Hugging Face的kernels库简化了高性能深度学习内核的构建与共享，支持CUDA、ROCm等多种后端。本文以ROCm兼容内核为例，展示如何利用kernel-builder工具构建、测试并共享内核。以RadeonFlow的GEMM内核为具体案例，该内核是针对AMD Instinct MI300X GPU优化的FP8块状矩阵乘法实现，采用e4m3fnuz浮点格式和每块缩放因子以保持低精度计算准确性，并在2025年AMD开发者挑战赛中获最高奖。指南涵盖项目设置、构建配置及通过kernels社区分享的完整步骤。
推荐理由：AMD GPU开发者可快速上手构建高性能AI内核，提升部署效率。
AMD联合Hugging Face和Data Monsters举办AMD Open Robotics黑客松，首站将于2025年12月5日至7日在日本东京举行，第二站于12月12日至14日在法国巴黎举行。活动面向18岁以上开发者，需组成最多四人的团队，在三天内完成LeRobot开发环境学习与自主创新项目开发两个任务。比赛将提供SO-101机器人套件、搭载AMD Ryzen™ AI处理器的笔记本电脑以及AMD Developer Cloud上的AMD Instinct™ MI300X GPU。每座城市的前七名团队将获得奖励，冠军奖金为一万美元。评委将依据创意、难度、易用性和实用性对项目进行百分制评分。
Hugging Face与Google Cloud宣布建立深度战略合作，旨在将Google Cloud打造为使用开放模型的最佳平台。双方将合作构建CDN网关，把Hugging Face上的模型和数据集直接缓存在Google Cloud上，显著提升下载速度并增强供应链稳定性。Google Cloud客户在Vertex AI、GKE等服务中部署模型时将获得更快的首次响应。同时，Hugging Face的1000万开发者将受益于更多新型计算实例、价格下降以及通过Google安全技术强化的模型安全性。此次合作还将推动TPU在开放模型开发中的普及应用。
推荐理由：开发者将享受更快的模型下载、TPU 原生支持和增强安全，简化 AI 部署流程。
MiniMax 在 Hugging Face 发布博客，探讨其 M2 智能体模型的泛化能力。文章核心在于重新思考智能体应“对齐”到什么标准或目标，以提升其在未见任务和环境中的通用性能。这涉及对模型训练范式和评估指标的反思，旨在突破当前智能体在特定任务上过拟合、难以泛化的局限。
推荐理由：Agent 泛化是 AI 实用化关键，这篇重新思考可能带来新突破。
NVIDIA Isaac for Healthcare v0.4 发布，提供基于 SO-ARM 的端到端入门工作流，让开发者从仿真、训练到部署构建自主手术辅助机器人。
IBM 发布 Granite 4.0 家族中最小模型 Granite 4.0 Nano，含 4 个 instruct 模型及对应 base 版本：约 1.5B 和 350M 的 hybrid-SSM 架构 H 系列，以及 1B、350M 的传统 Transformer 版本。
Hugging Face 发布带授权语音克隆的语音同意门概念及示例 Space 和配套代码。系统先生成包含同意语句和模型名的全新句子，经 ASR 识别确认后，才允许用该音频驱动语音克隆 TTS，使同意成为可审计的系统前提；作者也指出该设计可被其他 TTS 伪造，未来可结合音频溯源和说话人嵌入校验。
Hugging Face 发布 huggingface_hub v1.0，该库经五年、35+ 个版本迭代，目前月下载量 1.135 亿次，支撑 20 万+ 依赖库，可访问 200 万+ 公开模型、50 万+ 公开数据集和 100 万+ 公开 Spaces。
推荐理由：官方回顾 huggingface_hub 五年演进并说明 v1.0 的迁移要点和兼容性边界，对依赖该库的开发者有直接参考价值。
Hugging Face 宣布 datasets 库流式加载大幅优化：数据文件解析快 10 倍，启动请求最高减少 100 倍，流式速度最高提升 2 倍，256 并发 worker 下零崩溃。
推荐理由：作者实测训练场景给出具体性能数字与可复用配置，读者可据此判断流式加载能否替代本地下载数据。
美团 LongCat-Video 项目秉持开源与开放科学理念，致力于推进并普及人工智能技术。该项目通过开放源代码的方式，旨在降低 AI 技术应用门槛，打破技术壁垒，促进视频领域人工智能技术的广泛传播与创新发展，体现了推动 AI 技术民主化与开源生态建设的长期愿景。
美团开源全模态模型LongCat-Flash-Omni，采用5600亿参数MoE架构（激活270亿），支持128K上下文与实时音视频交互。模型基于快捷连接MoE与零计算专家，配备轻量级编解码器及分块特征交错机制，通过课程式渐进训练提升效率。在OmniBench、WorldSense等基准测试中超越Qwen3-Omni与Gemini-2.5-Pro，在文档理解、语音识别及GUI控制等任务中达到领先水平。
推荐理由：美团开源 560B 参数多模态模型，27B 激活即可实现实时音视频交互
Hugging Face 发布 LeRobot v0.4.0，带来 LeRobotDataset v3.0（分块 episode 格式，支持 OXE 级 >400GB 数据集）、数据集编辑 CLI、LIBERO 与 Meta-World 仿真支持、基于 Accelerate 的多 GPU 训练，以及新插件系统简化第三方硬件接入。
推荐理由：官方发布全文列出 LeRobot v0.4.0 的数据集、VLA 模型、仿真基准与硬件插件等更新，读者可按需挑用对应能力。
美团 LongCat 团队发布 LongCat-Flash-Omni 开源项目，致力于通过开源和开放科学推进人工智能技术的普及与民主化。该项目旨在降低 AI 技术应用门槛，打破技术壁垒，但目前尚未披露具体模型架构、性能基准、参数规模及应用场景等详细技术规格。
Meta 与 Hugging Face 宣布合作推出 OpenEnv Hub，一个用于构建、分享和探索智能体环境的开放社区平台，环境可同时用于训练与部署。
推荐理由：原文给出环境规范、Hub 功能和 RL 训练整合路径，读者可以据此评估在训练与部署中使用共享智能体环境的可行性。
Hugging Face 宣布与 VirusTotal 合作，对 Hub 上 220 万个以上公开模型和数据集仓库持续进行恶意文件扫描。用户访问仓库或文件页面时会自动获取 VirusTotal 检测结果，通过比对文件哈希而非上传原始文件来保护隐私，结果包含检测数、已知恶意关联等元数据，可接入组织的 CI/CD 或部署流程。
Hugging Face 宣布 Sentence Transformers 从 TU Darmstadt 的 UKP 实验室正式移交给 Hugging Face 维护。
推荐理由：官方宣布 Sentence Transformers 移交 Hugging Face 维护，读者可以了解后续开源许可、维护人和基础设施会有哪些变化。
Hugging Face 发布开源 OCR 模型指南，并新增 Chandra 和 OlmOCR-2 及其在 OlmOCR Benchmark 上的分数（Chandra 83.1±0.9，OlmOCR-2 82.3±1.1）。
推荐理由：这篇指南梳理了主流开源 OCR 模型的能力、输出格式与成本对比，并给出按使用场景选型的具体方法。
Hugging Face 发布 AI Sheets 重大更新，为开源无代码工具 AI Sheets 加入视觉能力，可直接上传图片或使用含图数据集，用视觉模型提取、分析和结构化图片信息。
推荐理由：官方公告给出了图像提取、生成和编辑的具体用法与模型对比示例，读者可以判断能否把图片处理搬进表格工作流。
meituan-longcat 发布开源项目 LongCat-Audio-Codec，致力于通过开源与开放科学推进人工智能技术的普及与民主化。该项目旨在促进音频编解码技术的开放获取，推动行业技术进步与开放生态建设。
Hugging Face 发起 AI for Food Allergies 项目，计划打造首个社区驱动的研究实验室，探索 AI 如何推进食物过敏研究。全球约 2.2 亿人患有至少一种食物过敏，美国约占总人口 10%。
Intel 与 Hugging Face 联合测试显示，在搭载 Intel Xeon 6 处理器（Granite Rapids）的 Google Cloud C4 虚拟机上运行 OpenAI GPT OSS 大模型，总拥有成本（TCO）较上一代 C3 实例提升 1.7 倍，即 70% 的 TCO 改善。
Hugging Face 发布教程，介绍用 Optimum Intel 和 OpenVINO 在 Intel CPU 上三步部署 VLM：转换为 OpenVINO IR、做权重仅量化或静态量化、运行推理，以 SmolVLM2-256M-Video-Instruct 为例。
Hugging Face 推出 BigCodeArena，一个通过真实代码执行进行人类评估的代码生成模型对比平台，支持 10 种语言和 8 种执行环境，无需注册即可使用。
推荐理由：平台用真实执行反馈让用户对比代码模型，五个月社区数据还给出了各模型在不同语言和运行环境下的强弱分布。
Hugging Face 发布三部分系列的第一篇，讲解如何将 RedNote 的 3B 参数 OCR 模型 dots.ocr 转换到 Apple 设备上运行，该模型在 OmniDocBench 上超过 Gemini 2.5 Pro。
Hugging Face 发布 Retrieval Embedding Benchmark（RTEB）beta 版，用公开与私有数据集混合的方式评测嵌入模型的真实检索能力，默认榜单指标为 NDCG@10。该基准覆盖 20 种语言，聚焦法律、医疗、代码、金融等企业场景，每个数据集至少含 1k 文档和 50 条查询，私有部分由 MTEB 维护者评测以防过拟合。
Hugging Face 用 OpenVINO.GenAI 在 Intel Core Ultra 上加速 Qwen3-8B，以 Qwen3-0.6B 为草稿模型做投机解码，生成速度提升约 1.3 倍。
NVIDIA 发布开源合成数据集 Nemotron-Personas-Japan，含 600 万条基于日本人口统计、地理与文化特征的日语 personas（100 万条记录、每条 6 个 persona），总 token 约 14 亿，其中 persona 相关约 8.5 亿，采用 CC BY 4.0 许可。
Hugging Face 的 Swift 库 swift-transformers 发布 1.0，为 Apple 平台本地 LLM 推理提供 Tokenizers、Hub 及 Core ML 模型封装等组件。
Hugging Face 发布 Smol2Operator，通过两阶段 SFT 将无 GUI 定位能力的 SmolVLM2-2.2B-Instruct 训练成 GUI Agent，ScreenSpot-v2 准确率从约 0% 先提升到 41%，再提升到 61%。
推荐理由：原文给出从数据统一到两阶段微调的完整训练配方和结果数字，且全部开源，可复现到自己的 GUI Agent 项目中。
ServiceNow 推出开源框架 SyGra，用低代码/无代码方式为 LLM 和 SLM 生成、转换与对齐数据。它支持 vLLM、Hugging Face TGI、Triton、Ollama 等多种推理后端，覆盖 Q&A 生成、SFT 到 DPO 偏好对、多轮与推理型问题、跨语言转换和质量过滤等场景，并提供教程与示例任务仓库。
Meta 在 Hugging Face 发布 GAIA 的后续基准 Gaia2，以及开源评估框架 Meta Agents Research Environments（ARE，MIT 许可），Gaia2 数据集采用 CC BY 4.0 许可。
推荐理由：原文给出新基准的任务分组、开源许可和初步模型结果，读者可据此评估现有模型在真实世界智能体任务上的短板。
meituan-longcat 开源发布 LongCat-Flash-Thinking-FP8 模型，采用 FP8 8位浮点精度格式优化计算效率与推理速度。该模型支持 Flash-Thinking 快速推理能力，致力于通过开源和开放科学推进人工智能的民主化。正文未披露具体参数规模、训练数据详情或基准测试指标。
Hugging Face Hub 现已支持 Scaleway 作为 Inference Provider，用户可直接在模型页调用 gpt-oss、Qwen3、DeepSeek R1、Gemma 3 等开源权重模型。
Hugging Face 宣布推出 RiskRubric.ai，由 Cloud Security Alliance 和 Noma Security 主导、Haize Labs 与 Harmonic Security 参与，为模型提供标准化风险评分。
Hugging Face 宣布 Public AI Inference Utility 正式成为其 Inference Providers 之一，用户可在 Hub 模型页面及 JS 和 Python SDK 中直接调用 Swiss AI Initiative。
Hugging Face 发布机器人学习数据格式 LeRobotDataset:v3.0，将多个 episode 合并到单个文件并用关系式元数据检索，解决 v2 每个 episode 单文件在扩展到数百万 episode 时的文件系统瓶颈。
Hugging Face 在 Gradio 中内置可见水印功能，创建 Space 应用或 demo 时只需添加 watermark 参数即可为图像、视频和文本加水印。图像和视频通过 gr.Image、gr.Video 传入水印文件，支持图片或 numpy 数组，还可使用 QR 水印；文本则在 gr.Chatbot 中设置 watermark，用户复制 AI 回复时会自动附带水印署名。
Writer 在 Hugging Face 发布 Palmyra-mini 系列三款开源模型：palmyra-mini（非推理基座）、palmyra-mini-thinking-a（GSM8K strict match 82.87%）和 palmyra-mini-thinking-b（AMC23 92.5%）。
Hugging Face 发文介绍为让 OpenAI GPT-OSS 系列在 transformers 上高效运行所做的库升级，包括可从 Hub 下载的零构建内核、MXFP4 原生量化、张量并行、专家并行、动态滑动窗口缓存、连续批处理与更快的模型加载。
推荐理由：原文详解 transformers 为支持 GPT-OSS 引入的内核下载、MXFP4、张量与专家并行等升级，多数特性可复用到其他模型。
Together AI 与 Hugging Face 推出新能力，Hub 上任意兼容 LLM 可直接用 Together AI 基础设施微调。