来自该信源的全部动态 · 共 103 条
IBM Research在Hugging Face发布文章，讨论智能体完成一次任务后能否持续复现相同结果，并介绍ALTK-Evolve相关方法。文章强调，单次成功不能代表智能体具备可靠能力，需要通过多次运行、一致性指标和迭代评估，检验其在工具调用与复杂流程中的稳定性。
Hugging Face 博客介绍如何借助 Gradio Workflow 重建 AUTOMATIC1111，将这一知名 Stable Diffusion Web 界面的核心工作流迁移到 Gradio 体系中。文章适合希望理解图像生成界面编排、工作流复现与 Gradio 应用开发的开发者参考。
IBM发布Granite Time Series PatchTST-FM-r2，约3.85亿参数，面向需求、能源、流量等零样本时序预测，支持长上下文、概率预测和缺失值填补，并以Apache 2.0/OpenMDW 1.0许可开放权重、架构与复现实验代码。
文章讨论大模型安全拒答的粒度问题，指出许多系统会把整类主题一刀切地拒绝，导致过度拦截。作者主张只屏蔽真正有害的子集，并用更细的分类与策略降低误拒率，兼顾安全和可用性。
H Company在Hugging Face发布NeoMME，一款面向多模态与多语言场景的高效编码器，强调原生处理文本与视觉信息，可用于检索、理解和跨语言应用，为构建轻量化多模态系统提供新选择。
Hugging Face 介绍了用 TRL 在 100 步 GRPO 内微调一个 3.5 亿参数模型，使其更稳定地产生结构化输出。文章展示了训练设置、奖励设计与结果，对想用小模型做 JSON、表格等格式控制的人有参考价值。
Hugging Face 博客介绍如何借助 TRL 与 OpenEnv，把代码模型训练成能通过程序化绘图生成水彩效果的模型。内容涉及环境搭建、强化学习训练流程与评估思路，展示代码生成模型在非传统视觉创作任务中的可扩展性。
Hugging Face 博客介绍 Funes，主打为编码智能体提供用户可控的长期记忆层，帮助跨会话保留上下文、检索历史决策与项目状态，并减少对黑盒云端记忆的依赖，面向构建和使用代码代理的开发者。
Hugging Face 博客介绍 IBM Research 时序模型与 Confluent 数据流平台结合，用于实时预测、异常检测和业务指标监控。内容聚焦流式数据接入、模型推理与实时智能应用落地，适合关注时序AI和事件流处理的开发者参考。
AllenAI介绍BenchMIRT，用多维项目反应理论分析LLM基准，拆解题目难度、能力维度与模型表现关系，帮助判断榜单分数背后实际衡量的能力，减少对单一总分的误读。
Hugging Face 发布 @huggingface/kernels，提供 200 余个面向 WebGPU 的本地 AI 内核，覆盖常见算子与推理场景，帮助开发者在浏览器和端侧更高效地跑模型，并降低自建优化成本。
Hugging Face 宣布，Open ASR Leaderboard 首次加入来自全球南方的语言评测，扩展开放自动语音识别模型的比较范围。此举有助于提升低资源语言在数据集、模型性能与研究基准中的可见度，也为开发者和研究人员评估多语言 ASR 系统提供新参考。
Hugging Face 介绍了如何用 Sentence Transformers 训练和微调多向量嵌入模型，重点说明模型结构、训练流程、数据准备与评估思路，适合做检索、召回和语义匹配的工程实践参考。
Hugging Face Blog 介绍了 IBM Granite 4.2 大模型的构建过程，重点涉及数据来源、训练流程、模型设计与工程取舍。文章更偏技术拆解，适合关注基础模型研发、训练方法和模型迭代逻辑的从业者阅读。
IBM 在 Hugging Face 博客发布 Granite Speech 5.0 Turbo CTC，主打更快的语音转写与较高准确率，面向低延迟 ASR 场景。文中强调其推理效率和实用性，适合需要在部署成本、响应速度与识别质量之间平衡的语音产品与工程团队关注。
Hugging Face 博文介绍 Quantization-Aware Healing 方法，展示一个压缩到 4 位的模型在修复量化损失后，性能不仅没有下降，反而超过原始全精度版本，重点面向模型压缩与高效部署场景。
Hugging Face 发布 Gradio 工作流指南，介绍如何用组件串联 AI 流程、调试运行并部署到线上，同时覆盖常见工作流组织方式与落地步骤，适合把原型快速做成可交付应用的开发者。
Hugging Face 博客讨论语音识别评测中的基准优化问题，关注模型或系统是否围绕特定测试集调优，从而造成性能与真实泛化能力不一致。文章提供相应测量思路，帮助研究者识别评测偏差，并改进数据集、指标及实验设计。
Liquid AI 在 Hugging Face 博客介绍 LFM2.5-DSpark，强调其在多项推理场景中可实现最高 3.2 倍加速。文章主要围绕模型效率、部署收益和适合的边缘与低成本推理场景展开。
Liquid AI 在 Hugging Face 发布 LFM2.5 的 Q4_0 检查点，来源于量化感知蒸馏流程。该版本面向更低精度部署场景，目标是在压缩模型体积和推理成本的同时，尽量保留原始模型能力，适合关注端侧和高效推理的人关注。