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。
11 条精选近 30 天 11 条共收录 44 条
Microsoft 与 Hugging Face 联合发布 ThinkingBox-Training，将数据库终端状态的可执行检查转化为强化学习奖励来训练智能体。通过离线策略相对难度过滤并结合 GRPO 微调 Qwen3.8-27B，使其在 ThinkingBox-Bench 上的平均成功率和观察到的全过率均显著提升。
推荐理由：原文公开了利用数据库终端状态作为强化学习奖励的训练方案，展示了智能体在业务工作流中可重复成功率的显著提升。
OlmoEarth v1.3 卫星嵌入模型正式发布，同时开源了全球预计算的年度 64 维与 128 维嵌入数据及浏览器端探索工具。该模型基于雷达与多光谱卫星时序数据生成全球像素级嵌入向量，在多项评估中表现领先，且训练成本大幅降低。
推荐理由：该版本公开了全套模型权重与全球预计算嵌入，降低了地理空间任务的训练成本，读者可借此评估其在环境监测中的应用效率。
NVIDIA 推出了 SimReady Central 库，在 Hugging Face 上汇集了超过 2000 个支持仿真工作流的 OpenUSD 资产。该库由自然语言搜索提供支持，允许设备制造商提交和验证资产，供开发者和 AI 智能体快速构建机器人训练环境与 AI 工厂数字孪生。
推荐理由：NVIDIA 在 Hugging Face 上线 SimReady Central 库，为具身智能和 AI 工厂数字孪生提供两千多款免门槛的 OpenUSD 仿真资产，并支持自然语言搜索与 AI 智能体辅助场景构建。
Hugging Face 宣布生态系统对 TorchTPU 实现原生支持，允许 PyTorch 用户通过简单的 device_map="tpu" 或 TPU 后端直接在 Google TPU 上运行 Transformers 和 Diffusers 模型。新方案摆脱了对 torch_xla 的依赖，并支持 Pallas 优化内核与 torch.compile 加速。
推荐理由：文章详细介绍了 TorchTPU 带来的原生支持方式与代码示例，为在 Google TPU 上运行 PyTorch 模型提供了清晰的工程参考。
Hugging Face 官方发布 AnyLanguageModel 1.0，同时推出 swift-huggingface 1.0 与 swift-xet 1.0。该版本提供与 Apple Foundation Models 兼容的替换 API，支持在 iOS、macOS 和 visionOS 上通过统一会话代码调用本地及托管模型，并新增了工具调用、引导生成和图片支持等功能。
推荐理由：官方发布 AnyLanguageModel 1.0 及相关 Swift 工具包，展示了通过统一 API 在 Apple 平台无缝切换本地与托管大模型的方法。
PyTorch 2.15 正式发布，为 Mac 的 MPS 后端带来 FP8 支持、混合专家模型解码提速以及显著优化的视频解码显存占用。
推荐理由：该版本大幅提升了 Mac 运行大模型与视频生成时的性能和显存效率，为本地开发提供了更实用的加速方案。
Reflection 实验室推出首款开源模型 Beam，这是一个拥有 501B 总参数、每 token 激活 23B 的 mixture-of-experts 架构大语言模型，支持 1M tokens 上下文窗口，专注于编码与智能体场景。
推荐理由：文章详细介绍了 Reflection 实验室首款 501B 开源 MoE 模型 Beam 的架构设计与部署方案，读者可以据此了解其在长文本和智能体任务上的技术实现。
Black Forest Labs 推出的 FLUX.3 Image Klein 现已在 Diffusers 中首日上线，支持文生图、多参考图生图以及基于边界框的布局控制。文章提供了蒸馏版和基础版的加载代码、LoRA 微调脚本以及模块化流水线的架构解析。
推荐理由：文章介绍了 FLUX.3 Image Klein 模型在 Diffusers 中的原生支持，提供了代码示例和架构解析，可帮助开发者了解其在文生图与图像编辑上的新特性。
Hugging Face 官方博客介绍了如何通过 HuggingChat 中的 ML-intern 智能体，以低成本自动化完成模型微调、蒸馏及评估任务。作者分享了包含预算限制、基准测试及冒烟测试的提示词编写技巧，并展示了包括植物病害识别、图像 LoRA 及轻量化模型蒸馏在内的六个实际案例，所有提示词已在 GitHub 开源。
推荐理由：作者通过实测展示了如何利用 HuggingChat 中的 ML-intern 智能体完成从数据集构建、模型训练到评估发布的完整流程，并提供了可复用的提示词模板与成本控制策略。
Liquid AI 发布了 d1-3B 和 d1-omni-600M 两款开源决策模型，旨在为端侧设备提供快速的结构化决策能力。d1-3B 支持文本和图像输入，在 NVIDIA Jetson 等设备上单次推理延迟低于 50ms；d1-omni-600M 则支持文本、图像及音频输入。该系列模型不生成 token，而是通过单次前向传播直接输出决策结果，目前已在 Hugging Face 上线。
推荐理由：Liquid AI 发布了专为端侧设计的 d1 系列决策模型，通过单次前向传播实现快速结构化决策，为开发者提供了在资源受限设备上部署多模态任务的新选择。
ServiceNow CoreAI 推出的 AutoSynthData 框架通过分析目标模型在特定环境中的失败案例，利用更强的教师模型生成并验证针对性的训练任务，从而构建高质量的合成数据集。该方法在 EnterpriseOps Gym 的 Hybrid 和 ITSM 环境中实验显示，通过该流程生成的合成数据进行微调，能有效提升智能体的任务完成能力。
推荐理由：该研究提出了一种将模型在特定环境下的失败转化为训练数据的自动化流程，通过生成、验证和修复机制构建高质量数据集，为提升智能体在复杂环境中的表现提供了可迁移的训练方法。