Hugging Face AI Sheets发布重大更新，新增图像视觉处理能力
Hugging Face开源工具AI Sheets发布重大更新，正式加入对图像视觉内容的支持。用户现在可以在电子表格中直接上传、分析、提取信息以及生成和编辑图片，无需编写代码。
推荐理由：AI Sheets新增视觉能力支持图像提取与生成，用户可在电子表格中直接处理多模态数据并导出结构化结果。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 81–100 条 · 共 125 条Hugging Face Blog精选AI 评分6565
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 Smol2Operator：通过两阶段后训练构建 GUI 智能体
Hugging Face 推出 Smol2Operator 项目，展示如何将 SmolVLM2-2.2B-Instruct 从零基础转化为具备 GUI 操作能力的智能体。
推荐理由：展示了如何通过两阶段微调将无 GUI 能力的轻量级 VLM 转化为具备推理能力的智能体，并开源了完整训练配方和数据集。
OpenAI News精选AI 评分7878 OpenAI 发布新多模态模型
OpenAI 发布了一款新的多模态模型，支持更直接的语音交互。该模型旨在提升实时对话体验，具体技术细节和性能指标需参考官方文档。
推荐理由：OpenAI 官方发布了新的多模态模型，提供了更直接的语音交互能力，适合评估其在实时对话场景中的表现。
Hugging Face Blog精选AI 评分6262 TRL 新增视觉语言模型对齐支持：涵盖 MPO、GRPO 及 GSPO 等方法
Hugging Face TRL 库新增对视觉语言模型（VLM）的多项对齐算法支持，包括混合偏好优化（MPO）、组相对策略优化（GRPO）和组序列策略优化（GSPO）。官方提供了相应的训练脚本、Notebook 示例以及 vLLM 集成方案，并实现了原生的监督微调（SFT）支持，帮助开发者更高效地进行多模态模型的后训练与对齐。
推荐理由：原文提供了在 TRL 中实现 VLM 对齐的具体代码配置与脚本，读者可直接复用这些方法优化多模态模型性能。
Mistral AI精选AI 评分6868 Mistral Le Chat 发布深度研究、Voxtral 语音模式及 Magistral 推理新功能
Mistral AI 为其助手 Le Chat 推出多项重大更新，包括预览版 Deep Research 模式、基于 Voxtral 模型的语音交互以及由 Magistral 模型驱动的原生多语言推理能力。
推荐理由：Mistral 为 Le Chat 集中上线了深度研究、语音交互及原生多语言推理等核心功能，展示了其助手向全能型生产力工具演进的具体路径。
Hugging Face Blog精选AI 评分7878 Hugging Face 发布 SmolLM3：支持 128k 上下文与双模式推理的开源 3B 模型
Hugging Face 推出完全开源的 3B 参数模型 SmolLM3，包含 Base 和 Instruct/Reasoning 版本，支持英语、法语等 6 种语言及最高 128k 上下文窗口。
推荐理由：Hugging Face 发布了 SmolLM3 及其完整训练配方，展示了在 3B 规模下通过公开数据实现长上下文和双模式推理的工程路径。
Hugging Face Blog精选AI 评分6262 NVIDIA 发布 Llama Nemotron Nano VL 8B 视觉语言模型
NVIDIA 推出 Llama Nemotron Nano VL，这是一款基于 Llama-3.1-8B-Instruct 和 C-RADIOv2-VLM-H 架构的 8B 参数视觉语言模型，专为智能文档处理和 OCR 设计。
推荐理由：原文给出了8B视觉语言模型在文档处理基准上的表现及部署入口，读者可以据此判断其在企业级自动化场景中的适用性。
Hugging Face Blog精选AI 评分8484 Gemma 3n正式登陆开源生态，支持transformers、MLX等主流框架
Gemma 3n现已全面支持transformers、timm、MLX、llama.cpp、Ollama等主流开源库，实现本地化多模态运行。该模型包含E2B和E4B两种规格，通过Per-Layer Embeddings技术将实际5B/8B参数的显存占用降至2GB/3GB，并首次引入MobileNet-v5视觉编码器与USM音频编码器。
推荐理由：原文详细列出了Gemma 3n在主流开源库中的集成方式及显存优化原理，为开发者提供了从推理到微调的完整落地路径。
Hugging Face Blog精选AI 评分6565 Hugging Face 发布 ScreenSuite：最全面的 GUI 智能体评估套件
Hugging Face 发布 ScreenSuite，这是一个包含 13 个基准测试的综合评估套件，用于评估视觉语言模型（VLM）在感知、定位、单步操作和多步智能体等方面的能力。
推荐理由：原文整合了13个GUI智能体基准并统一为纯视觉评估环境，提供了支持本地部署的Docker容器和快速启动指南。
Hugging Face Blog精选AI 评分6565 H Company 发布 Holo1 GUI 自动化 VLM 家族及 Surfer-H 智能体
H Company 在 Hugging Face Hub 上发布了 Holo1 系列动作视觉语言模型（Action VLMs）和 WebClick 基准测试。该系列包含 Holo1-3B 和 Holo1-7B 两个版本，基于 Qwen2.5-VL 架构，其中 Holo1-7B 在通用 UI 定位基准上达到 76.2% 的平均准确率。
推荐理由：原文发布了专为GUI自动化设计的开源视觉语言模型家族及基准，提供了低成本实现网页任务自动化的具体性能数据。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 nanoVLM：纯 PyTorch 实现的最简视觉语言模型训练工具包
Hugging Face 推出 nanoVLM，这是一个用于训练视觉语言模型（VLM）的轻量级纯 PyTorch 工具包。该项目受 nanoGPT 启发，旨在通过极简且可读的代码帮助初学者在免费 Colab 笔记本上启动 VLM 训练。
推荐理由：原文提供了基于纯 PyTorch 的极简 VLM 训练代码库及 Colab 入口，适合开发者快速理解视觉语言模型架构与训练流程。
Hugging Face Blog精选AI 评分6868 Hugging Face 回顾视觉语言模型年度进展：涵盖推理、智能体与多模态 RAG
Hugging Face 发布博客详细回顾了过去一年视觉语言模型（VLMs）的技术演进，重点解析了 Any-to-any 模型、推理模型、小型化模型及 Mixture-of-Experts 解码器等新趋势。
Mistral AI精选AI 评分7575 Mistral AI 发布 Mistral Medium 3 模型
Mistral AI 正式发布 Mistral Medium 3，这是一款旨在平衡 SOTA 性能、更低成本和简化部署的新类别模型。该模型在编码和多模态理解等专业用例中表现领先，基准测试显示其性能达到或超过 Claude Sonnet 3.7 的 90%，但 API 价格低至每百万 token 输入 $0.4 / 输出 $2。
推荐理由：Mistral Medium 3 以显著低于竞品的成本提供接近前沿的性能，并支持混合或本地部署，为企业级应用提供了兼顾效率与可控性的新选择。
Hugging Face Blog精选AI 评分6868 Meta 发布 Llama Guard 4 及 Llama Prompt Guard 2 模型
Meta 发布 Llama Guard 4，这是一个从 Llama 4 Scout 剪枝而来的 12B 稠密多模态安全模型，支持检测图像和文本中的不安全内容。同时推出两个轻量级 Llama Prompt Guard 2 模型（86M 和 22M 参数），专门用于检测提示词注入和越狱攻击。
推荐理由：原文详细说明了 Llama Guard 4 的架构剪枝来源、多语言分类能力及与上一代在单图和多图场景下的性能对比数据。
Hugging Face Blog精选AI 评分9292 Hugging Face 上线 Meta Llama 4 Maverick 与 Scout 模型
Hugging Face 正式上架 Meta 发布的 Llama 4 Maverick (~400B) 和 Llama 4 Scout (~109B) 模型权重。
推荐理由：原文详细披露了 Llama 4 Maverick 和 Scout 的 MoE 架构、超长上下文支持及在 Hugging Face 上的集成方式，为开发者提供了从权重下载到推理部署的具体技术路径。
Mistral AI精选AI 评分7777 Mistral AI 发布 Mistral Small 3.1 开源多模态模型
Mistral AI 发布 Mistral Small 3.1，这是一款 Apache 2.0 许可的开源模型，支持 128k tokens 上下文窗口和多模态理解。该模型推理速度达 150 tokens/s，可在单张 RTX 4090 或 32GB RAM Mac 上运行，目前已上线 Hugging Face 和 La Plateforme API。
推荐理由：官方公布小参数模型在文本、多模态及长上下文维度的性能数据与硬件适配细节，为端侧部署提供具体参考。
Hugging Face Blog精选AI 评分9292 Google 发布 Gemma 3：支持多模态、140+语言及128k上下文的开源大模型
Google 发布新一代开源多模态大模型 Gemma 3，包含 1B、4B、12B 和 27B 四种参数规模。除 1B 版本仅支持文本外，其余版本均支持图像输入，上下文窗口最高达 128k tokens，并支持 140 多种语言。
推荐理由：原文详细列出了Gemma 3各尺寸参数、上下文长度及多语言支持，并提供了在Hugging Face生态中的具体部署与推理代码示例。
Mistral AI精选AI 评分7878 Mistral 发布 Mistral OCR：支持多模态文档理解与结构化输出
Mistral AI 推出 Mistral OCR，这是一款专为文档理解设计的 API，能够以高准确率解析文本、表格、公式及图像等元素。该模型在多项基准测试中表现优于 Gemini-1.5-Pro 和 GPT-4o，支持原生多语言处理，单节点每分钟可处理高达 2000 页文档。
推荐理由：官方发布了针对文档理解的专用 OCR 模型，提供了详细的基准测试数据对比和 API 定价策略，适合需要处理复杂多模态文档的开发者评估。
Hugging Face Blog精选AI 评分6565 Cohere For AI 发布 Aya Vision 8B/32B 开源多模态模型
Cohere For AI 推出 Aya Vision 8B 和 32B 两款开源权重视觉语言模型（VLM），旨在解决多模态模型的多语言性能挑战。该系列基于 SigLIP2 视觉编码器和 Aya Expanse 语言模型，采用动态图像分块、Pixel Shuffle 降采样以及多模态模型合并等技术，支持 23 种语言的图像描述、视觉问答及 OCR 等任务。
推荐理由：Cohere For AI 发布 Aya Vision 系列开源多模态模型，通过合成标注与模型合并技术提升23种语言下的视觉理解能力。
Hugging Face Blog精选AI 评分7878 Hugging Face 发布 SmolVLM2 系列模型，支持全设备视频理解
Hugging Face 发布 SmolVLM2 系列模型，包含 2.2B、500M 和 256M 三种参数规模，旨在让视频理解能力在所有设备上运行。SmolVLM2 2.2B 在 Video-MME 基准测试中表现优于现有 2B 级模型，而 500M 和 256M 版本则提供了极小的内存占用。
推荐理由：原文给出了三种参数规模的视频理解模型及端侧部署方案，读者可以据此评估小模型在本地设备上的实际可用性。