hugging Face transformers 新增对比搜索解码方法

    Hugging Face 在 transformers 库中新增了 Contrastive Search 解码方法,支持 PyTorch 和 TensorFlow。该方法在模型置信度基础上引入退化惩罚,以缓解贪心搜索的重复问题和随机采样的语义不连贯。文中展示了使用 GPT-2 和 OPT 模型时,对比搜索生成的文本在流畅性和事实准确性上均优于传统方法。

11月7日周一
11月3日周四
  1. Hugging Face Blog56

    使用 Hugging Face Transformers 微调 Whisper 实现多语言语音识别

    Hugging Face 发布教程,演示如何使用 Transformers 库微调 OpenAI 的 Whisper 模型以适配多语言语音识别。教程以 Common Voice 11.0 中的印地语数据为例,展示了从数据准备、特征提取到模型训练的全流程。使用约 8 小时的小规模数据对 Whisper small 进行微调后,模型在测试集上的词错误率从 63.5% 降至 32.0%。

11月2日周三
10月24日周一
  1. Hugging Face Blog34

    如何使用 Hugging Face Evaluate 库评估语言模型偏差

    Hugging Face 在其 Evaluate 库中新增了偏差指标,用于评估因果语言模型(CLM)如 GPT-2 和 BLOOM 的生成偏差。 开发者可通过预定义提示词生成文本,并利用 Toxicity、Polarity 和 Hurtfulness 三个任务进行测量。 示例显示,简单的代词差异可能导致模型补全的毒性分数不同,如女性代词补全的毒性比率高达 0.3333。

10月21日周五
10月19日周三
  1. Hugging Face Blog47

    MTEB:大规模文本嵌入基准测试发布

    Hugging Face 推出 MTEB,这是一个涵盖 56 个数据集和 8 类任务的大规模文本嵌入基准,用于评估模型性能。该基准支持多达 112 种语言,目前排行榜汇总了超过 2000 个结果。开发者可通过安装 `mteb` 库对任意嵌入模型进行基准测试,并将结果提交至公共排行榜。

10月14日周五
10月13日周四
10月12日周三
10月7日周五
10月5日周三
10月3日周一
9月28日周三
  1. Hugging Face Blog23

    Hugging Face AutoTrain 新增图像分类功能

    Hugging Face 为 AutoTrain 新增图像分类(Image Classification)任务,支持零代码训练视觉模型。用户可上传数据或使用 Hugging Face Hub 数据集,选择候选模型数量后自动训练并筛选最佳模型。训练少于 500 张图像且使用 5 个候选模型即可免费,最佳模型可达 84% 准确率。

9月27日周二
9月26日周一
9月22日周四
  1. Hugging Face Blog32

    Hugging Face 发布《伦理与社会》首辑通讯

    Hugging Face 发布首份《伦理与社会》通讯,阐述其基于协作、责任与透明度的开源伦理价值观。通讯介绍了通过文档要求、自由课程及无代码数据分析工具提升模型可审计性的实践,并展示了用于报告伦理与法律问题的“标记”功能及新的开放负责 AI 许可证。

9月16日周五
9月12日周一
  1. Hugging Face Blog78

    Hugging Face 发布 Diffusers 0.3 版本,新增图像生成与低显存优化功能

    Hugging Face 官方团队发布 Diffusers 0.3 版本更新。该版本新增了图像到图像生成、Textual Inversion 个性化训练和 Inpainting 图像修复等核心管线。

    推荐理由:原文详细介绍了 Diffusers 0.3 版本新增的图像生成管线、低显存优化及 Mac 支持等核心特性,适合开发者和研究者快速掌握最新功能。

9月8日周四
  1. Hugging Face Blog50

    Hugging Face 教程:从零训练你的第一个 Decision Transformer

    Hugging Face 发布教程,指导用户利用 transformers 库和 Google Colab 从零训练离线 Decision Transformer 模型。该模型基于 GPT-2 架构,将强化学习抽象为条件序列建模问题,通过预测未来动作实现目标回报。教程演示了使用 Gym HalfCheetah 专家数据集及自定义 Data Collator 进行离线 RL 训练的完整流程。

9月7日周三
8月31日周三
8月24日周三
8月22日周一
8月19日周五
8月18日周四
8月17日周三
  1. Hugging Face Blog88

    Hugging Face 团队详解 LLM.int8() 实现大型语言模型 8-bit 矩阵乘法的原理与实践

    Hugging Face 发布技术教程,结合 transformers、accelerate 和 bitsandbytes 库讲解 LLM.int8() 在大模型部署中的应用。文章通过 BLOOM-176B 和 OPT-175B 的测试数据证明,LLM.int8() 能在保持 FP16 推理性能的前提下将显存占用降低 4 倍,且针对小模型(如 T5-3B)的推理延迟优化策略也已同步更新。

    推荐理由:Hugging Face 团队详细拆解了 LLM.int8() 的底层原理与集成实践,读者可借此实现大模型低显存推理的落地。

8月12日周五
  1. Hugging Face Blog42

    Hugging Face 的 TensorFlow 技术哲学

    Hugging Face 强调其 TensorFlow 模型均封装为 Keras Model 对象,允许用户直接调用 fit()、compile() 和 predict() 方法。文章指出 TF 与 Keras 及 tf.data 紧密集成,这种架构使 Hugging Face 的 transformers 库在 TensorFlow 后端下能无缝利用预训练模型进行高效推理与训练。

8月11日周四
  1. Hugging Face Blog40

    使用 TF Serving 在 Kubernetes 上部署 ViT 模型

    文章介绍如何利用 Docker 和 Kubernetes 扩展本地部署的 Vision Transformer (ViT) 模型。通过基于 TensorFlow Serving 基础镜像容器化应用逻辑,并结合 Google Kubernetes Engine (GKE) 管理集群,实现支持多用户的规模化部署。该流程支持 gRPC 和 HTTP/REST 端点,便于处理原始图像输入并返回预测结果。

8月10日周三
8月5日周五
  1. Hugging Face Blog40

    深度强化学习课程第八单元:从零实现近端策略优化 (PPO)

    Hugging Face 深度强化学习课程第八单元讲解近端策略优化(PPO),通过限制策略更新幅度提升训练稳定性。文章详细推导了基于概率比率的截断替代目标函数,解释了在 [1-ϵ, 1+ϵ] 区间内裁剪比率以防止策略剧烈变化的机制。随后使用 PyTorch 从零实现 PPO 架构,并在 CartPole-v1 和 LunarLander-v2 环境中验证实现的有效性。

8月3日周三
  1. Hugging Face Blog60

    Hugging Face 发布 Private Hub,支持私有化部署机器学习开发环境

    Hugging Face 推出 Private Hub,允许企业在合规的私有环境中运行其完整的机器学习生态系统。该功能集成了 AutoTrain、Spaces 和 Inference API,支持模型微调、演示及推理部署,数据不出内网。更新显示,Private Hub 现已更名为 Enterprise Hub,不再提供本地部署,改为提供云端托管及混合云解决方案,并支持 SSO 等高级访问控制。

    推荐理由:介绍了私有化部署方案如何帮助企业加速模型全生命周期开发。

8月2日周二
  1. Hugging Face Blog32

    Nyströmformer:如何通过 Nyström 方法以线性时间和内存近似自注意力机制

    Hugging Face 博客介绍了 Nyströmformer,该模型通过 Nyström 方法将标准自注意力的时间和内存复杂度从 O(n^2) 降低至 O(n)。 其核心机制是利用查询和键的段均值构造 32 或 64 个 landmark 点,避免直接计算完整的 QK^T 矩阵,从而在长序列(如 4096 或 8192 长度)下保持竞争性性能。

7月28日周四
7月27日周三
  1. Hugging Face Blog65

    使用 XLA 加速 Hugging Face TensorFlow 文本生成

    Hugging Face 宣布通过 XLA 编译器显著加速 TensorFlow 文本生成,性能提升最高达 100 倍,在多数情况下比 PyTorch 快 9 倍。该方法通过在 tf.function 中启用 jit_compile 参数实现优化,并需对输入进行填充以固定张量维度,从而避免重复编译。

    推荐理由:展示了XLA编译将TensorFlow文本生成提速至百倍甚至超越PyTorch的方法,给出了可直接复用的优化步骤。

7月25日周一
7月22日周五