<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hugging Face]]></title><description><![CDATA[The AI community building the future.]]></description><link>https://blog.youkuaiyun.com/HuggingFace</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; HuggingFace]]></copyright><item><title><![CDATA[Transformer 中的专家混合模型 (MoE)]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/159558014</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/159558014</guid><author>HuggingFace</author><pubDate>Fri, 27 Mar 2026 08:50:47 +0800</pubDate><description><![CDATA[每个设备只加载分配给自己的那部分专家，负责对应的计算，并在最后参与结果的汇总。在专家混合 (MoE) 模型中，每个 token 会被路由到不同的专家。时，模型会从标准的张量并行 (Tensor Parallel, TP) 策略切换为专家并行 (Expert Parallel, EP) 策略，并采用专门的切分 (sharding) 方式。将全局专家索引映射为本地索引，屏蔽不属于当前设备的专家，确保每个设备只使用本地专家进行计算，并通过 all-reduce 在设备之间汇总部分计算结果。欢迎告诉我们你希望在。]]></description><category></category></item><item><title><![CDATA[在 Hugging Face Hub 上引入 Storage Buckets]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/159345438</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/159345438</guid><author>HuggingFace</author><pubDate>Sat, 21 Mar 2026 10:05:27 +0800</pubDate><description><![CDATA[在未来的规划中，我们将支持 Buckets 与仓库之间的双向直接传输：例如将最终的 checkpoint 权重提升到模型仓库，或者在数据流水线完成后，把处理好的数据分片提交到数据集仓库。如果你来自 S3 风格的对象存储环境，Buckets 也提供了熟悉的使用模式，同时更适配 AI 产物，并能无缝过渡到 Hub 上的最终发布流程。对于一次性操作，可以使用。提供了原生的存放位置，比如 checkpoint、处理后的数据、Agent trace、日志，以及所有在最终定稿之前仍然有价值的中间产物。]]></description><category></category></item><item><title><![CDATA[LeRobot v0.5.0 正式发布]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/158952122</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/158952122</guid><author>HuggingFace</author><pubDate>Wed, 11 Mar 2026 09:23:57 +0800</pubDate><description><![CDATA[成为目前规模最大的一次发布 —— 几乎在所有方向上都实现了扩展：支持更多机器人 (包括首个类人机器人) 、更多策略模型 (包括回归的自回归 VLA) 、更快的数据集处理、可以直接从 Hub 加载的仿真环境，以及基于。：我们将 SO-100 和 SO-101 的实现整合到一个更简洁的代码库中 (包括双臂配置) ，减少重复代码，更易维护，同时保持原有功能。从更严格的类型检查到更健壮的测试基础设施，我们正在持续加强 LeRobot 的基础架构，以支持未来更大规模的发展。这大大降低了分享自定义仿真环境的门槛。]]></description><category></category></item><item><title><![CDATA[全球开源 AI 生态的未来：从 DeepSeek 到 AI+]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157760624</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157760624</guid><author>HuggingFace</author><pubDate>Wed, 04 Feb 2026 10:03:22 +0800</pubDate><description><![CDATA[资源约束并未限制中国 AI 的发展，相反，在某些方面，它们重塑了其发展轨迹。截至 2025 年中，Qwen 成为 Hugging Face 上衍生模型数量最多的基础模型，已有超过 11.3 万个模型以 Qwen 为基座构建，超过 20 万个模型仓库标注了 Qwen，远高于 Meta 的 Llama（2.7 万）或 DeepSeek（6 千）。通过在更开放的系统中打通模型、芯片与 PaddlePaddle，百度得以在算力、成本和监管等共同约束下，降低成本、吸引开发者并影响行业标准，同时保持自身的战略控制力。]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞DeepSeek之后：中国开源人工智能生态的架构选择＜/span＞]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157683038</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157683038</guid><author>HuggingFace</author><pubDate>Wed, 28 Jan 2026 22:30:39 +0800</pubDate><description><![CDATA[与此同时，训练侧的信号也开始显现。相比之下，定制化和约束性更强的许可证因为不被熟知、理解成本高，增加了新的法律风险，在实际使用中显著增加了摩擦成本，从而降低了采用意愿，这也直接导致了图中所显示的整体下滑。在统一的能力框架下，根据任务的复杂度与价值，动态激活不同数量的专家，从而在不同请求与部署环境中分配计算资源。例如，在 DeepSeek-V3.2-Exp 发布时，华为昇腾与寒武纪芯片实现了“首日支持”，并非云端演示，而是与模型权重一同发布的可复现推理流水线，使开发者能够直接验证真实世界中的性能表现。]]></description><category></category></item><item><title><![CDATA[DeepSeek之后：中国开源人工智能生态的架构选择]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157493467</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157493467</guid><author>HuggingFace</author><pubDate>Wed, 28 Jan 2026 22:30:39 +0800</pubDate><description><![CDATA[与此同时，训练侧的信号也开始显现。相比之下，定制化和约束性更强的许可证因为不被熟知、理解成本高，增加了新的法律风险，在实际使用中显著增加了摩擦成本，从而降低了采用意愿，这也直接导致了图中所显示的整体下滑。在统一的能力框架下，根据任务的复杂度与价值，动态激活不同数量的专家，从而在不同请求与部署环境中分配计算资源。例如，在 DeepSeek-V3.2-Exp 发布时，华为昇腾与寒武纪芯片实现了“首日支持”，并非云端演示，而是与模型权重一同发布的可复现推理流水线，使开发者能够直接验证真实世界中的性能表现。]]></description><category></category></item><item><title><![CDATA[推出 AnyLanguageModel：在 Apple 平台统一本地与远程大语言模型的 API]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157460200</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157460200</guid><author>HuggingFace</author><pubDate>Tue, 27 Jan 2026 11:10:28 +0800</pubDate><description><![CDATA[对于 Xcode 项目 (目前还不支持直接声明 trait) ， 你可以创建一个内部的 Swift 包，指定所需 trait 依赖 AnyLanguageModel， 然后将这个包作为本地依赖添加到你的项目中。我们在这里做了有意识的取舍， 也许我们现在的设计将来会和 Apple 官方的实现产生冲突， 但这正是废弃警告 (deprecation warnings) 存在的意义。这个项目是一个起点： 你可以 fork 它、扩展它、替换不同的模型， 了解各个模块如何协作，并根据自己的需求进行定制。]]></description><category></category></item><item><title><![CDATA[使用 Hugging Face 轻松构建并共享 ROCm 内核]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157414327</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157414327</guid><author>HuggingFace</author><pubDate>Mon, 26 Jan 2026 11:09:35 +0800</pubDate><description><![CDATA[自定义内核是高性能深度学习的基础，它让 GPU 操作能完全贴合你的工作负载需求——无论是图像处理、张量变换，还是其他计算密集型任务。然而，要为正确的架构编译这些内核、配置各种编译标志并干净地整合到 PyTorch 扩展中，往往会变成一团乱麻 (CMake/Nix、编译错误、ABI 问题等)。这保证了你的内核既高效、又可移植，还能无缝集成到 PyTorch 中。一旦构建完成，只需上传到 Hugging Face Hub，社区中的其他人就能直接使用你的自定义内核——几行代码即可完成集成，轻松共享高性能成果。]]></description><category></category></item><item><title><![CDATA[“DeepSeek 时刻” 一周年]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157231165</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157231165</guid><author>HuggingFace</author><pubDate>Wed, 21 Jan 2026 10:02:20 +0800</pubDate><description><![CDATA[DeepSeek 的 R1 模型降低了获取先进模型能力的门槛，并提供了一种清晰、可供效仿的发展范式，从而解锁了新的发展层级。来自美国机构的重要发布。表面上看似合作的行为，更准确地说，是在共同的技术、经济与监管压力下形成的对齐。这是中国的开源模型首次进入全球主流榜单，并且在随后的一年中，每当有新模型发布时，它都反复被用作重要的参考基准。与 2024 年相比，R1 发布之后，中国的人工智能格局逐步形成了一种新的态势：大型科技公司率先行动，初创公司迅速跟进，来自垂直行业的公司也越来越多地进入这一领域。]]></description><category></category></item><item><title><![CDATA[＜span class=“js_title_inner“＞Transformers v5 中的分词系统：更简洁、更清晰、更模块化＜/span＞]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/157655720</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/157655720</guid><author>HuggingFace</author><pubDate>Tue, 13 Jan 2026 11:11:01 +0800</pubDate><description><![CDATA[最糟糕的是，你无法创建一个空的分词器架构。如果你想用自己的数据训练一个 LLaMA 风格的分词器，没有简单的方法可以初始化一个“空白”的 LLaMA 分词器并填入自定义的词表和合并规则。最终得到的分词器将拥有你自定义的词表和合并规则，但在处理文本时的行为将与标准的 LLaMA 分词器完全一致：空格处理、特殊 token 规则、解码行为都相同。这些模型专属的分词器类会根据各自模型的需求，对后端进行配置，包括正确的词表、合并规则、特殊 token，以及标准化设置等，确保分词行为与模型训练时保持一致。]]></description><category></category></item><item><title><![CDATA[Transformers v5 中的分词系统：更简洁、更清晰、更模块化]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/156916819</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/156916819</guid><author>HuggingFace</author><pubDate>Tue, 13 Jan 2026 11:11:01 +0800</pubDate><description><![CDATA[最糟糕的是，你无法创建一个空的分词器架构。如果你想用自己的数据训练一个 LLaMA 风格的分词器，没有简单的方法可以初始化一个“空白”的 LLaMA 分词器并填入自定义的词表和合并规则。最终得到的分词器将拥有你自定义的词表和合并规则，但在处理文本时的行为将与标准的 LLaMA 分词器完全一致：空格处理、特殊 token 规则、解码行为都相同。这些模型专属的分词器类会根据各自模型的需求，对后端进行配置，包括正确的词表、合并规则、特殊 token，以及标准化设置等，确保分词行为与模型训练时保持一致。]]></description><category></category></item><item><title><![CDATA[构建开放的未来——我们与 Google Cloud 的全新合作伙伴关系]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/156469116</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/156469116</guid><author>HuggingFace</author><pubDate>Wed, 31 Dec 2025 13:01:30 +0800</pubDate><description><![CDATA[我们非常期待通过与 Google Cloud 的深入合作，让这一愿景加速实现——无论你使用的是 Vertex AI Model Garden、Google Kubernetes Engine、Cloud Run，还是 Hugging Face Inference Endpoints。通过这个 CDN Gateway，Hugging Face 的模型和数据集将直接缓存在 Google Cloud 上，大幅减少下载时间，并提升 Google Cloud 用户在模型供应链方面的稳定性和可靠性。]]></description><category></category></item><item><title><![CDATA[使用 NVIDIA Isaac 构建医疗机器人：从仿真到部署]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/156281970</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/156281970</guid><author>HuggingFace</author><pubDate>Thu, 25 Dec 2025 11:25:57 +0800</pubDate><description><![CDATA[该流程通过约 70 个仿真演示和 10–20 个真实演示相结合，在模拟多样场景的同时，也保留真实数据的可靠性。NVIDIA Isaac for Healthcare 是一个专为 AI 医疗机器人开发者打造的框架，提供从数据采集到训练、评估再到部署的全流程工具链，适用于仿真环境与真实硬件。仿真一直是医学影像中弥补数据缺口的重要手段，但在医疗机器人领域，它过去往往速度太慢、系统割裂，或难以迁移到现实应用中。值得一提的是，超过 93% 的策略训练数据来自仿真环境，充分说明仿真技术在缩小机器人数据鸿沟方面的优势。]]></description><category></category></item><item><title><![CDATA[Codex 正在推动开源 AI 模型的训练与发布]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/156120042</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/156120042</guid><author>HuggingFace</author><pubDate>Sat, 20 Dec 2025 11:00:59 +0800</pubDate><description><![CDATA[你可以训练 0.5B 到 7B 参数规模的模型，将它们转换为 GGUF 格式便于本地运行，还可以通过多阶段流程结合不同方法。Trackio 会通过自动运行评估任务，帮助你监控训练和评估的得分，并选择表现最好的模型检查点 (checkpoint)。这里的重点不是“Codex 自己开源模型”，而是让 Codex 作为编码代理，参与并自动化开源模型的训练、评估与发布全流程。我们已经展示了 Codex 如何处理模型微调的完整生命周期，验证数据、选择硬件、生成训练脚本、提交任务、监控进度，以及转换输出。]]></description><category></category></item><item><title><![CDATA[经同意的语音克隆]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/156089027</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/156089027</guid><author>HuggingFace</author><pubDate>Fri, 19 Dec 2025 11:10:00 +0800</pubDate><description><![CDATA[每次生成时，系统会随机选择一个日常话题 (如天气、美食或音乐) ，使句子内容丰富多样，也更自然好读，有助于录音清晰、自然，并具备良好的语音质量，同时包含明确的同意声明。换句话说，模型不会擅自“说出”你的声音，除非你亲口同意。也就是说，“同意”成为系统运行的前提条件，让原本抽象的伦理原则变成了具体可操作的系统规则，并形成可追溯、可审核的交互记录：AI 模型只会在明确同意之后才运行。现在很多语音克隆模型只需要一句话就能模仿说话人的声音，因此这句用于表达“同意”的句子，也可以同时作为语音克隆的输入数据。]]></description><category></category></item><item><title><![CDATA[流式数据集：效率提升 100 倍！]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/156031269</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/156031269</guid><author>HuggingFace</author><pubDate>Wed, 17 Dec 2025 11:52:12 +0800</pubDate><description><![CDATA[比如，在 Hugging Face 上传大型数据集时，Xet 的去重机制大幅减少了数据传输量，上传更快；流式加载一直是快速了解数据集的好方法，但在训练模型时，大多数人仍然选择将数据预先下载到本地，或使用 S3 等云存储——我们在训练。包，支持 Spark 直接读写 HF 数据集，内置对 Parquet CDC 和 Xet 的支持，大幅加快大数据处理。在机器学习中，特别是在处理 TB 级别的数据时，数据加载一直是个大难题。库还不支持，或者你希望获得更高的控制权，我们也提供了强大的自定义流式能力。]]></description><category></category></item><item><title><![CDATA[huggingface_hub 1.0 正式版现已发布：开源机器学习基础五周年回顾]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/155958872</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/155958872</guid><author>HuggingFace</author><pubDate>Thu, 11 Dec 2025 11:11:03 +0800</pubDate><description><![CDATA[在 Hugging Face Hub 的早期阶段，研究人员和开发者常常面临一个困扰： 训练一个先进的模型不仅耗时、耗资源，而且在训练完成后，模型往往“被困”在个人电脑里，只能通过不稳定的 Google Drive 链接进行分享。不再依赖单一的推理后端，而是与多家无服务器推理平台合作，包括 Together AI、SambaNova、Replicate、Cerebras、Groq 等，用户通过一个统一的 API 即可调用多个后端，路由透明，按请求计费，真正实现了“按需调用，轻松推理”。]]></description><category></category></item><item><title><![CDATA[Hugging Face 论文页面功能指南]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/155620894</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/155620894</guid><author>HuggingFace</author><pubDate>Fri, 05 Dec 2025 18:30:30 +0800</pubDate><description><![CDATA[认领成功后，系统会将你标记为论文的提交者，即可向 Daily Papers 提交论文。在每篇论文的页面右侧，你都能找到相关资源链接，例如模型、数据集、Spaces 以及其他有用的集合。作者只需在相关资源（如模型或数据集）的 README.md 中添加该论文的 arXiv 链接，即可将资源与论文自动关联。论文提交不限于你自己的工作，你也可以分享任何你认为对社区有价值的研究论文。如果你的论文尚未在 Hugging Face 论文页面建立索引，只需点击 index 按钮，即可一步添加。如果你是首次分享论文。]]></description><category></category></item><item><title><![CDATA[LeRobot v0.4.0 正式发布：全面提升开源机器人的学习能力]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/154104562</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/154104562</guid><author>HuggingFace</author><pubDate>Wed, 29 Oct 2025 08:10:22 +0800</pubDate><description><![CDATA[LeRobot v0.4.0 为开源机器人领域带来重要升级：引入可扩展的 Datasets v3.0、强大的新 VLA (视觉-语言-动作) 模型如 PI0.5 与 GR00T N1.5，以及全新的插件系统，简化硬件集成。从重构的数据集到灵活的编辑工具、新的仿真环境，以及面向硬件的全新插件系统，LeRobot 正在持续演进，以满足前沿具身智能 (Embodied AI) 不断发展的需求。模型需要在正确设备上的规范化、按批次的张量，而你的机器人硬件则需要特定格式的动作命令。更多细节可阅读我们此前的。]]></description><category></category></item><item><title><![CDATA[Gaia2 与 ARE：赋能社区的智能体评测]]></title><link>https://blog.youkuaiyun.com/HuggingFace/article/details/152015794</link><guid>https://blog.youkuaiyun.com/HuggingFace/article/details/152015794</guid><author>HuggingFace</author><pubDate>Tue, 23 Sep 2025 22:06:10 +0800</pubDate><description><![CDATA[现有的评测环境通常与特定任务紧密耦合，缺乏真实世界的灵活性，也无法反映开放世界中混乱的现实：模拟页面不会加载失败，事件不会自发发生，也不存在异步混乱。在理想情况下，AI 智能体应当是可靠的助手。当接收到任务时，它们能够轻松处理指令中的歧义，构建逐步执行的计划，正确识别所需资源，按计划执行而不被干扰，并在突发事件中灵活适应，同时保持准确性，避免幻觉。当接收到任务时，它们能够轻松处理指令中的歧义，构建逐步执行的计划，正确识别所需资源，按计划执行而不被干扰，并在突发事件中灵活适应，同时保持准确性，避免幻觉。]]></description><category></category></item></channel></rss>