公司与模型
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。
228 条精选近 30 天 11 条共收录 647 条
Hugging Face 发布教程，介绍通过 Remote MCP server（https://huggingface.co/mcp?login）把 Claude 连接到 Hugging Face Spaces 生成图像，2025 年 10 月起需用 Add custom connector 方式添加。
推荐理由：教程给出了把 Claude 连接 Hugging Face MCP Server 调用 Krea 与 Qwen-Image 生成图像的具体步骤和适用场景。
Hugging Face 发布面向学术研究发现的 Research Tracker MCP，用户可在 huggingface.co/settings/mcp 搜索添加，供 Claude Desktop、Cursor、Claude Code、VS Code 等客户端使用。
推荐理由：原文把研究检索拆成手动、脚本、MCP 三层抽象，并给出可直接添加的 Research Tracker 入口，便于读者迁移到自己工作流。
Hugging Face 发布开源无代码工具 AI Sheets，用类似电子表格的界面通过 AI 模型构建、转换和丰富数据集，可本地部署或部署在 Hub 上，支持通过 Inference Providers 使用 Hub 上数千个开放模型，包括 OpenAI 的 gpt-oss。
推荐理由：官方开源的无代码数据处理工具，读者可以据此了解如何用电子表格界面做数据生成、分类和模型对比等任务。
Hugging Face 发布开源免费的实验跟踪 Python 库 Trackio，提供本地 Gradio 仪表盘并可同步到 Hugging Face Spaces 分享。
推荐理由：Hugging Face 自述自家科学团队已用 Trackio 做研究，读者可以借此判断它能否替代现有实验跟踪工作流。
Hugging Face 宣布官方 CLI 由 huggingface-cli 更名为 hf，命令重组为 hf <resource> <action> 的统一结构，旧命令保留并提示迁移。
推荐理由：原文给出了 hf 命令的新语法、迁移对照和 hf jobs 用法示例，熟悉 huggingface-cli 的读者可以直接对照上手。
Hugging Face 宣布 Parquet Content-Defined Chunking（CDC）现已在 PyArrow 和 Pandas 中可用，配合 Xet 存储层只上传或下载变化的数据块，降低 Parquet 文件传输和存储成本。
推荐理由：原文给出 CDC 在增删列、插入删除行等场景下的实测传输量对比和启用方法，读者可直接迁移到自己的数据集上传流程。
Hugging Face 发布针对 Flux.1-Dev 的 LoRA 快速推理优化教程，结合 Flash Attention 3、torch.compile 和 FP8 量化，在 H100 上实现约 2.23x 提速。
推荐理由：原文给出可复现的 Flux LoRA 推理优化配方和实测延迟数据，覆盖 H100 与 RTX 4090 两种硬件场景，方法可直接迁移到自己的部署流程。
Gradio 团队发布 Gradio 5.38.0，为 MCP 服务器带来五项改进：新增 File Upload 服务器让智能体直接上传本地文件、MCP 客户端实时流式进度通知。
推荐理由：原文列出了五项具体改进和代码示例，开发者可以据此判断是否升级到 Gradio 5.38.0。
Hugging Face 宣布 Hub 存储后端从 Git LFS 迁移到 Xet，半年内 50 万个仓库、20PB 数据完成迁移，用户超 100 万，5 月起对新用户默认启用。
推荐理由：作者复盘了 Hub 从 Git LFS 迁到 Xet 的架构与经验，读者可借此了解大规模无感迁移的做法和后续变化。
Hugging Face 发布开源 Python 库 ScreenEnv，可在 Docker 容器中创建隔离的 Ubuntu 桌面环境，用于测试和部署 GUI Agent（Computer Use）。
推荐理由：官方介绍了 Docker 化桌面环境的部署速度、双集成模式和 smolagents 用法，方便开发者按自己架构搭建桌面 Agent。
Hugging Face 团队复盘官方 MCP Server（hf.co/mcp）的开发经验，服务器开源自持 STDIO、SSE 和 Streamable HTTP 三种传输方式。
推荐理由：官方复盘远程 MCP Server 的传输选型与部署取舍，给出 Streamable HTTP 各通信模式的适用场景和真实客户端行为数据，方法可直接迁移。
Hugging Face 发文介绍如何通过 Gradio MCP Servers 为 LLM 添加新能力。Gradio 自 5.28.0 版本起支持 MCP 协议，使 Hugging Face Spaces 上数千个应用可作为 MCP 服务器使用，文章以 Flux.1 Kontext[dev] 图像编辑为例，演示了在设置中添加 Spaces Tools 并接入 Cursor 的完整步骤。
推荐理由：原文给出了把 Hugging Face Spaces 上的 Gradio 应用接入 LLM 的具体步骤，读者可以照着为自己的模型添加新能力。
Hugging Face 发布全开源 3B 模型 SmolLM3，基于 11T token 预训练，官方称在 3B 规模上超越 Llama-3.2-3B 和 Qwen2.5-3B，并与 Qwen3、Gemma3 等 4B 模型竞争。
推荐理由：官方完整公开 3B 模型的架构改动、三阶段数据配比和双模式训练配方，想复现或改进小模型的人可据此省去数月逆向工程。
Hugging Face 发布教程，讲解如何用 Sentence Transformers 训练和微调稀疏嵌入模型，涵盖模型架构选择（Splade、Inference-free Splade、CSR）、数据集、损失函数、训练参数与评估器等组件。
推荐理由：原文系统拆解了稀疏嵌入模型的微调组件和混合检索实测数据，方法可直接迁移到自己的检索场景。
Hugging Face 发布教程，讲解用 QLoRA 和 diffusers 库在单卡消费级硬件上微调 FLUX.1-dev，学习 Alphonse Mucha 画风。
推荐理由：原文给出完整训练配置、显存与耗时数据，读者可以照着在消费级 GPU 上复现 FLUX.1-dev 的 QLoRA 微调。
Hugging Face 发布 Kernel Hub 入门教程，介绍通过 kernels 库的 get_kernel 直接从 Hub 加载预编译优化内核，无需本地编译 Triton 或 CUTLASS，例如一行代码启用 FlashAttention，库会自动匹配 Python、PyTorch 和 CUDA 版本下载对应二进制。
推荐理由：官方教程给出 Kernel Hub 的用法和 RMSNorm 实测加速数据，读者可以据此评估是否用它省去本地编译内核的成本。
Hugging Face 在 GTC Paris 上与 NVIDIA 合作发布 Training Cluster as a Service，让全球研究机构可以按训练时长申请 GPU 集群。
推荐理由：原文给出入口、合作组件和三类研究机构的使用案例，读者可以判断它如何降低获取 GPU 集群的门槛。
H Company 在 Hugging Face 上开源 Holo1 系列 Action VLM（含 Holo1-3B 和 Holo1-7B），用于网页 UI 理解与精确定位，其中 Holo1-7B 在常见 UI 定位基准上达到 76.2% 平均准确率。
推荐理由：原文给出模型规格、定位精度和每任务成本数据，并附带 Transformers 用法，读者可直接评估其在网页自动化场景的可用性。
Hugging Face 发布开源、紧凑的 450M 视觉-语言-动作模型 SmolVLA，仅用 lerobot 标签下的社区开源数据预训练，在 LIBERO、Meta-World 仿真和 SO100/SO101 真实任务上超过更大 VLA 及 ACT 等基线。
推荐理由：官方完整披露了 450M 开源机器人 VLA 的架构、社区数据训练与实测结果，读者可据此评估在消费级硬件上复现或微调的可行性。
Hugging Face 发布 Tiny Agents in Python，受 Tiny Agents in JS 启发将 huggingface_hub 客户端 SDK 扩展为 MCP Client，可用约70行代码构建 MCP 驱动的智能体。
推荐理由：原文展示了用约70行代码在Python中构建MCP智能体的完整思路与代码，读者可以据此搭建自己的工具调用智能体。