Hugging Face 上线 RL Environments 统一入口
Hugging Face 在 Hub 上新增 RL Environments 筛选器,将强化学习环境作为带 rl-environment 标签的数据集仓库托管,支持 Harbor、Verifiers、OpenEnv 和 NeMo Gym 四类框架标签。
推荐理由:Hugging Face 将强化学习环境定义为数据集仓库并统一标签体系,让不同框架用户无需手动移植即可共享任务集与奖励信号。
公司与模型
Hugging Face 开源社区动态:热门模型与数据集、排行榜变化与开源生态的晴雨表。
111 条精选近 30 天 27 条共收录 735 条
Hugging Face 在 Hub 上新增 RL Environments 筛选器,将强化学习环境作为带 rl-environment 标签的数据集仓库托管,支持 Harbor、Verifiers、OpenEnv 和 NeMo Gym 四类框架标签。
推荐理由:Hugging Face 将强化学习环境定义为数据集仓库并统一标签体系,让不同框架用户无需手动移植即可共享任务集与奖励信号。
Liquid AI 为 LFM2.5-VL-3B 发布 DSpark 推测解码草案,在端侧实现最高 3.13 倍解码加速,端到端提速最高 2.62 倍。该草案增加 280M 参数(约为目标模型的 8.9%),支持 llama.cpp、MLX-VLM 和 SGLang,适用于 CPU 和 GPU 部署。
推荐理由:该Drafter将LFM2.5-VL-3B端侧解码提速至多3.13倍且输出无损,为视觉模型在资源受限设备上提供了可复现的加速方案。
腾讯混元将 Hy-MT2-1.8B 翻译模型通过 2-bit 和 1.25-bit 方案压缩至几百 MB,翻译质量几乎无损,并联合英特尔完成 x86 适配、联合哔哩哔哩在直播弹幕实时翻译中落地。1.25-bit 模型基于 Sherry 技术,体积从 3.3GB 压至 440MB,B 站演示中单条弹幕翻译耗时 500~800ms,内存占用 500~700MB。
推荐理由:混元将翻译模型量化至1.25-bit并落地B站直播,展示了极低比特压缩在端侧高并发场景的可用性。
Hugging Face 团队通过构建基于 Gemma 4 E2B 的浏览器助手示例,分享了在 Chrome 扩展 Manifest V3 中集成 Transformers.js 的实践经验。
推荐理由:文章拆解了 Manifest V3 约束下使用 Transformers.js 的架构细节,读者可复用其后台推理与消息通信设计。
Hugging Face 团队联合 Meta 推出新一代 Agent 评测基准 Gaia2 与开源执行环境 ARE,以推进 Agent 的可靠性与适变性研究。Gaia2 是 2023 年 GAIA 的升级版,采用 CC BY 4.0 许可;ARE 遵循 MIT 许可,用于运行、调试和评测 Agent。
推荐理由:Hugging Face 联合 Meta 推出新一代 Agent 评测基准 Gaia2 与执行环境 ARE,为社区提供了更贴近真实世界的调试工具。
Hugging Face 更新 transformers 库以支持 OpenAI 的 GPT-OSS 模型,引入了 MXFP4 量化、零构建内核下载、张量并行及专家并行等关键技术。
推荐理由:Hugging Face 详细说明了 transformers 为支持 OpenAI GPT-OSS 模型而升级的核心技术,包括 MXFP4 量化、零构建内核、动态滑动窗口及张量并行等,这些改进可复用至其他主流模型。
Together AI 与 Hugging Face 宣布新能力,开发者可在 Together 平台上微调 Hugging Face Hub 上的任意兼容 LLM。
推荐理由:Together AI 与 Hugging Face 打通微调管线,开发者可直接用 API 对 Hub 上任意兼容 LLM 做微调并回传 Hub,省去自建训练基础设施的摩擦。
Arm 发布基于机器学习的 Neural Super Sampling (NSS) 实时超采样模型,面向移动端图形与游戏开发。该模型专为 Arm Neural Accelerators (NX) 优化,能以更低计算成本重建高分辨率画面;在 Enchanted Castle 演示中,540p 渲染至 1080p 仅需 4ms 并降低 50% 的 GPU 负载。
推荐理由:Arm 开源 NSS 模型在 4ms 内将 540p 实时超采样至 1080p,并给出移动端适配路径与 Unreal 插件,帮助团队直接评估低算力游戏渲染效果。
Hugging Face 发布开源工具 AI Sheets,用于使用开放 AI 模型构建、丰富和转换数据集。该工具支持本地部署或部署在 Hugging Face Hub,可接入 Hub 上数千个开放模型。其提供无代码操作界面,用户可通过编辑和验证单元格向模型提供反馈,并可将最终结果导出回 Hub。
推荐理由:原文明确指出AI Sheets是一个可本地部署的开源工具,并给出了免费使用入口和核心功能,便于读者评估其在数据工作流中的实际作用。
Hugging Face 在 TRL 中新增了针对视觉语言模型(VLM)的多模态对齐方法,包括混合偏好优化(MPO)、群组相对策略优化(GRPO)和群组序列策略优化(GSPO)。这些方法扩展了成对 DPO 的信号提取能力,并支持 RLOO 和 Online DPO。TRL 还集成了 vLLM 以支持在线对齐训练,并提供了原生 SFT 支持及演示笔记本。
推荐理由:原文提供了MPO、GRPO和GSPO在视觉语言模型对齐中的具体实现方法,并给出了训练脚本与vLLM集成支持。
Hugging Face 发布开源的官方 MCP Server,通过单一 URL 让 AI 助手访问 Hub 及数千个 Spaces 应用,并支持动态工具配置。
推荐理由:官方开源了可远程访问的 MCP Server 并详解部署权衡,读者可据此评估将 Hub 接入 AI 助手的可行性。
ScreenEnv 是一个 Python 库,让用户在 Docker 容器中创建隔离的 Ubuntu 桌面环境,用于测试和部署 GUI 智能体。它内置对 MCP(Model Context Protocol)的支持,也可通过直接 Sandbox API 接入自定义后端。
推荐理由:提供 Docker 内 Ubuntu 桌面环境的 Python 库,支持 MCP 接入与 smolagents 集成,读者可评估其用于 GUI 智能体测试与部署的可行性。
Hugging Face 发布 3B 参数规模的 SmolLM3 模型,包括 Base 和 Instruct 两种变体,完全开源模型权重、架构细节和三阶段预训练配方。
推荐理由:Hugging Face 发布并完全开源 SmolLM3 模型及完整训练配方,为构建同类 3B 模型提供了可复现的工程蓝图。
Hugging Face 发布教程,指导使用 diffusers 库和 QLoRA 技术在单卡消费级硬件(如 RTX 4090)上微调 FLUX.1-dev 模型,峰值显存占用低于 10 GB。
推荐理由:文章提供了在消费级硬件上微调FLUX.1-dev的具体代码流程和显存优化技巧,读者可直接复用该方案降低部署门槛。
Hugging Face 宣布 Groq 成为支持的 Inference Provider,接入 HF Hub 的 serverless inference,并与 JS/Python 客户端 SDK 集成。
推荐理由:原文给出了 Groq 在 HF Hub 的新集成入口、支持模型范围与两种计费路由方式,读者可据此判断如何在现有工作流中快速切换推理 provider。
本教程演示如何使用 LM Studio 和 VS Code 扩展 Continue.dev,在本地部署并调用开源模型 OlympicCoder 7B 作为编码助手。
推荐理由:文章给出了在本地运行 OlympicCoder 7B 的完整集成流程,帮读者把开源模型接入现有开发工具。
Hugging Face 官方宣布 Xet 存储架构正式在 Hub 上线,并于 2 月 20 日完成首批约 6% 下载流量、总计 4.5TB 模型与数据集仓库的迁移。
推荐理由:Xet 存储正式接入 Hugging Face Hub 并完成首批 4.5TB 仓库迁移,其内容寻址分块机制让多 GB 级模型更新上传耗时从小时级降至秒级。
Yaak 与 Hugging Face 联合发布 L2D,这是全球规模最大的开源自动驾驶多模态数据集,包含超过 90TB、5000 小时的德国 30 城驾驶数据,涵盖 6 路环视相机、完整车辆状态、环境条件及自然语言指令。数据将分阶段更新至 R4,并支持接入 LeRobot 流水线进行端到端模型训练,2025 年夏季还将开放带安全员的闭环实测。
推荐理由:L2D 是当前最大的开源自动驾驶多模态数据集,包含 90TB 以上数据,可直接接入 LeRobot 训练端到端模型。
Cohere 开放 Aya Vision 8B 和 32B 权重,支持 23 种语言的图像理解、视觉问答与图文翻译。模型基于 SigLIP2-patch14-384 视觉编码器和 Aya Expanse 语言底座,通过 4 倍 Pixel Shuffle 下采样降低多模态输入开销。
推荐理由:模型在开放权重下支持 23 种语言视觉任务,并配合评测基准发布,可直接复用于多语言视觉落地。
Hugging Face 发布专为 Python 设计实时通信库 FastRTC,简化实时音视频 AI 应用开发。该库内置语音检测、轮替控制和 WebRTC Gradio 界面,支持通过 FastAPI 自定义部署,并提供免费电话接入功能,开发者可结合 Moonshine、Kokoro 等模型快速构建实时语音应用。
推荐理由:为 Python 开发者提供开箱即用的实时音视频通信库,降低 WebRTC 工程门槛,并内置 Gradio 界面和电话接入功能。