来自该信源的全部动态 · 共 105 条
文章介绍 AI2 在多租户 GPU 集群中的调度实践，指出传统以队列等待或 GPU 利用率为核心的策略，难以兼顾训练作业时长、资源碎片与研究产出。团队提出以影响力为目标的调度思路，根据作业价值、预期收益和资源占用动态排序，并讨论评估指标与工程落地中的权衡。
Hugging Face 博客介绍一个「现成模型不存在，就自己构建」的机器学习实践案例，围绕需求定义、数据准备、训练与验证等环节，展示开发者如何从具体任务出发补足模型空缺，并将想法落地为可用方案。
Liquid AI通过Hugging Face发布open d1系列多模态决策模型，面向边缘设备和资源受限环境提供开放权重方案。该系列强调在本地完成视觉理解与决策，降低云端依赖，适合机器人、嵌入式设备及需要低延迟响应的应用探索。
TII 在 Hugging Face 发布 Falcon ASR，面向自动语音识别任务，提供可直接调用的模型与说明。该发布扩展 Falcon 系列到语音领域，适合评估转写、字幕、语音应用的开发者关注。
Hugging Face 博客介绍 NVIDIA 如何对 Nemotron 模型家族进行针对性微调，使其在国际信息学奥林匹克竞赛（IOI）和国际数学奥林匹克竞赛（IMO）相关任务中达到金牌级表现。文章重点展示后训练、推理能力优化及竞赛场景适配对专业解题效果的影响。
TII在Hugging Face介绍Falcon-Emirati，面向阿联酋阿拉伯语方言、文化语境和细微表达优化大模型，强调本地化数据与评测，补足通用阿拉伯语模型在区域语言理解上的不足。
微软介绍 ThinkingBox，一套面向智能体可靠性评估的数据库驱动环境。它不以智能体的自然语言自述为完成依据，而是核验数据库中的真实状态变化，从而识别任务未完成、执行错误或虚假成功等问题，为智能体测试和工作流设计提供更客观的评测方法。
AllenAI宣布开源Asta中的快速报告生成模型AstaBrief，面向需要从资料中整理并生成结构化报告的任务。文章介绍其在Asta系统中的定位、生成效率与使用方式，为研究者和开发者提供可复用的报告生成模型与实现参考，也降低相关实验和部署门槛。
ServiceNow AI团队介绍AutoSynthData，一套面向企业智能体的合成训练数据生成方法。它围绕真实业务任务构建可执行环境，自动生成任务、工具调用轨迹与结果，并通过验证和筛选提升数据质量，帮助缓解企业私有数据稀缺、标注成本高及场景覆盖不足等问题，可用于智能体监督微调与后续评测。
艾伦人工智能研究所（Ai2）发布 Olmo-core 3，开源面向大型混合专家模型（MoE）的可扩展训练基础设施。项目聚焦分布式训练、模块化组件与工程可复现性，旨在降低训练大规模模型的系统开发和扩展成本，为研究机构及开发者提供可审查、可改造的训练底座。
Hugging Face推出Open TTS Leaderboard，用于以可扩展方式评测多语种文本转语音与语音克隆系统。该榜单聚合统一测试流程和模型结果，帮助研究者比较自然度、说话人相似度及跨语言表现，也为开源语音模型迭代提供公开基准。
英伟达推出Kumo Tabular，用于表格数据预测，旨在同时提升模型准确率与推理效率。文章介绍其模型设计、基准测试结果及适用场景，面向需要处理结构化数据的机器学习团队，可用于评估传统梯度提升模型和表格基础模型之外的新方案。
文章讨论MCP智能体在多工具、多来源环境中的核验难题：回答可能事实正确，却引用了错误或不具备授权的来源。作者将事实正确性与来源归因拆分，提出面向来源的验证思路，用于检查工具调用、证据链和最终引用的一致性，为提升Agent的可追溯性、可靠性与安全边界提供参考。
H Company在 Hugging Face 发布 Holo4，定位为面向通用计算机操作智能体的视觉语言模型与系统。文章介绍其如何理解屏幕内容、规划多步任务并执行鼠标键盘操作，重点解决跨应用、长流程和真实网页环境中的泛化问题，为构建可自主使用电脑的 Agent 提供基础能力。
Liquid AI介绍LFM2.5-VL-DSpark，一款面向低延迟推理的视觉语言模型及其加速方案。文章围绕模型与推理流程优化展开，并通过基准测试展示吞吐、延迟和资源占用表现，重点面向边缘设备与成本敏感的多模态应用部署。
Hugging Face 博客介绍如何结合 NVIDIA Warp 与 MjWarp，利用 GPU 加速刚体动力学、物理仿真及强化学习训练流程。文章涵盖环境配置、MuJoCo 工作流衔接、并行仿真与性能优化，适合机器人研究者和需要提升训练吞吐的工程师参考。
英伟达在 Hugging Face 介绍 Nemotron 3 Diarization，面向实时、多说话人音频场景，自动判断每段语音由谁在何时发言。文章展示其在 NeMo 与 Hugging Face 生态中的集成方式，以及用于会议转写、客服分析和语音智能体的部署路径。
Hugging Face 介绍英国人工智能安全研究所（UK AISI）与 EvalEval 如何改进大模型基准测试的可复现性。文章聚焦统一评测配置、记录运行环境和保存中间结果，帮助研究者复核模型成绩、识别实现差异，并提高不同实验与报告之间的可比性。
oMLX创作者兼维护者Jun Kim加入Hugging Face，将负责支持MLX社区发展。此举有望加强MLX生态的开源维护、工具建设与开发者协作，并提升Apple芯片本地推理相关项目的持续性与社区支持能力。
Hugging Face 宣布 Transformers 已支持直接加载并运行 llama.cpp 生态的 GGUF 量化模型，开发者可在 Transformers 工作流中使用现有量化权重，无需先转换格式。该能力打通两套模型工具链，降低量化模型部署与实验的切换成本，适合本地推理、低显存部署和模型评测场景。