推荐理由：内容列出了 Gemma 4 的下载渠道与兼容工具链，便于判断本地部署和微调的可选路径。
Hugging Face
全部主题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。
最新精选
第 141–157 条 · 共 158 条@googleaidevs@googleaidevs精选AI 评分7878
Hugging Face Blog精选AI 评分7272 H 公司发布 Holo3.1 计算机使用智能体模型，推出本地量化权重
H 公司发布 Holo3.1 计算机使用智能体模型家族，提供 0.8B、4B、9B 和 35B-A3B 四种尺寸，并首次推出 FP8、Q4 GGUF 和 NVFP4 量化权重。
推荐理由：Holo3.1 在移动端与跨框架适配上补齐短板，量化权重把计算机使用智能体带到本地设备。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Cosmos 3：首个面向物理 AI 推理与动作的开源全模态模型
NVIDIA 在 Hugging Face 上发布 Cosmos 3，这是一个面向物理 AI 的开源全模态模型。它基于 Mixture-of-Transformers 架构，将世界生成、物理推理与动作生成整合到单一模型中。
推荐理由：NVIDIA 将世界生成、物理推理与动作生成整合到一个模型中，并给出开源模型与 Diffusers 接入方式。
Hugging Face Blog精选AI 评分6262 PyTorch 性能分析（一）：torch.profiler 入门指南
Hugging Face 博客发布 PyTorch profiling 系列第一篇，以矩阵乘法加加法为例讲解 torch.profiler 的用法。文章说明 profiler 会导出统计表格和 Perfetto 时序 trace 两类产物，并演示如何用 warmup 消除冷启动开销、区分 CPU 与 GPU lane 以及读懂嵌套的调度链，最后附上速查表。
推荐理由：面向初学者的 torch.profiler 阅读指南，用两个矩阵算子串起从 CPU 调度到 CUDA 内核的完整链路，并附上速查表。
Hugging Face Blog精选AI 评分6868 Artificial Analysis 与 IBM 发布 ITBench-AA 基准，前沿模型在智能体企业 IT 任务上得分不足 50%
Artificial Analysis 与 IBM 软件创新实验室发布 ITBench-AA，这是首个面向智能体企业 IT 任务的基准系列，首批聚焦 SRE 场景，前沿模型得分均低于 50%。
推荐理由：前沿模型在这套企业IT智能体基准上全部低于50%，并给出开源权重模型的每任务成本对照，可作为能力与成本参照。
Hugging Face Blog精选AI 评分6666 TRL 推出 Delta Weight Sync，异步 RL 每步权重传输从 1.2GB 降至 20-35MB
Hugging Face 在 TRL 中实现 Delta Weight Sync，只把 RL 相邻优化步骤间真正变化的 bf16 权重编码为稀疏 safetensors 文件，上传到 Hugging Face Bucket 后由 vLLM 拉取。
推荐理由：TRL 通过稀疏增量同步把异步 RL 每步权重传输量压缩约两个数量级，并允许 trainer 与推理集群分离部署。
Hugging Face Blog精选AI 评分6262 Hugging Face 让 Reachy Mini 完全本地运行语音对话
Hugging Face 发布教程，用自家 speech-to-speech 库把 Reachy Mini 的对话链路全部搬到本地，无需云服务、API key，音频不出本机。
推荐理由：给出了一条可整套照搬的本地语音链路，读者能据此把 VAD、STT、LLM、TTS 各环节换成自己的模型。
Hugging Face Blog精选AI 评分6969 NVIDIA 发布 Nemotron-Labs Diffusion 扩散语言模型系列
NVIDIA 发布 Nemotron-Labs Diffusion 系列扩散语言模型，包含 3B、8B、14B 文本模型和 8B 视觉语言模型，均提供基础版与指令微调版。
推荐理由：原文给出该系列的多规模配置与三种推理模式的实测对比数据，读者可据此判断扩散语言模型在延迟敏感场景中的可行性。
Hugging Face Blog精选AI 评分7575 IBM Research 发布 Open Agent Leaderboard 与 Exgentic 评测框架
IBM Research 发布 Open Agent Leaderboard，把完整智能体系统而非单个模型作为评测单位，同时报告成功率和每任务成本，并开源配套的 Exgentic 评测框架与论文。
推荐理由：榜单把完整智能体系统而非单个模型作为评测单位，同时给出质量与成本，便于判断不同实现的部署取舍。
Hugging Face Blog精选AI 评分6363 IBM 发布 Granite Embedding Multilingual R2 多语言嵌入模型，支持 32K 上下文
IBM 发布两个 Apache 2.0 多语言嵌入模型 granite-embedding-97m-multilingual-r2 和 granite-embedding-311m-multilingual-r2，基于 ModernBERT，覆盖 200+ 语言、32K token 上下文，并支持 9 种编程语言的代码检索。
推荐理由：两个模型以 Apache 2.0 覆盖 200+ 语言和 32K 上下文，读者可对照基准表判断小模型在多语言检索上的实际取舍。
Hugging Face Blog精选AI 评分6565 AI2 发布 EMO：预训练混合专家实现涌现模块化
AI2 发布 EMO，一个 1B 激活、14B 总参数（8 专家激活、128 专家总量）的混合专家模型，在 1 万亿 token 上端到端预训练，让模块化结构直接从数据中涌现。保留 25% 专家时各基准平均性能只下降约 1%，仅保留 12.5% 专家时平均下降约 3%，而同等架构的标准 MoE 在相同子集设置下明显退化。团队同时开源了 EMO 模型、同等数据的标准 MoE 基线和训练代码。
推荐理由：EMO 让专家子集按语义领域自然分组，只保留 12.5% 专家仍接近全模型性能，为稀疏 MoE 的部署取舍提供参考。
Hugging Face Blog精选AI 评分6161 IBM 详解 Granite 4.1 大模型的预训练与强化学习流程
IBM Granite 团队发布技术解读，说明 Granite 4.1 系列 3B、8B、30B 稠密模型基于约 15T token 的五阶段预训练流程构建，上下文窗口经长上下文扩展至 512K。
推荐理由：原文完整披露 Granite 4.1 的五阶段预训练数据配比与多阶段 RL 流程，可供同类小模型训练参考。
Hugging Face Blog精选AI 评分8080 NVIDIA 发布 Nemotron 3 Nano Omni 长上下文多模态模型
NVIDIA 发布开源全能多模态理解模型 Nemotron 3 Nano Omni 30B-A3B，在 OCRBenchV2-En 得分 65.8、MMLongBench-Doc 57.5，并新增音频与视频理解能力。
推荐理由：原文列出文档、视频与音频榜单成绩及吞吐对比，读者可据此判断该开源全能模型的能力边界。
inclusionAI Hugging Face models精选AI 评分6262 inclusionAI 发布 DR-Venus-4B-SFT 深度研究智能体模型
inclusionAI 发布 4B 深度研究智能体 DR-Venus-4B-SFT，基于 Qwen3-4B-Thinking-2507 在清洗后的开源 REDSearcher 轨迹上做智能体监督微调，最大训练长度 200K，使用 search 与 visit 工具。
推荐理由：给出 9B 以下开源深研究智能体的基准对比，读者可据此判断 4B 模型的深研究能力位置。
Hugging Face Blog精选AI 评分6060 如何用 OpenAI Privacy Filter 构建可扩展 Web 应用
作者基于 OpenAI 本周在 Hub 上开源的 Privacy Filter，用 gradio.Server 搭建了三个 PII 脱敏 Web 应用：文档高亮浏览器、图像匿名化工具和 SmartRedact Paste。
推荐理由：文章以三个可运行示例展示 Privacy Filter 的接入方式，可供搭建 PII 脱敏应用时参考。
Hugging Face Blog精选AI 评分8080 DeepSeek-V4 发布：百万 token 上下文面向智能体任务
DeepSeek 发布 V4，Hub 上提供两个 MoE 检查点：DeepSeek-V4-Pro 总参数 1.6T、激活 49B，DeepSeek-V4-Flash 总参数 284B、激活 13B，两者均支持 1M token 上下文窗口。
推荐理由：原文拆解了 V4 面向长上下文智能体的注意力与后训练设计，可据此判断开源模型跑长任务时的成本变化。
Hugging Face Blog精选AI 评分6767 如何在 Chrome 扩展中用 Transformers.js 运行本地 Gemma 4 模型
Hugging Face 发布指南，讲解如何在 Chrome 扩展（Manifest V3）中用 Transformers.js 运行本地模型，并复现其 Gemma 4 浏览器助手的核心架构。
推荐理由：用一个已上线的浏览器扩展拆解 MV3 下的分层架构，可供搭建本地模型扩展时参考分工与数据边界。