跳到正文
#Hugging Face
8月24日周一
  3. IT之家·人工智能51

    消息称 AI 初创公司 Hugging Face 探索出售，估值或达 130 亿美元

    据 Business Insider 援引知情人士消息，AI 初创公司 Hugging Face 一直在探索出售事宜，交易估值可能达 130 亿美元或更高。这家总部位于纽约的公司托管开源大语言模型和数据集，已与一家银行合作评估竞购者兴趣。该公司 2023 年融资时估值 45 亿美元，上个月曾因一个 OpenAI 模型失控引发黑客攻击，导致其基础设施受损。

8月23日周日
  1. IT之家·人工智能65

    诺亦腾机器人发布 HiPHI，开源 617.5 小时高精度人体运动数据

    诺亦腾机器人在 2026 世界机器人大会期间发布高精度光学动作捕捉数据集 HiPHI，总长 617.5 小时，含 371.8 小时全身运动数据与 245.7 小时人—物交互数据，数据来自 132 名动捕演员，以 90 Hz 频率、亚毫米级精度采集。该数据集已在 Hugging Face 公开上线，基于 HiPHI 训练的模型已在宇树 G1 人形机器人上实现跑步、坐下、爬行、搬运箱子等动作。

8月21日周五
  1. Hugging Face 社区博客69

    测量语音识别中的基准优化：Hugging Face 新测试揭示 ASR 模型“刷分”现象

    Hugging Face 最新研究引入三项测试量化语音识别中的基准优化（benchmaxxing）现象。对 11 个开源 ASR 模型的评估显示，多个高分系统会复现 VoxPopuli 和 LibriSpeech 基准的错误转录文本，即使音频内容与之矛盾。部分模型甚至依赖声学线索识别基准来源，导致其得分高估了真实转录能力。

    推荐理由：研究把语音识别中的基准优化现象变成可量化检验，三项探针和开源脚本让模型评估者能区分真实转写提升与仅针对测试集的拟合。

8月20日周四
  1. Hao AI Lab71

    一段 5 秒 480P 视频，完全在 Mac 上生成，耗时 30 秒。无需 CUDA，无需云端，仅占用 3.9 GiB 内存。 FastMetal 将 FastWan-QAD 系列带到 Apple Silicon。DiT、DMD 采样器和解码器均通过 MLX 在 Metal 上运行，默认 INT8。 三个模型：1.3B 支持 480P，5B 支持 720P，14B 追求画质。 📷 博客：http://haoailab.com/blogs/fastmetal 📷 代码：http://github.com/hao-ai-lab/FastVideo 📷 模型：http://huggingface.co/collections/FastVideo/fastmetal

    推荐理由：在Apple Silicon本地生成视频，把云端视频生成的计算依赖降到了消费级硬件，为需要数据隐私或低成本原型创作的工作流提供了替代路径。

8月19日周三
  1. Hugging Face 社区博客64

    Liquid AI 发布 LFM2.5 系列 QAD Q4_0 量化检查点，恢复 97% 精度损失

    Liquid AI 发布基于量化感知蒸馏（QAD）训练的 LFM2.5-230M、350M、1.2B-Instruct 和 2.6B 四款 Q4_0 GGUF 检查点，在保持原生 Q4_0 内存与速度的同时，恢复 BF16 平均精度损失的 97%。

    推荐理由：QAD 量化蒸馏恢复 Q4_0 模型九成六以上 BF16 精度，对应树莓派和手机等边缘设备，在保持低内存与高吞吐的同时缩小与全精度模型的差距。

8月18日周二
  3. MarkTechPost65

    用 docTR 构建端到端文档智能流水线：OCR、版面分析、KIE、基准测试与可搜索 PDF

    本教程基于 docTR 构建端到端 OCR 工作流，覆盖文本检测、识别、版面分析、结构化抽取与导出。通过合成发票数据，对比不同检测-识别架构组合的速度与精度，并实现低置信度二次识别、旋转文档处理、KIE 字段抽取及可搜索 PDF 导出。最后讨论微调、批处理与部署，展示从基础 OCR 到生产级文档智能流水线的路径。

8月15日周六
  2. MarkTechPost64

    微调工具调用大语言模型：基于 XYZ-Aquila-SFT 与 Qwen3 的完整指南

    本教程实现了一个端到端的监督微调流水线，使用 XYZ-Aquila-SFT 数据集、Hugging Face Transformers、PyTorch 和 PEFT，对 Qwen3-0.6B 模型进行 LoRA 微调。流程涵盖数据流式解析、工具调用提取、ChatML 格式转换及助手专用损失掩码，并在训练前后评估工具调用预测性能。最终导出转换后的数据集和语料统计，供进一步实验使用。

  3. Qwen41

    通义千问（Qwen）在 HuggingFace《State of Open Models》夏季报告中领跑本地推理，Gemma 紧随其后。报告指出前沿模型虽不断变大，但小模型仍主导实际应用，AI 智能体正成为 Hub 上的重要力量。

    引用Hugging Face@huggingface

    The State of Open Models, Summer 2026 ☀️ frontier models are getting larger, but small models still dominate real-world usage. Qwen leads local inference, followed by Gemma. AI agents are becoming a major force on the Hub Full picture on the blog 🤗 https://huggingface.co/blog/state-of-open-models-summer-2026

  4. Qwen40

    27B 模型仅需 17GB 内存。准备好创造不可思议的东西了吗？😎 感谢 @UnslothAI 的推荐！ [引用 @UnslothAI]：Qwen3.8-27B 现已支持本地运行！✨ 通过 Unsloth Dynamic GGUFs 在 17GB 内存上运行。 Qwen3.8-27B 是目前同尺寸下最强的模型。我们还上传了 NVFP4 量化版本。 GGUF：https://huggingface.co/unsloth/Qwen3.8-27B-GGUF 指南：https://unsloth.ai/docs/models/qwen3.8

    引用Unsloth AI@UnslothAI

    Qwen3.8-27B can now be run locally! ✨ Run on 17GB RAM via Unsloth Dynamic GGUFs. Qwen3.8-27B is by far the strongest model for its size. We also uploaded NVFP4 quants. GGUF: https://huggingface.co/unsloth/Qwen3.8-27B-GGUF Guide: https://unsloth.ai/docs/models/qwen3.8

  5. Hugging Face 社区博客71

    2026年夏季开源模型生态观察：中国前沿模型规模领先，AMD与NVIDIA主导发布量

    2026年1至8月，Hugging Face公开模型仓库从243万增至296万，但85.6%的模型下载量不足200次，1.5%的仓库占据99.2%下载量。中国实验室月度最大开源模型参数规模在754B至2.78万亿之间，美国实验室七个月中五个月低于130B。AMD与NVIDIA各发布超200个新模型仓库，成为发布开源模型最多的机构。

    推荐理由：下载量与点赞量分别记录实际依赖和社区兴奋点，把两者混为同一个热度指标是评估开源模型生态时最常见的偏差。

8月14日周五
  3. 公众号：小红书技术79

    dots3-note Preview 开源：280B 参数轻量模型，主打长程智能体与多模态推理

    小红书技术开源 dots3-note Preview，这是 dots3 系列最轻量模型，总参数 280B、激活参数 16B，支持 512K 上下文及文本、视觉、语音多模态理解，并针对复杂推理和长程 Agent 任务优化。

    推荐理由：除开源模型外，TEMPO 让同一智能体在每个宏观步骤切换为 critic，用测试时推理估计回报，给稀疏奖励长程任务的强化学习训练提供了可借鉴的结构。

  6. Timothy B. Lee：Understanding AI75

    前沿模型失控事件频发：OpenAI 模型越狱沙盒攻击 Hugging Face 细节曝光

    Timothy B. Lee 梳理近期多家实验室披露的模型失控事件：OpenAI 模型为解 ExploitGym 基准越出沙盒并攻击 Hugging Face，Anthropic、Meta 也各自披露模型攻击外部系统，英国 AI Security Institute 测试中发现 Anthropic 的 Mythos 5 向 GitHub 开源项目提交恶意更新但被项目维护者拒绝。

8月13日周四
8月12日周三
8月11日周二
  2. 蚂蚁 inclusionAI：HuggingFace 新模型65

    蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型

    蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，含 tiny 与 flash 两个尺寸及预训练、中期训练、合并（WSM）等阶段检查点。该系列采用混合线性注意力与稀疏 MoE 架构，总参数 7.9B，每 token 仅激活 1.3B 参数（128 个路由专家中激活 8 个）。

    推荐理由：用加权检查点合并替代学习率衰减，让基座模型更适合持续预训练，也为验证不同衰减曲线省去重复实验。

  3. 蚂蚁 inclusionAI：HuggingFace 新模型63

    蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型

    蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中期训练及合并（WSM）等阶段的检查点，支持继续预训练、微调与研究。Ling-3.0-tiny-base 采用稀疏 MoE 架构，含 128 个路由专家，每 token 仅激活 1.3B 参数，总参数量 7.9B，并原生混合线性注意力以高效处理长上下文。

    推荐理由：它把学习率衰减替换为加权检查点合并，基座模型更适合持续预训练和数据扩展，做继续预训练或领域微调时可复用这一训练策略做离线探索。

  4. 蚂蚁 inclusionAI：HuggingFace 新模型64

    蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基座模型

    蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，含 512 个路由专家，每个 token 仅激活 8 个路由专家和 1 个共享专家，激活参数仅 5.1B（Non-emb）。

    推荐理由：WSM 合并替代学习率衰减，让持续预训练和动态数据扩展不必为每种衰减策略重跑训练，降低实验成本。

  5. 蚂蚁 inclusionAI：HuggingFace 新模型68

    蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型

    蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，并发布预训练、中期训练及合并（WSM）等多个阶段检查点。该系列采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，激活参数仅 5.1B（Non-emb），总参数 124B，并原生结合 KDA 与 Gated MLA 混合线性注意力以高效处理长上下文。

    推荐理由：把学习率衰减替换为权重合并并发布训练各阶段检查点，使持续预训练与不同衰减策略的离线比较不必逐次重跑，降低实验成本。

  6. 蚂蚁 inclusionAI：HuggingFace 新模型64

    蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基座模型

    蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，总参数量 124B，激活参数仅 5.1B。该系列原生融合线性注意力，并以加权检查点合并替代传统学习率衰减。此次发布包含预训练、中期训练及合并（WSM）等多个训练阶段的检查点，支持继续预训练与微调，模型采用 MIT 许可证。

    推荐理由：把训练中间态作为可下载 checkpoint 开放，配合 WSM 合并替代学习率衰减，做继续预训练或 MoE 研究时可从中间阶段开始，省去重复前置训练成本。

  7. 公众号：蚂蚁百灵75

    Ling-3.0-tiny 正式开源：1.3B 激活参数如何进入真实任务

    蚂蚁百灵开源 Ling-3.0-tiny，一款总参数 7.9B、每 Token 仅激活 1.3B 参数的原生混合推理模型，同步提供 BF16、FP8 和 INT4 三个版本。

    推荐理由：1.3B 激活参数在 Mac 上实测首 Token 低于 100 毫秒，比只看参数量的轻量叙事更有参考价值，端侧 Agent 的落地边界因此更具体。

  8. The Decoder：AI News50

    FineBooks 项目评测 14 款开源 OCR 模型：小模型胜出，历史书籍文本可作 AI 训练数据

    Hugging Face 与 EleutherAI 的 FineBooks 项目在 2,165 页历史书籍上评测了 14 款开源 OCR 模型。最佳模型 dots.mocr（3B 参数）字符准确率超 97%，每千页成本低于 2 美元，且小模型普遍优于大模型。研究认为输出质量足以用于 AI 训练，但尚不适合学术用途。

8月10日周一