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。
Numina 与 Hugging Face 合作的 NuminaMath 7B TIR 赢得首届 AIMO 进步奖，在私有测试集 50 题中解出 29 题。方案基于 DeepSeekMath-Base 7B 做两阶段微调，先学自然语言链式推理，再用 GPT-4 生成的工具集成推理数据训练模型调用 Python REPL。
推荐理由：NuminaMath 团队复盘了夺冠方案的两阶段微调、SC-TIR 解码与内部验证集设计，可供做数学推理微调的人参考。
Hugging Face 用 Transformers Agents 构建的 Code Agent 在 GAIA 基准验证集上取得 44.2%，排名第一，比第二名高 4 分；测试集得分 33.3%，排名第二，并在 Level 3 难题上取得最佳平均分。
推荐理由：原文公开了 Code Agent 在 GAIA 上的完整实现细节与得分，可据此了解代码动作相对 动作的取舍。
Google 发布 Gemma 2 系列开源大模型，包含 9B 和 27B 两个尺寸的基座版与指令微调版共 4 个开放权重模型，上下文长度 8K tokens，采用允许商用和再分发的宽松许可。
推荐理由：梳理 Gemma 2 的滑窗注意力、软截断与蒸馏等训练细节，并给出与 Llama 3、Qwen 1.5 的基准对比。
Stability AI 的 Stable Diffusion 3 Medium（2B 参数）已在 Hugging Face Hub 发布，并可通过 Diffusers 调用，官方同时提供 DreamBooth 与 LoRA 训练脚本。
推荐理由：原文给出 SD3 Medium 的架构变化与 Diffusers 集成细节，读者可据此判断显存占用与推理速度的取舍。
Mistral AI 发布首个代码模型 Codestral，这是一个 22B 的开源权重生成式模型，专门面向代码生成任务，支持 80+ 编程语言，包括 Python、Java、C、C++、JavaScript 和 Bash。
推荐理由：Mistral 首个代码模型给出了 22B 参数、32k 上下文与多语言基准对比，可据此判断其代码补全定位。
TII 发布第二代 Falcon 2 模型，包括 11B 基础 LLM 和具备图像理解能力的 11B VLM，LLM 训练数据超过 5000B tokens，覆盖英语及另外十种语言。
推荐理由：TII 公布 Falcon 2 的 11B LLM 与 VLM 训练细节和评测数据，可对照同尺寸开源模型看性能与许可条件。
Google 发布视觉语言模型家族 PaliGemma，由 SigLIP-So400m 图像编码器和 Gemma-2B 文本解码器组成，可输入图像和文本并输出文本。
推荐理由：原文给出 PaliGemma 的架构、三种 checkpoint 与微调代码，读者可据此判断它适合哪些视觉语言任务。
Hugging Face 发布 Transformers Agents 2.0，在原有 agent 类型之上新增两种可基于历史观察迭代的 agent，并加入社区 agent 分享功能。
推荐理由：官方披露了 Agents 2.0 的模块化设计与 GAIA 榜单成绩，读者可据此判断开源智能体框架的可用边界。
Meta 发布 Llama 3 系列开源大模型，包含 8B 和 70B 两个尺寸，各有 base 与 instruct 版本，并推出基于 Llama 3 8B 微调的安全模型 Llama Guard 2，全部 5 个模型已上线 Hugging Face Hub。
推荐理由：Meta 发布 Llama 3 并同步接入 Hugging Face 生态，读者可了解新分词器、GQA 与 15T token 训练带来的变化。
Hugging Face 发布 Idefics2，一个 8B 参数的通用多模态模型，可接受任意文本与图像序列输入并生成文本回复，采用 Apache 2.0 开源许可。
推荐理由：8B 参数、Apache 2.0 开源，并给出与更大模型的基准对比和微调入口，便于判断多模态选型。
Google 发布 CodeGemma 系列开源代码模型，包含 2B 基础模型、7B 基础模型和 7B Instruct 三个版本，基于预训练的 2B 和 7B Gemma checkpoint 额外训练 5000 亿 token 的英文、数学和代码数据。
推荐理由：Google 与 Hugging Face 联合发布三个开源代码模型，读者可对照 HumanEval 等基准数据判断其与同尺寸模型的差距。
Hugging Face 博客介绍嵌入向量的二值（binary）与标量（int8）量化，用于降低检索的内存、磁盘占用与成本。二值量化把 float32 值转为 1-bit，内存和存储减少 32 倍，配合 rescoring 可保留约 96% 的检索性能；int8 量化缩小 4 倍，平均带来 3.66 倍检索加速，二值量化平均加速 24.76 倍。
推荐理由：原文给出二值与标量量化的实测数据与可复用脚本，读者可据此评估检索成本与性能的取舍。
Hugging Face 博客介绍 GaLore 方法，通过将梯度投影到低秩子空间，可在 NVIDIA RTX 4090 等消费级 GPU 上训练最高 7B 参数的 Llama 架构模型，作者报告优化器状态存储内存减少超过 82.5%。
推荐理由：原文给出 GaLore 在消费级 GPU 上训练 7B 模型的内存节省数据与 transformers 接入方式，便于评估落地成本。
Hugging Face 发布 Cosmopedia，一个由 Mixtral-8x7B-Instruct-v0.1 生成的合成预训练数据集，包含超 3000 万个文件、250 亿 token，并开源了端到端流水线代码、数据集和基于它训练的 1B 模型 cosmo-1b。
推荐理由：原文完整公开了从提示词构建到去污染的合成数据流水线，可据此复现或迁移到自有预训练数据生产。
Hugging Face 面向 Enterprise Hub 组织推出 Train on DGX Cloud，可在 Hub 内直接调用 NVIDIA H100 GPU 微调 Llama、Mistral、Stable Diffusion 等模型。
推荐理由：原文给出了无代码微调的具体操作路径与按分钟计费价格，读者可据此判断企业团队接入 H100 训练的成本与门槛。
BigCode 发布新一代透明训练的开放代码大模型 StarCoder2，包含 3B、7B、15B 三个尺寸，分别由 ServiceNow、Hugging Face 和 NVIDIA 训练。
推荐理由：BigCode 公开了 StarCoder2 三个尺寸的模型、训练数据与训练代码，读者可据此了解开源代码模型的数据规模与开放程度。
Google 发布新的开源大语言模型 Gemma，Hugging Face 博客以“欢迎 Gemma”为题介绍了该模型。
Hugging Face 发布博客欢迎 Mixtral 上线，称其为 SOTA 混合专家模型。
Mistral AI 发布 7.3B 参数的 Mistral 7B，采用 Apache 2.0 许可，可无限制使用并支持本地、云端（AWS/GCP/Azure）及 HuggingFace 部署。
推荐理由：Mistral 7B 以 Apache 2.0 开源并给出与 Llama 2 系列的逐项对比，读者可据此判断小参数模型的性价比位置。
Hugging Face 发布 Falcon 180B 模型。
