Hugging Face 发布 Open TTS Leaderboard 支持多语言与声音克隆评测
Hugging Face 推出 Open TTS Leaderboard，采用 WER、CER、RTFx 和 TTFA 等客观指标对开源文本转语音模型进行标准化评估。该榜单覆盖多语言及声音克隆能力，旨在解决现有竞技场式评测难以跟上模型发布速度且开源模型代表性不足的问题。用户可通过 Listen 标签页试听生成音频并投票反馈，同时可在 Streaming 标签页查看不同硬件下的首音频延迟表现。
#开源生态
#开源生态
今日 0 条Hugging Face BlogAI 评分5151
Hugging Face BlogAI 评分4242 Hugging Face 发布 LFM2.5-VL-DSpark 实验性草稿模型，推理速度最高提升 3.13 倍
Hugging Face 推出针对视觉语言模型 LFM2.5-VL-3B 的实验性 DSpark 草稿模型。该模型通过推测解码技术，在仅增加 8.9% 参数量的前提下，实现设备端最高 3.13 倍、H100 上 2.66 倍的解码加速。目前已支持 llama.cpp、MLX-VLM 和 SGLang，提供 Safetensors 和 GGUF 格式供开源部署。
NVIDIA BlogAI 评分5353 NVIDIA Isaac ROS 5.0 发布：推进 Agentic 开源机器人开发
NVIDIA 在 ROSCon 大会上发布了 Isaac ROS 5.0，这是一套基于 ROS 的 GPU 加速软件包集合，旨在通过引入 agentic 工作流和新平台支持来加速机器人应用的构建与部署。
Hugging Face BlogAI 评分3737 oMLX 维护者 Jun Kim 加入 Hugging Face 支持 MLX 社区
oMLX 创建者及维护者 Jun Kim 正式加入 Hugging Face，旨在推动本地 AI 生态发展。此举将使 oMLX 从业余项目转变为完全资助和维护的项目，保持 Apache 2.0 开源协议并由 Jun 继续领导。
Hugging Face Blog精选AI 评分6565 Hugging Face 发布 @huggingface/kernels：包含 207 个 WebGPU 内核以加速本地 AI
Hugging Face 推出 @huggingface/kernels 库及包含 207 个 WebGPU 内核的集合，旨在优化浏览器端推理性能。该库支持从 Hub 直接加载版本化内核，并配套 Fleet 工具收集真实硬件测试数据。
推荐理由：原文给出了WebGPU内核库的发布细节与实测性能数据，读者可据此评估浏览器端推理加速的实际效果。
Hugging Face Blog精选AI 评分7171 IBM Granite 4.2 LLMs 构建技术详解
IBM 发布 Granite 4.2 推理模型家族，包含 3B、8B 和 30B 三种尺寸，均基于 Apache 2.0 许可证开源。这些模型通过五阶段策略在约 15T tokens 上预训练，并经过监督微调及多阶段强化学习管道训练，其中 8B 和 30B 版本额外进行了智能体强化学习以支持工具调用。所有模型均支持思考/非思考模式切换及原生工具调用，可通过 vLLM 等框架部署。
推荐理由：原文详细拆解了从预训练到多阶段强化学习的完整技术路径，为开发者提供了复现或评估该系列模型能力的具体参考。
Hugging Face Blog精选AI 评分7777 Hugging Face 发布 2026 夏季开源模型现状观察
Hugging Face 发布 2026 年夏季开源模型现状报告，指出中国实验室在超大参数开源模型上占据主导，而美国厂商更多聚焦硬件优化与小模型分发。数据显示 Qwen 已成为社区基础模型，拥有超过 15 万个衍生仓库，且智能体首次成为 Hub 的第一大用户群体。报告强调点赞反映关注度而下载反映实际依赖，二者存在显著差异，并记录了针对平台的自主智能体入侵案例。
推荐理由：报告通过区分点赞与下载数据，揭示了前沿模型声量与实际基础设施依赖之间的错位，为理解开源生态的真实采用率提供了关键视角。
Hugging Face Blog精选AI 评分8282 Hugging Face 公布 ICML 2026 论文复现黑客松结果：23% 论文存在被证伪主张
Hugging Face 发布 ICML 2026 Open Reproductions 挑战总结，1,221 名参与者利用编码智能体尝试复现会议中约三分之一的论文（2,226 篇）。
推荐理由：原文披露了大规模复现 ICML 论文的具体数据与发现，展示了智能体在科研验证中的能力边界及人类介入的关键作用。
Hugging Face BlogAI 评分4444 OlmoEarth Studio 支持导出自定义嵌入向量用于下游分析
OlmoEarth Studio 新增功能，允许用户计算并导出由开源 OlmoEarth 基础模型生成的嵌入向量。该功能提供 Nano、Tiny 和 Base 三种编码器变体，支持通过 UI 或 API 选择区域、时间范围及影像源，输出为 Cloud-Optimized GeoTIFFs (COGs)。这些轻量级向量适用于相似性搜索、分割等下游任务，且源码与权重已公开。
Mistral AIAI 评分5050 Mistral 推出区域推理端点、优先层级并支持 GLM-5.2 等第三方开源模型
Mistral 正式推出 Mistral Regional Endpoints 和处于公开预览阶段的 Mistral Priority Tier，提供欧洲或美国区域选择及 SLA 保障。平台开始支持 Z.ai 的 GLM-5.2 等第三方开源模型，使其运行于相同的区域控制与服务承诺下。Mistral 还组建联盟锁定长期算力，计划到 2030 年建成高达 1 GW 容量以强化 AI 主权。
Hugging Face BlogAI 评分4242 Hugging Face 提出高效知识蒸馏方案，大幅降低 LLM 训练显存需求
Hugging Face 推出离线 Top-K Logits 缓存与融合分块 KL 损失技术，解决大模型知识蒸馏的高显存痛点。该方法避免同时加载教师与学生模型及构建全词表矩阵，将单步训练峰值显存从约 250GB 降至 128GB。这一优化使长上下文修复可在单张 GPU 上运行，显著降低了大规模实验的成本门槛。
Hugging Face Blog精选AI 评分9292 Meta 发布 Muse Glimmer：面向本地智能体的开源多模态模型
Meta 发布 Muse Glimmer，这是一个专为本地智能体用例设计的 30B 参数多模态模型，采用 Apache 2.0 许可证开源。该模型由 Muse 蒸馏而来，包含 2B ViT 视觉编码器和 28B 文本解码器，支持图像、视频输入及多模态工具调用。
推荐理由：原文给出了30B参数模型的架构细节、基准测试数据及在主流推理框架中的Day-0支持，读者可据此评估其在本地智能体场景下的实际部署能力。
Hugging Face BlogAI 评分3232 Baseten 成为 Hugging Face Inference Providers 支持服务商
Baseten 正式加入 Hugging Face Hub 的 Inference Providers 生态，提供无服务器推理服务。该集成支持 Kimi K3、DeepSeek V4 Flash 和 GLM-5.2 等开源 LLM，用户可通过 Python/JS SDK 或自定义 API Key 调用。
Mistral AI精选AI 评分7373 Mistral AI 发布 Shieldstral：3B 参数开源多模态安全分类器
Mistral AI 发布 Shieldstral，这是一款 3B 参数的开源多模态安全分类器，在文本安全方面性能匹敌或超越体积达其 7 倍的模型，并在多模态审核基准上创下新纪录。
推荐理由：原文展示了将内容审核转化为问答任务的新范式，读者可据此了解如何通过自然语言策略实现无需重训的灵活安全评估。
Microsoft Research精选AI 评分7575 微软研究院发布 Orchard：面向可扩展智能体 AI 的开源框架
微软研究院推出开源框架 Orchard，其核心组件 Orchard Env 提供可复用的 Kubernetes 环境服务，支持跨任务域训练和评估智能体。
推荐理由：微软研究院开源了基于Kubernetes的Orchard框架，展示了小参数模型在软件工程等复杂任务中接近前沿系统的性能。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 Grabette：开源低成本机器人操作数据采集系统
Hugging Face 联合 Pollen Robotics 发布 Grabette，这是一套基于 UMI 理念的开源手持夹爪系统，旨在让普通用户无需机器人即可录制真实世界操作演示并自动转化为 LeRobot 格式数据集。
推荐理由：该工具将机器人数据采集门槛降至手持设备，通过浏览器端自动化处理直接生成标准训练数据集，为社区协作构建大规模操作数据提供了低成本且可复用的完整技术路径。
Hugging Face Blog精选AI 评分9393 Thinking Machines 发布 Inkling 系列开源多模态大模型
Thinking Machines Lab 在 Hugging Face 发布了 Inkling 系列开源多模态大模型，包含总参数约 1T 的 Inkling 和总参数 276B/激活 12B 的 Inkling-Small。
推荐理由：原文给出了1T参数全模态模型的架构细节与部署配置，读者可以据此评估其在多模态推理任务中的实际能力。
Hugging Face Blog精选AI 评分7878 Hugging Face 发布 vLLM transformers 后端原速支持
Hugging Face 宣布 transformers 库的 vLLM 建模后端现已实现与 vLLM 原生手写实现相当或更快的推理速度。用户只需添加 --model-impl transformers 标志，即可在无需修改代码的情况下利用 vLLM 的连续批处理和自定义注意力内核进行高效推理。
推荐理由：原文展示了通过单一参数即可让 transformers 模型在 vLLM 中达到原生推理速度，消除了手动移植代码的需求。
Hugging Face Blog精选AI 评分6666 微软发布 Foundry Managed Compute 并集成 Hugging Face 模型目录
微软在 Build 2026 大会上发布 Foundry Managed Compute，并推出包含每周更新的 Hugging Face 精选模型的目录。该服务提供一键部署功能，支持 vLLM、SGLang 等运行时，自动处理容器更新和安全补丁，同时保持与付费令牌和预置吞吐量相同的端点、SDK 和计费体验。
推荐理由：原文详细说明了托管计算平台的模型筛选流程、自动运维机制及统一接口，为评估企业级开源模型落地提供了具体参考。
Hugging Face Blog精选AI 评分7070 LeRobot v0.6.0 发布：引入世界模型策略与部署 CLI 以完善机器人学习闭环
Hugging Face 发布 LeRobot v0.6.0，旨在闭合机器人学习循环。新版本引入了 VLA-JEPA、FastWAM 等能“想象”未来的世界模型策略，以及 Robometer 等用于判断任务成功的奖励模型 API。
推荐理由：LeRobot v0.6.0 通过引入世界模型策略、统一奖励模型 API 和部署 CLI，构建了从想象到评估再到改进的完整机器人学习闭环。
Hugging Face BlogAI 评分5252 Photoroom 发布 PRX Part 4：详解图像生成模型的数据策略与处理管线
Photoroom 团队公开了 PRX 模型系列第四部分，详述其预训练数据策略。核心做法是混合公共与内部数据集，利用 Qwen3-VL-8B 等 VLM 生成长且准确的描述，并通过分辨率和宽高比分桶将数据转换为 Mosaic Data Shards (MDS) 格式以支持分布式流式训练。
Mistral AI精选AI 评分6565 Mistral AI 发布 Leanstral 1.5：6B 激活参数实现形式化验证新 SOTA
Mistral AI 发布 Leanstral 1.5，这是一款 Apache-2.0 许可的开源模型，拥有 119B 总参数和 6B 激活参数。该模型在 miniF2F 上达到饱和，并在 FATE-H/X 上取得新的 state-of-the-art 成绩，其解决 PutnamBench 问题的成本约为每问题 $4，远低于竞品。
推荐理由：原文展示了该模型在形式化验证基准上的性能突破及低成本优势，并提供了实际代码缺陷发现案例，为评估其在工程实践中的可用性提供了具体依据。
Hugging Face BlogAI 评分5050 Hugging Face 模型页集成 Every Eval Ever 评测结果
Hugging Face 与 Every Eval Ever (EEE) 实现互操作，支持在模型页展示并链接至标准化元数据存储。该集成允许用户通过转换器将 EEE 记录同步至 Community Evals，目前数据仓库已包含约 229,000 条评测结果、覆盖超 22,000 个模型及 2,200 个基准测试。
Hugging Face Blog精选AI 评分6868 Hugging Face 分享基于 AI 和开源工具的每周自动发布实践
Hugging Face 公开了 huggingface_hub 的自动化发布工作流，将发布频率从每4-6周提升至每周一次。该流程利用 GitHub Actions、OpenCode 和 GLM-5.2 模型起草发布说明，并通过确定性脚本校验 PR 完整性及文档准确性，确保在保留人工审核关键决策的同时实现低成本高效交付。
推荐理由：文章展示了如何用开源工具构建自动化发布流程，其确定性校验机制为AI辅助开发提供了可复用的安全范式。
Hugging Face BlogAI 评分5353 PP-OCRv6 在 Hugging Face 发布：支持 50 种语言的轻量级 OCR 模型
PaddlePaddle 在 Hugging Face 发布 PP-OCRv6，提供 tiny、small 和 medium 三个档位，参数量从 1.5M 到 34.5M。
Hugging Face Blog精选AI 评分7373 Hugging Face 分享使用本地模型对 OpenClaw 仓库进行免费分诊的实践
Hugging Face 介绍了如何使用 Gemma 和 Qwen 等本地模型结合 Pi Agent 框架，对 OpenClaw 仓库的海量 Issue 和 PR 进行实时分类与通知。该方案通过受限 Shell 确保安全性，并在 NVIDIA GB10 硬件上实现了高并发推理，相比云端 API 具有成本优势且响应更快。
推荐理由：展示了在本地硬件上利用 Agent 框架实现高吞吐开源仓库自动分诊的完整工程方案与评测数据。
Hugging Face Blog精选AI 评分7878 Hugging Face 发布 agent-eval 基准测试工具以评估开源模型在自有工具上的表现
Hugging Face 推出名为 `agent-eval` 的基准测试工具，用于衡量编码智能体使用特定软件（如 transformers）完成任务时的效率与成本，而不仅关注最终答案的正确性。该工具通过对比不同模型、代码版本及上下文层级（bare/clone/skill），发现为大型开放模型引入 CLI 和 Skill 能显著减少耗时，但可能导致小型模型因误解文档或读取过多源码而性能下降甚至失败。
推荐理由：原文提供了评估代码库对智能体友好程度的具体方法，揭示了同一工具改进对不同规模模型产生的相反影响。
Hugging Face Blog精选AI 评分8686 智谱发布 GLM-5.2：支持 1M 上下文的长程任务旗舰模型
智谱（Z.ai）发布最新旗舰模型 GLM-5.2，主打长程任务处理能力并首次提供稳定的 1M-token 上下文窗口。该模型采用 IndexShare 架构降低计算成本，在 FrontierSWE、PostTrainBench 等长程编码基准中表现优于多数闭源模型，成为排名第一的开源模型。
推荐理由：原文给出了1M上下文在长程编码任务中的实测表现与架构优化细节，读者可以据此判断其作为开源旗舰模型的实际工程落地能力。
Google DeepMind精选AI 评分8080 Google DeepMind 发布 DiffusionGemma：文本生成速度提升4倍的实验性开源模型
Google DeepMind 推出基于扩散模型的实验性开源模型 DiffusionGemma，在专用 GPU 上实现最高 4 倍的文本生成加速。该模型采用 Apache 2.0 许可证，拥有 26B 总参数但仅激活 3.8B 参数，支持双向注意力以优化代码填充和非线性文本结构生成，目前主要面向追求低延迟的本地交互式应用场景。
推荐理由：该实验性模型通过并行生成机制将本地推理速度提升4倍，为开发者探索低延迟交互工作流提供了新的技术路径。
Google DeepMind精选AI 评分8282 Google DeepMind 发布 Gemma 4 12B：统一无编码器多模态模型
Google DeepMind 发布 Gemma 4 12B，这是一款旨在笔记本电脑上运行的高性能多模态模型。它采用独特的无编码器统一架构，将视觉和音频输入直接融入 LLM 主干网络，支持原生音频输入。
推荐理由：该模型采用无编码器统一架构，在16GB显存设备上实现接近26B MoE的多模态推理能力，适合关注本地部署效率的开发者。
Hugging Face Blog精选AI 评分7373 Hugging Face 宣布 OpenEnv 升级并由多方委员会共同治理
Hugging Face 宣布 OpenEnv 项目正式由包括 Meta-PyTorch、Nvidia、Microsoft 等在内的委员会共同协调治理，代码库迁移至 huggingface/OpenEnv。
推荐理由：OpenEnv 升级为社区治理的 RL 环境互操作层，明确了协议定位与 MCP 兼容性，为开源智能体训练提供了标准化基础设施。
Hugging Face Blog精选AI 评分7272 Hugging Face 发布面向智能体优化的 hf CLI 及基准测试结果
Hugging Face 重构了官方命令行工具 hf，使其同时适配人类用户和编码智能体（如 Claude Code、Codex）。通过自动检测环境变量，CLI 为智能体提供无 ANSI 码、不截断的 TSV 结构化输出，并引入下一步命令提示和非阻塞重试机制。
推荐理由：官方展示了针对智能体优化的CLI设计细节与基准测试数据，揭示了在复杂多步任务中相比原生SDK能显著降低Token消耗并提升成功率。
Google Research精选AI 评分6868 Google 开源水文模型框架以增强全球洪水韧性
Google Research 在 GitHub 上开源了其水文建模框架，旨在帮助国家气象和水文服务机构将先进的 AI 洪水预测集成到自身工作流中。该 Python 包基于 PyTorch 实现，包含 LSTM 架构和训练管道，支持使用 Caravan 数据集及用户自定义的本地数据进行微调。
推荐理由：Google 开源水文模型框架，允许各国气象机构利用本地数据训练 AI 洪水预测模型，降低技术门槛并提升预警精度。
Hugging Face Blog精选AI 评分7575 Holo3.1 系列模型发布：支持快速本地推理的计算机使用智能体
Hcompany 发布 Holo3.1 系列计算机使用模型，旨在提升在 Web、桌面和移动环境以及不同 Agent 框架下的鲁棒性。该系列包含 0.8B、4B、9B 和 35B-A3B 四种尺寸，并首次提供 FP8、Q4 GGUF 和 NVFP4 量化检查点以支持本地推理。
推荐理由：原文给出了跨环境鲁棒性提升及首次发布的量化权重，读者可据此评估本地化部署的可行性与性能损耗。
Hugging Face BlogAI 评分5757 JetBrains 发布 Mellum2：12B 参数混合专家模型
JetBrains 发布了 Mellum2，这是一个拥有 120 亿参数的混合专家（MoE）模型，每个 token 仅激活 25 亿参数。该模型基于 Apache 2.0 许可证开源，专注于文本和代码任务，相比同尺寸模型推理速度提升超过 2 倍。Mellum2 适用于路由、RAG、子智能体及私有部署等高频低延迟场景，旨在作为大型 AI 系统中的高效组件而非替代所有模型。
Mistral AI精选AI 评分6868 Mistral AI 发布开源搜索工具包 Search Toolkit
Mistral AI 推出开源搜索工具包 Search Toolkit 的公开预览版，这是一个用于构建生产级 AI 应用搜索管道的可组合框架。它将数据摄取、检索和评估整合在单一框架中，支持 BM25、密集向量及混合检索，并提供内置的召回率、精确度等评估指标。该工具包可在云、本地或边缘环境运行，旨在解决企业搜索基础设施碎片化问题，帮助开发者通过标准适配器接口快速集成多源数据并优化 RAG 工作流。
推荐理由：该框架将检索、索引与评估整合为统一接口，有助于团队减少基础设施维护成本并聚焦于提升搜索质量。
Mistral AI精选AI 评分8282 Mistral 发布 Medium 3.5 模型及 Vibe 远程智能体功能
Mistral 发布 Mistral Medium 3.5，这是一个 128B 参数的稠密开源权重模型，支持 256k 上下文窗口，在 SWE-Bench Verified 上得分 77.6%。
推荐理由：Mistral 推出 Medium 3.5 并同步上线云端异步代理，展示了从本地终端向并行化、长周期智能体工作流的架构演进。
Hugging Face Blog精选AI 评分6363 IBM Granite Embedding Multilingual R2 发布：支持 32K 上下文的多语言嵌入模型
IBM 发布两款基于 ModernBERT 架构的 Apache 2.0 多语言嵌入模型 granite-embedding-97m-multilingual-r2 和 granite-embedding-311m-multilingual-r2。
推荐理由：IBM 发布了基于 ModernBERT 架构的 Apache 2.0 多语言嵌入模型，在保持轻量级的同时显著提升了长文档和代码检索能力。
Google ResearchAI 评分3333 Google Research 通过全球合作与开放资源推动科学影响
Google Research 发布开源工具与数据集，赋能超 250,000 名研究人员。其 DeepVariant 等基因组学工具处理了 2.5 million 个体数据，NeuralGCM 支持大气建模，HAI-DEF 提供 MedGemma 等医疗基础模型。这些资源涵盖神经科学、地球建模及生物多样性等领域，旨在通过开放协作加速全球科学发现。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布用于将 Transformers 模型移植至 MLX 的 Agent Skill 及测试框架
Hugging Face 推出了一套专用 Skill 和测试框架，旨在帮助贡献者利用代码代理将语言模型从 transformers 库高效移植到 mlx-lm。该工具不仅自动生成符合人类审查标准的 PR，还配套了独立的非智能体测试框架以验证数值一致性和生成效果，确保在提升移植速度的同时维持开源项目的代码质量与设计契约。
推荐理由：原文提供了将 transformers 模型移植到 mlx-lm 的专用 Skill 及非智能体测试框架，展示了在代码代理时代如何平衡自动化效率与开源代码质量。