Hugging Face 團隊介紹 Diffusers 0.3 的功能更新，涵蓋圖生圖、Textual Inversion、實驗性修補管線及推理優化。Textual Inversion 可用 3-5 張樣本個人化 Stable Diffusion；啟用優化後，Stable Diffusion 僅需 3.2GB VRAM，生成結果相同但速度降低 10%。
推薦理由：Diffusers 0.3 把圖生圖、模型個人化等功能更新，連同小顯存、Mac 與 ONNX 的操作示例一併呈現，便於對照 Stable Diffusion 在不同環境的操作與部署方式。
DALL·E 推出 outpainting 功能，讓圖像可延展至任意尺寸，以擴展創作並講述更大的故事。
Hugging Face 推出 Skops，這個程式庫可將 scikit-learn 模型託管至 Hugging Face Hub，並建立模型卡以記錄模型資訊及促進協作。
OpenAI 推出改進版內容審核工具 Moderation endpoint，該端點改進了 OpenAI 先前的內容過濾器。它免費供 OpenAI API 開發者使用。
Hugging Face 為 🤗 Datasets 新增音訊與圖像資料集文件，並更新 Quickstart，提供使用 PyTorch 或 TensorFlow 載入及處理資料集的端到端示例。
OpenAI 宣佈 DALL·E 開放 Beta，並將在未來數週邀請候補名單中的 1 million 人使用。用户可使用每月補充的免費點數創作，也可按每 115 次生成 $15 的價格購買額外點數。
推薦理由：材料同時列出候補邀請規模、免費點數補充頻率及額外點數價格，能讓讀者瞭解 Beta 開放初期的使用方式與成本。
OpenAI 正在為 DALL·E 推行一項新技術，令其生成的人物圖像更準確反映世界人口多樣性。這項措施旨在減少 DALL·E 2 的偏見並改善安全性。
Hugging Face 推出由 AutoTrain 驅動的 Evaluation on the Hub，讓使用者無需編寫程式，即可用任意資料集與指標評估 Hub 上的模型。評估結果會提交至模型卡的 Hub pull request，平台亦提供排行榜，方便比較模型在不同資料集切分與指標上的表現。
推薦理由：它讓使用者可在 Hub 選擇模型、資料集和指標，免寫程式完成評估；結果回寫模型卡，排行榜便於比較表現及重用評估設定。
Graphcore 與 Hugging Face 擴大 Hugging Face Optimum 的 IPU-ready Transformers 陣容，現提供涵蓋自然語言處理、語音及電腦視覺的 10 款模型。各模型附有 IPU 設定檔，以及可直接使用的預訓練和微調權重。開源函式庫 Hugging Face Optimum 提供針對 Graphcore IPU 最佳化的現成模型，方便開發者使用。
Hugging Face Hub 推出 Pull Request 和 Discussions 協作功能，現已向所有模型、資料集及 Spaces 倉庫開放。社羣成員可在 Community 分頁提問、分享建議，並透過網站開啟、評論、合併或關閉 Pull Request。Pull Request 使用直接儲存在來源倉庫的自訂 refs，無需為模型或資料集的每個新版本建立 fork。
推薦理由：Hugging Face Hub 以來源倉庫內的 refs 處理 Pull Request，免去為模型或資料集每個新版本建立 fork，呈現其針對 ML 倉庫簡化協作流程的做法。
OpenAI Codex 現正透過 OpenAI API，為涵蓋多種使用場景的 70 款不同應用程式提供支援。
OpenAI 將開始每週從候補名單增添最多 1,000 名 DALL·E 2 研究預覽用户。早期用户至今已創作超過 3 million 張圖像，並協助 OpenAI 改進安全流程。
Gradio 3.0 正式推出，全面重設前端，並加入可在 Python 中構建自訂 Web app 的低階 Gradio Blocks API。前端採用 Svelte 等技術，文章稱載荷更小、頁面載入更快；Dataframe 經改良，並新增 Gallery 和 TabbedInterface。
推薦理由：Gradio Blocks 的 Python 範例展示如何組合元件、事件與版面，構建多步驟互動介面，提供可借鑑的實作思路。
Hugging Face 將 Decision Transformer 這種離線強化學習方法整合至 🤗 Transformers 函式庫及 Hugging Face Hub。
OpenAI 在 API 新增嵌入向量端點，支援自然語言與程式碼任務。端點可用於語義搜尋、聚類、主題建模和分類。
推薦理由：新端點涵蓋語義搜尋、聚類、主題建模與分類，呈現嵌入向量在自然語言及程式碼任務中的應用範圍。
Hugging Face 將 Stable-Baselines3 整合至 Hugging Face Hub，讓使用者可託管已儲存的模型，並載入社羣模型。Stable-Baselines3 是 PyTorch 深度強化學習程式庫，整合支援透過 `load_from_hub` 載入模型，並以 `push_to_hub` 上傳分享。
Hugging Face 推出開源 Data Measurements Tool，提供 Python 程式庫及免程式碼介面，供使用者探索、測量和比較 NLP 資料集。工具可呈現缺失值、詞彙與標籤分佈、重複項及嵌入聚類，並以詞對 nPMI 協助檢視資料中的刻板印象。alpha 版本（v0）目前以數個常見英文資料集示範功能，包括 SQuAD、imdb 和 C4。
OpenAI 宣佈其 API 現已不設候補名單，服務可用範圍進一步擴大。公告指出，擴大開放是安全方面進展促成的。
推薦理由：OpenAI API 免候補即可使用的變化，連結到安全方面的進展，提供了理解其擴大開放背景的線索。
OpenAI 發佈 Triton 1.0，這是一種用於神經網絡 GPU 程式設計的類 Python 開源語言。它讓沒有 CUDA 經驗的研究人員也能編寫高效 GPU 程式碼；OpenAI 稱，多數情況下這些程式碼可媲美專家所能產出。
推薦理由：Triton 1.0 以類 Python 語言降低神經網絡 GPU 程式設計門檻，讓沒有 CUDA 經驗的研究人員也能編寫高效程式碼，OpenAI 稱多數情況下可媲美專家產出。
Hugging Face Hub 接入 spaCy，讓使用者可分享 spaCy pipelines，並在瀏覽器試用或透過 Inference API 調用模型。
推薦理由：這次整合把 spaCy pipeline 上傳、瀏覽器試用、NER 推理和安裝入口放在 Hub，呈現模型分享後如何被測試與接入應用。
Hugging Face 推出適用於 Amazon SageMaker 的 Inference DLC 和 Inference Toolkit，支援部署已訓練模型及 Model Hub 上 10,000+ 個公開模型。
推薦理由：文章分別示範訓練完成後、從 Amazon S3 檢查點及從 Model Hub 部署模型，並附上建立 SageMaker 推理端點的程式範例。
Hugging Face Hub 為 Sentence Transformers 推出特徵擷取與句子相似度兩款小工具，並提供 Inference API 端點供程式調用模型。Hub 收錄超過 90 個預訓練 Sentence Transformers 模型，涵蓋超過 100 種語言，使用者可直接載入使用。
推薦理由：文章梳理 Sentence Transformers 模型接入 Hugging Face Hub 的分享與使用流程，涵蓋自動生成模型卡、互動小工具及 Inference API，並交代模型在 Hub 上的展示、調用與發現方式。
Gradio 2.0 讓使用者可用一行程式碼透過 GUI 載入並使用幾乎任何 Hugging Face 模型。預設會使用 Hugging Face 託管的 Inference API，可提供自己的 API key 或免 key 使用；亦可執行 `pip install transformers` 在本機運算。它支援多個模型並行或串聯，文中示範以 3 行程式碼翻譯並摘要芬蘭新聞文章。
推薦理由：文章展示 Gradio 2.0 如何以一行程式碼建立模型 GUI，並串聯或並行組合 Hugging Face 模型，提供比較模型及串接多步任務的實作參考。
Hugging Face 推出 Accelerate，PyTorch 訓練腳本加入五行程式碼後，即可支援不同分散式設定及混合精度訓練。Accelerate 提供統一 API，準備模型、最佳化器及 DataLoader，並處理裝置配置和反向傳播。
推薦理由：Accelerate 將 PyTorch 分散式訓練及混合精度所需樣板封裝成少量 API 改動，並提供統一啟動器，呈現減少訓練腳本跨環境改動的實作方式。
逾 300 款應用透過 OpenAI API 提供由 GPT-3 驅動的 AI 功能。功能包括搜尋、對話、文字補全及其他進階 AI 功能。
OpenAI 發佈 API，供存取其開發的新 AI 模型。
OpenAI 推出 Microscope，收錄 8 個常用於可解釋性研究的視覺「模型生物」中每個重要層和神經元的可視化。這些可視化讓研究者更容易分析神經網絡內形成的特徵；OpenAI 希望它能協助研究界理解這些複雜系統。
OpenAI 發佈 Neural MMO，這是一個供強化學習智能體使用的大規模多智能體遊戲環境。平台支援在持續且開放式任務中容納數量龐大且可變的智能體。眾多智能體與物種的加入可帶來更佳探索、分化的生態位形成，以及更高的整體能力。
OpenAI 發佈 Gym Retro 完整版本，這是一個以遊戲進行強化學習研究的平台。平台公開遊戲數量由約 70 款 Atari 遊戲和 30 款 Sega 遊戲，增至涵蓋多種模擬器的 1,000 多款。OpenAI 亦發佈了用於向平台新增遊戲的工具。
推薦理由：Gym Retro 的公開遊戲數量由約 70 款 Atari 遊戲和 30 款 Sega 遊戲擴至多種模擬器上的 1,000 多款，新增遊戲工具亦交代平台擴充遊戲集合的方式。
OpenAI 發佈 8 個機械人模擬環境，以及 Hindsight Experience Replay 的 Baselines 實作，這些資源均為其過去一年的研究開發成果。OpenAI 曾用這些環境訓練可在實體機械人上運作的模型，並同時發佈一組機械人研究需求。
OpenAI 將內部項目 OpenAI Baselines 開源，目標是以與已發表結果相當的性能復現強化學習算法。首批發佈包含 DQN 及其三種變體，其他算法計劃在未來數月陸續釋出。
推薦理由：首批開源內容包括 DQN 及三種變體，可看出 OpenAI Baselines 的起始復現範圍；項目目標是讓強化學習算法達到與已發表結果相當的性能。
OpenAI 發佈 Roboschool，這是一套與 OpenAI Gym 整合的開源機械人模擬軟件。
OpenAI 發佈 Universe，這是一個在全球各類遊戲、網站及其他應用程式中測量和訓練 AI 通用智能的軟件平台。
推薦理由：Universe 將遊戲、網站及其他應用程式納入同一軟件平台，用於測量和訓練 AI 通用智能，呈現跨應用環境作為訓練與評估場景的設計思路。
OpenAI 推出 OpenAI Gym 公開測試版，這是一套用於開發及比較強化學習（RL）演算法的工具包。它包含持續擴充的環境，涵蓋模擬機械人到 Atari 遊戲，並提供比較和重現結果的網站。
推薦理由：OpenAI Gym 同時提供持續擴充的強化學習環境，以及比較和重現結果的網站，呈現其面向算法開發與評估的工具定位。