Hugging Face Hub
PulseAugur coverage of Hugging Face Hub — every cluster mentioning Hugging Face Hub across labs, papers, and developer communities, ranked by signal.
- 2026-08-14 product_launch Hugging Face Hub is integrating Strands Agents and LeRobot hardware. 来源
- 2026-07-18 product_launch Hugging Face launched Storage Buckets to enhance data management capabilities. 来源
- 2026-07-12 product_launch Hugging Face launched a new kernel repository type for its Hub, introducing code signing and trusted publishers to enhance security. 来源
- 2026-07-01 product_launch Hugging Face Hub has integrated with robotic hardware platforms Strands Agents and LeRobot. 来源
- 2026-06-19 product_launch Hugging Face Hub has introduced new storage buckets to its platform. 来源
- 2026-06-05 product_launch Hugging Face launched storage buckets as a new feature for its Hub platform. 来源
9 天有情绪数据
-
Hugging Face 重点介绍用于本地模型、云存储和 Hub 版本发布的 AI 工具 · 跟踪 3 个来源
Hugging Face 正在重点介绍几个增强 AI 开发生态系统的项目和工具。这包括使用本地模型免费对 OpenClaw 存储库进行分类,Hugging Face Hub 的每周发布强调了对 AI、开放工具和人工监督的需求,以及 SkyPilot 的集成,用于跨各种云的 AI 工作负载的零出口存储。
-
Hugging Face Hub 推出 Storage Buckets 和 EVA 框架用于语音代理
Hugging Face Hub 推出了名为 Storage Buckets 的新功能,旨在增强 AI 模型和数据集的管理和可访问性。此外,还开发了一个名为 EVA 的新框架用于评估语音代理,旨在标准化这一快速发展的 AI 研究领域的性能指标。
-
Hugging Face Hub集成机器人硬件,携手语音AI合作伙伴,并披露安全事件 · 跟踪3个来源
Hugging Face 参与了多项与AI相关的开发。一项举措通过 Hugging Face Hub 集成了 Strands Agents 和 LeRobot 硬件。另外,Hugging Face 与 Cerebras 合作,为实时语音AI应用实现 Gemma 4。此外,Hugging Face 还披露了一起定于 2026 年 7 月的安全事件。
-
开源 Mimir v1 模型使用道德数据实现前沿性能
研究人员推出了 Mimir v1,这是一个基于分层推理模型 (HRM) 架构构建的 10 亿参数语言模型。该模型在英语方面取得了有竞争力的性能,并在仅使用允许的训练后数据的情况下,在丹麦语方面设定了新的最先进水平。Mimir v1 在 161 个多样化数据集上进行了训练,并在 20 项基准测试中展示了与 Qwen 3.5 4B 和 Gemma 4 E2B 等更大模型相当的性能。
-
DFM Mimir v1:一个在道德数据上训练的 1B 参数模型达到了丹麦的 SOTA
一个名为 Mimir v1 的新型 10 亿参数语言模型已被开发出来,它采用了分层推理模型 (HRM) 架构。该模型值得注意的是,它仅在允许的数据上进行训练,在丹麦语性能上达到了新的技术水平,同时在英语方面也保持了竞争力。Mimir v1 在 161 个数据集的混合体上进行了训练,其性能与 Qwen 3.5-4B 和 Gemma 4-E2B 等更大模型相当。
-
Hugging Face 集成 Baseten,扩展无服务器人工智能模型访问
Hugging Face 已将 Baseten 集成到其 Hub 中,作为新的推理提供商,允许开发者通过无服务器推理访问更广泛的人工智能模型。此次合作使得 Kimi K3、DeepSeek-V4 Flash 和 GLM-5.2 等模型可以直接在 Hugging Face 的平台和 SDK 中无缝集成。用户可以选择使用自己的提供商 API 密钥,或通过 Hugging Face 路由请求,账单将相应管理。此次集成还扩展到各种代理工具,简…
-
Hugging Face 集成本地模型、SkyPilot 和每周 Hub 更新
Hugging Face 正在通过多项新功能和集成来增强其平台。该公司正在利用本地 AI 模型免费对 OpenClaw 存储库进行分类,并每周向 Hugging Face Hub 发送更新,强调 AI、开放工具和人工监督的必要性。此外,Hugging Face 还与 SkyPilot 集成,使 AI 工作负载能够跨各种云运行,并以零出口成本存储数据。
-
Hugging Face 推出存储桶、语音代理框架和经济高效的 mRNA 模型训练 · 跟踪 3 个来源
Hugging Face 在多个领域推出了新功能和框架。该平台现在提供存储桶(Storage Buckets)用于管理 AI 生成的内容,一个名为 EVA 的新框架,用于与 ServiceNow 合作评估语音代理,以及一种经济高效的方法,可以以仅 165 美元的价格跨 25 个物种训练 mRNA 语言模型。
-
Hugging Face Hub 集成机器人硬件,携手语音AI,并讨论GPU管理 · 跟踪3个来源
Hugging Face 参与了多项与AI相关的开发。一项举措通过 Hugging Face Hub 集成了 Strands Agents 和 LeRobot 硬件。另外,Hugging Face 和 Cerebras 正在合作实施 Gemma 4 用于实时语音AI应用。此外,一篇博文讨论了 GPU 管理,将空闲 GPU 与停飞飞机进行了类比。
-
新工具集SetGo增强了AI数据集的元数据,以促进发现和重用
研究人员开发了SetGo,这是一个开源Python工具集,旨在评估和改进科学数据集的元数据就绪性,以用于AI应用。SetGo在六个维度上评估数据集:完整性、治理、标准合规性、许可、来源和目录就绪性。当应用于四个科学语料库时,SetGo发现了重大的元数据缺陷,例如与ACDD 1.3等标准的合规性低以及许可条款存在问题。该工具集的丰富过程将FAIR分数从平均52-57%提高到81-91%,并且它可以发布具有标准化元数据侧车文件的数据集到H…
-
旧版 BERT 模型在稀疏检索任务中表现优于其较新版本
近期研究表明,在稀疏检索任务中,旧版 BERT 模型(特别是 BERT-base)的表现优于 ModernBERT 等较新编码器。这种现象归因于“词汇表差距”,即 ModernBERT 更大、区分大小写的词元集导致词汇匹配效果不如 BERT-base 更小、不区分大小写的词汇表。然而,后续研究提出了解决此词汇表差距的方案,使 ModernBERT 能够在稀疏检索任务中取得最先进的成果。
-
发布新的韩语指令语料库,由Phi-3.5-MoE-instruct生成
研究人员发布了GLAN-QnA-KR,这是一个包含超过30万条记录的大规模韩语指令问答语料库。该语料库使用Microsoft的Phi-3.5-MoE-instruct模型和无种子、驱动式分类的合成管道生成。值得注意的是,该数据集的重复问题率很低,并已针对多个韩语基准进行了污染审计,与测试集的重叠度很小。
-
新的韩语新闻摘要数据集在 Hugging Face Hub 上发布
研究人员发布了 Naver-News-KO,这是一个包含 27,400 个文档-摘要对的韩语新闻摘要数据集。该数据集收集自 Naver News 的经济和 IT/科学类别,可在 Hugging Face Hub 上获取,并已获得显著的月下载量。该数据集包括使用 LoRA 微调的 KoBART 和 Gemma-2B-ko 等模型的基线性能指标,旨在作为研究人员可引用的资源,而非新的基准。
-
Hugging Face 发布 AI Agent 术语表和每周 Hub 更新 · 跟踪 3 个来源
Hugging Face 发布了与其 AI 生态系统相关的更新和资源。其中一篇帖子详细介绍了用于理解 AI Agents、Harnesses 和 Scaffolds 的新术语表。另一篇强调了使用本地模型对 OpenClaw 存储库进行免费分类。此外,Hugging Face 正在为 `huggingface_hub` 提供每周更新,强调需要结合 AI、开放工具和人工监督。
-
Hugging Face 推出 Storage Buckets 以管理 AI 数据
Hugging Face 推出了 Storage Buckets,这是一项旨在为管理大型数据集和模型文件提供更强大、更可扩展的解决方案的新功能。该产品旨在简化 AI 开发的数据存储和访问过程,使用户能够高效地处理机器学习项目日益增长的需求。
-
Hugging Face 集成 Strands Agents、LeRobot 和 Gemma 4 以实现 AI 应用
Hugging Face 通过合作伙伴关系集成新的 AI 功能。该平台现已支持 Strands Agents 和 LeRobot,能够将机器人硬件连接到其中心。此外,Hugging Face 与 Cerebras 合作,为实时语音 AI 应用部署 Gemma 4。
-
新框架评估用于量子代码生成的AI代理
研究人员开发了一个名为Quantum Circuit Vision (QCV) 的成本感知评估框架,用于评估视觉AI代理在生成量子代码方面的能力。该框架包含一个由132个量子电路组成的基准测试,并提供可执行的Amazon Braket代码和验证。评估显示,Claude Sonnet 4.6 在准确性和成本之间取得了良好的平衡,以远低于顶级Claude Opus 4.6 的成本实现了91%的通过率。研究发现,电路深度而非量子比特数量是导…
-
Hugging Face Hub 增加受信任内核的代码签名
Hugging Face 为其 Hub 引入了一种新的内核存储库类型,通过代码签名和受信任的发布者增强了安全性。此功能允许将原生计算代码直接集成到 Hub 中,确保用户可以验证他们执行的代码的来源和完整性。
-
《龙腾世纪》创作者认为系列已死;Amazon SageMaker 增强推理
《龙腾世纪》系列创作者 David Gaider 认为,由于《龙腾世纪:守望者》表现不佳,该系列很可能已经结束。尽管如此,他表示如果机会出现,他愿意回归该系列。另外,Amazon SageMaker HyperPod 推出了增强企业推理的新功能,包括多层数据捕获、直接从 Hugging Face Hub 部署以及与 NVM Express 和 Route 53 的集成。
-
回收 LoRA 收益有限,提示正则化效应
一篇新研究论文探讨了回收预训练 LoRA 模块用于语言模型的有效性,特别是在从 Hugging Face Hub 进行适配时。该研究使用了近 1000 个在 Llama 3.1 8B-Instruct 模型上训练的用户贡献 LoRA,发现与在相同数据上训练新 LoRA 相比,自适应合并方法带来的益处有限。令人惊讶的是,选择合并哪些 LoRA 对结果影响甚微,甚至随机初始化的参数也能产生相似的性能,这表明可能存在正则化效应,而非积极的跨…