Meta 发布开源多模态模型 Muse Glimmer 30B，面向本地智能体场景
Meta 发布 Muse Glimmer，一个从 Muse 蒸馏到 30B 参数、采用 Apache 2.0 许可的多模态模型，面向本地智能体用例，适用于编码、文档分析和个人助理等隐私敏感场景。
推荐理由：Meta 开源 30B 多模态模型并给出完整基准对比，读者可据此判断本地智能体部署的选型空间。
#Hugging Face
#Hugging Face
Hugging Face Blog精选AI 评分
Baseten 加入 Hugging Face Inference Providers
Baseten 成为 Hugging Face Hub 支持的 Inference Provider，首批上线对话与文本生成任务，可调用 Kimi K3、DeepSeek V4 Flash、GLM-5.2 等开放权重模型。
Hugging Face 复盘 2026 年 7 月前沿实验室智能体入侵事件技术时间线
Hugging Face 发布技术复盘，还原 2026-07-09 至 07-13 期间一个由 OpenAI 模型驱动的自主智能体对其基础设施的入侵过程，共恢复约 17,600 条攻击动作、归为约 6,280 个簇。
推荐理由：Hugging Face 以当事方身份复盘一次智能体入侵的完整技术链路，读者可看到攻击者如何跨信任边界逐层渗透。
Diffusers 原生支持 Nunchaku 4-bit 扩散推理
Diffusers 现已原生支持 Nunchaku 的 SVDQuant 4-bit 量化推理，加载 Nunchaku checkpoint 只需调用 from_pretrained()，无需本地编译 CUDA，内核通过 kernels 包从 Hub 下载。
推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的加载方式、显存与延迟数据，读者可据此判断消费级 GPU 跑扩散模型的实际收益。
OpenAI NewsAI 评分 OpenAI 与 Hugging Face 合作应对模型评测期间的安全事件
OpenAI 与 Hugging Face 合作，公布了一次 AI 模型评测期间安全事件的早期发现。双方指出事件涉及高级网络攻击能力，并总结了可供防御方参考的经验教训。
Hugging Face 与 Pollen Robotics 发布开源机器人操作数据采集系统 Grabette
Hugging Face 博客发布开源低成本机器人操作数据采集系统 Grabette，用手持夹爪加双摄像头记录人类演示，自动转换为 LeRobot 数据集。Grabette 手持端 BOM 成本约 490€，配套的 Gripette 电动夹爪约 120€，硬件 CAD、采集服务、处理流水线和示例训练栈全部开源，处理流程可在浏览器中通过 HF Space 完成。
推荐理由：原文给出了手持夹爪采集机器人操作数据的完整开源方案与成本，读者可据此判断数据采集门槛的变化。
新模型来了，优势依旧：DharmaOCR 在巴西葡萄牙语 OCR 上仍领先 Mistral OCR4 与 Unlimited-OCR
DharmaOCR 在葡萄牙语专项基准上以 0.925 分领先 Mistral OCR4 的 0.798 和 Unlimited-OCR 的 0.7587，后两者分别落后约 13 分和 16 分以上。该模型经葡萄牙语监督微调加 DPO 两阶段训练，把全部参数集中于巴西葡萄牙语，在复杂文档提取质量和生成稳定性上形成结构性优势。文章认为，新架构并未改变这一领域专精带来的差距。
Hugging Face 披露 7 月安全事件：自主 AI 智能体驱动入侵
Hugging Face 披露本周检测到一起针对其生产基础设施的入侵，该事件端到端由自主 AI 智能体系统驱动，攻击者通过数据集处理中的远程代码加载器和模板注入两条代码执行路径进入处理节点，进而获取云与集群凭证并在周末横向移动至多个内部集群。
推荐理由：Hugging Face 首次披露由自主 AI 智能体驱动的入侵事件，并复盘用开源模型做取证时遭遇的护栏限制。
Thinking Machines 发布 1T 参数多模态开源模型 Inkling 及 Inkling-Small
Thinking Machines Lab 在 Hugging Face 发布多模态开源模型 Inkling，采用 decoder-only MoE 架构，975B 总参数、41B 激活参数，支持图像、音频、文本输入和 1M 上下文，训练数据为 45 万亿 token。
推荐理由：Inkling 以约 1T 参数、1M 上下文原生接收图像音频文本，并给出各推理引擎的部署配置与基准对比。
Hugging Face 推出 Real World VoiceEQ：衡量语音 AI 的人类质感
Hugging Face 发布 Real World VoiceEQ 基准，用于评估语音交互的"人类质感"，覆盖 40 多个专有与开源语音模型、15+ 评估维度和 60+ 指标，涵盖 ASR、TTS、S2S 与语音理解。
PyTorch 性能分析（第三部分）：Attention 全解析
Hugging Face 博客发布 "Profiling in PyTorch" 系列第三篇，用 NVIDIA A100-SXM4-80GB 剖析 attention 的 profiler 轨迹。
Hugging Face：vLLM 的 transformers 建模后端达到原生速度
Hugging Face 宣布 vLLM 的 transformers 建模后端现已达到甚至超过 vLLM 手写原生实现的吞吐速度，模型作者无需移植即可获得快速推理。
推荐理由：原文给出 transformers 后端在 vLLM 中追平原生实现的具体基准与启用方式，读者可据此判断是否省去自定义移植。
Hugging Face 与 Amazon SageMaker Studio 实现一键深度链接集成
Hugging Face 与 Amazon SageMaker AI 推出深度链接集成，开发者在支持的模型页面点击 Customize 或 Deploy 即可直达 SageMaker Studio，模型预加载、环境自动配置。
微软 Foundry Managed Compute 上线 Hugging Face 模型集合
微软在 Build 2026 宣布 Foundry Managed Compute 及 Hugging Face 模型集合，将 Hugging Face 生态的开源权重模型引入 Foundry 模型目录，每周刷新并可一键部署到托管 GPU 平台。
LeRobot v0.6.0 发布：世界模型策略、奖励模型 API 与六个仿真基准
LeRobot v0.6.0 发布，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一奖励模型 API（Robometer、TOPReward）。
推荐理由：LeRobot v0.6.0 把世界模型策略、奖励模型 API 与六个仿真基准整合进同一套开源工作流，读者可据此判断机器人学习闭环的落地路径。
Hugging Face 与 SkyPilot 联合推出零出网费存储集成
Hugging Face 与 SkyPilot 联合推出集成，用户可用一个 hf:// URL 和现有 HF_TOKEN 把 Hugging Face Bucket 或任意模型、数据集、Space 仓库挂载进 SkyPilot 任务，并在 20+ 云、Kubernetes、Slurm 和本地集群上运行。
推荐理由：原文给出 hf:// 挂载方式、免出网费与 Xet 去重的具体机制，读者可据此判断跨云训练存储成本的变化。
PRX Part 4：Hugging Face 的数据策略
Hugging Face 在 PRX 系列第四篇中披露其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式训练的语料。团队将文本编码器从 T5Gemma 换成 Qwen3-VL 并改为训练时实时计算文本 latent，实测吞吐损失约 3–4%（30 天训练约多 1 天）。图像统一以 JPEG quality 92 编码，实测首次重编码几乎不可察觉。
Hugging Face Kernels 项目重大更新：新增 kernel 仓库类型与代码签名
Hugging Face 为 Kernels 项目引入 Hub 上的 "kernel" 新仓库类型，并默认只加载受信任发布者的内核，其他来源需显式传入 trust_remote_code=True。
Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 的推理，以降低语音交互延迟。
推荐理由：原文给出可替换的语音到语音流水线各层组件，读者可据此评估如何搭建低延迟实时语音交互。
ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布开源基准 ScarfBench，用于评估 AI 智能体在企业级 Java 框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。
Google Research精选AI 评分Google 发布 TabFM：面向表格数据的零样本基础模型
Google 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：原文给出 TabFM 的零样本表格预测机制与 TabArena 基准表现，读者可据此判断它能否替代传统树模型工作流。
Hugging Face 模型页上线 Every Eval Ever 评测结果展示
Hugging Face 模型页现已展示 Every Eval Ever（EEE）评测结果，EEE 与 Hugging Face Community Evals 实现互操作，支持结果交叉发布与溯源。
DiScoFormer：一个 Transformer 同时估计密度与 score，跨分布通用
Hugging Face 博客介绍 DiScoFormer（Density and Score Transformer），一个模型在单次前向传播中即可从一组数据点估计分布的密度与 score，无需针对新分布重新训练。
用一条命令在 HF Jobs 上运行 vLLM 服务器
Hugging Face 发布教程，介绍用一条 hf jobs run 命令在 HF Jobs 上启动私有、OpenAI 兼容的 vLLM 端点，按秒计费，无需自建服务器或 Kubernetes。
推荐理由：原文给出从启动到查询、SSH 调试和接入编码智能体的完整命令，读者可据此自建 OpenAI 兼容端点。
NVIDIA NeMo AutoModel 发布，MoE 微调吞吐较 Transformers v5 提升 3.4-3.7 倍
NVIDIA 在 Hugging Face 博客发布开源库 NeMo AutoModel，基于 Transformers v5 构建，新增 Expert Parallelism。
Hugging Face 与 Treble Technologies 推出 FFASR 远场 ASR 基准榜单
Hugging Face 与 Treble Technologies 上线首个开放、社区驱动的远场 ASR 基准 FFASR Leaderboard，覆盖 14 个模拟房间，并设 Lab Measured 与 Lab Simulated 两列做仿真到实测验证。
Hugging Face 如何用 AI 与开源工具每周发布 huggingface_hub
Hugging Face 把 huggingface_hub 的发布周期从每 4 到 6 周一次改为每周一次，整套流程跑在单个 GitHub Actions workflow 上，由 OpenCode 驱动开源权重模型（当前为 Z.ai 的 GLM-5.2）起草 release notes 和 Slack 公告。
推荐理由：原文公开了每周发版的完整工作流与 trust-but-verify 校验循环，可迁移到其他 Python 库的发布流程。
Transformers.js 如何试验跨源存储（Cross-Origin Storage）API
Google Chrome 团队与 Hugging Face 合作，在 Transformers.js 中试验跨源存储（Cross-Origin Storage）API，用加密哈希而非 URL 标识文件，让不同源的应用共享同一份模型与 Wasm 资源。
PP-OCRv6 上线 Hugging Face：1.5M 到 34.5M 参数、支持 50 种语言
PaddleOCR 发布新一代通用 OCR 模型家族 PP-OCRv6，已在 Hugging Face 上线，提供 tiny、small、medium 三档，参数量从 1.5M 到 34.5M，其中 small 和 medium 支持 50 种语言。
推荐理由：原文给出三档模型参数、检测与识别指标及多后端接入方式，便于按部署场景选型。
如何用本地模型免费分诊 OpenClaw 仓库的 Issue 和 PR
Hugging Face 博客分享用本地模型在智能体框架中对 OpenClaw 仓库的 Issue 和 PR 做分类分诊，实现近乎实时的通知且无需云端模型配额。
推荐理由：原文给出本地模型做 PR/Issue 分类的完整架构与 330 行评测数据，可迁移到其他高吞吐分诊场景。
MosaicLeaks：你的研究智能体能守住秘密吗？
Hugging Face 博客提出 MosaicLeaks，用 1,001 条多跳研究链测试深度研究智能体的隐私泄漏，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄漏隐私，仅针对任务表现训练会加剧泄漏；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，同时把答案/全信息泄漏率从 34.0% 降至 9.9%。
Hugging Face 发布 agent-eval：用自有工具链评测开源模型的智能体能力
Hugging Face 发布 agent-eval 评测工具，以 transformers 为案例，在模型 × 版本 × 任务三个维度上测量智能体完成任务所需的轮次、token 和错误率，而非只看最终答案。
推荐理由：原文给出了一套可复用的智能体工具评测方法，并展示同一改动如何在大模型与小模型上产生相反效果。
超越 LoRA：能否击败最流行的微调技术？
Hugging Face 在 PEFT 库中对比了 LoRA 之外的多种参数高效微调技术，指出仅凭论文结果难以判断哪种技术最优。其统计显示，Hugging Face Hub 上提及单一 PEFT 技术的 20,834 个模型卡中有 20,509 个（98.4%）使用 LoRA，10,000 个图像生成 checkpoint 中 7,111 个为 LoRA。
用 Strands Agents 和 LeRobot 从 Hugging Face Hub 走到机器人硬件
AWS 开源 SDK Strands Robots 将 LeRobot 栈封装为 AgentTools，让一个 Strands 智能体在单次循环中完成从 Hub 数据集到实体机器人的流程。
推荐理由：AWS 团队给出从 Hub 数据集到实体机器人的完整五步流程，可据此理解智能体如何编排 LeRobot 工具链。
智谱发布 GLM-5.2：面向长程任务，支持 1M token 上下文与 MIT 开源
智谱发布旗舰模型 GLM-5.2，面向长程任务，首次提供稳定的 1M token 上下文，并以 MIT 许可开源。新架构 IndexShare 让每 4 层稀疏注意力共享同一 indexer，在 1M 上下文下将每 token FLOPs 降低 2.9×，改进后的 MTP 层使投机解码接受长度最高提升 20%。
推荐理由：GLM-5.2 把 1M 上下文与多档思考强度放进开源许可，读者可据此判断长程编码智能体的选型空间。
Hugging Face 发布 Agentic Resource Discovery 参考实现 Discover Tool
Hugging Face 发布 Agentic Resource Discovery（ARD）规范的参考实现 Discover Tool，让智能体在运行时按自然语言搜索能力，而不再依赖预先安装。
推荐理由：Hugging Face 给出 ARD 规范的参考实现与 CLI、REST、MCP 三种调用入口，可据此判断智能体能力发现如何从预装目录转向运行时检索。
PyTorch 性能剖析（第二部分）：从 nn.Linear 到融合 MLP
PyTorch 性能剖析系列第二部分用 nn.Linear（bias=True）替换手写 matmul-add，并堆叠三层加激活组成 MLP，在 NVIDIA A100-SXM4-80GB 上分析 profiler trace。
Google DeepMind精选AI 评分Google DeepMind 发布 DiffusionGemma：文本扩散模型，推理速度最高提升 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理速度最高提升 4 倍。
推荐理由：官方给出 26B MoE 文本扩散模型的速度数据与硬件门槛，可据此判断本地交互式推理的可行边界。
智能体如何串联两个 Hugging Face Space 搭建 3D 巴黎画廊
作者让编码智能体通过调用两个 Hugging Face Space 搭建了一个展示巴黎地标的 3D 高斯泼溅网站，全程未手动使用图像生成或 3D 重建工具。每个 Gradio Space 都暴露一份 agents.md，列出 schema URL、调用与轮询模板、文件上传方式和 HF_TOKEN 鉴权提示，智能体据此即可端到端驱动 Space。
推荐理由：作者用两个 Space 串起图像生成到 3D 高斯泼溅的完整流程，展示了 agents.md 如何让智能体直接调用模型。
如何将 GitHub CI 迁移到 Hugging Face Jobs
Hugging Face 发布 jobs-actions 桥接方案，让 GitHub Actions 把 CI 任务调度到 Hugging Face Jobs 上运行，Trackio 借此将 CPU 任务 CI 时间缩短约 30%，并新增了在 GPU 机器上运行的测试套件。