Hugging Face Hub 推出 Community Evals，讓 benchmark 資料集託管排行榜，並在模型卡片展示評測分數。使用者可透過 PR 為任意模型提交結果，結果會標示為「community」，且可附上論文、Model Card 或評測日誌等來源。資料集可用 eval.yaml 定義評測規格，供他人重現；這項功能目前處於 beta。
推薦理由：Hugging Face 將評測規格、模型分數與社羣提交納入 Hub 的可追溯流程，Hub 的 Git 歷史記錄新增及修改時間，方便聚合比較不同來源的模型成績。
DeepSeek R1 之後，中國開源 AI 生態正由模型擴展至部署、軟硬件協同與治理，開源成為中國 AI 機構近期的主流路徑。截至 2025 年中，逾 113k 個模型以 Qwen 為基礎，逾 200k 個模型倉庫標記 Qwen，遠多於 Meta 的 Llama（27k）和 DeepSeek（6k）。
Gradio 團隊推出開源 Python 函式庫 Daggr，可用程式串接 Gradio 應用、ML 模型及自訂函數，建立 AI 工作流程。Daggr 會自動生成視覺畫布，供使用者檢視中間輸出、修改輸入並單獨重跑步驟，同時保存工作流程狀態。該工具目前處於 beta，更新期間仍可能發生本機保存資料遺失。
llama.cpp server 現已提供 router mode，可在不重啟的情況下動態載入、卸載及切換多個模型。它會從 llama.cpp 快取或指定的 --models-dir 尋找 GGUF，並在收到請求時載入模型；達到 --models-max 上限時按 LRU 卸載，預設最多同時載入 4 個模型。各模型以獨立程序運行，一個模型崩潰不會影響其他模型。
推薦理由：多進程隔離配合按需載入和 LRU 卸載，展示 llama.cpp 如何在同一服務中管理多個模型並限制同時載入數量。
Mistral AI 發佈 Devstral 2（123B）、Devstral Small 2（24B）兩款編碼模型，以及開源命令列助手 Mistral Vibe CLI。
推薦理由：Devstral 2 不只公佈基準測試成績，亦提供與 DeepSeek V3.2、Claude Sonnet 4.5 的人工評測結果，讀者可對照其在不同模型比較中的表現差異。
Hugging Face 宣佈推出 swift-huggingface，一款提供完整 Hugging Face Hub API 的 Swift 套件，可作為獨立套件使用。
Hugging Face Skills 讓 Claude Code 等編碼智能體透過對話處理模型微調，涵蓋資料集驗證、GPU 選擇、雲端工作提交與進度監控。它亦兼容 Codex 和 Gemini CLI；文中以 Qwen3-0.6B 在 open-r1/codeforces-cots 上進行 SFT 為例，估算使用 t4-small 約需 20 分鐘、成本約 $0.30。
推薦理由：文章將資料集驗證、GPU 選擇、雲端工作提交與進度監控串成智能體訓練流程，並比較 SFT、DPO、GRPO 的適用場景。
Mistral AI 發佈 Mistral 3 模型系列，包含 14B、8B、3B 三款 Ministral 3，以及 Mistral Large 3。Ministral 3 的每種尺寸均提供 base、instruct 和 reasoning 版本，具備圖像理解能力；全系列均按 Apache 2.0 授權釋出。
推薦理由：Mistral 3 覆蓋 3B 至 675B 的模型規模，並列出邊緣端與資料中心的部署路徑，可供比較開源模型的部署選擇。
Hugging Face 發佈 Transformers v5.0.0rc-0，將簡化模型定義、訓練、推理和生產支援列為重點，並以互操作性貫穿版本改造。
推薦理由：文章説明 Transformers v5 如何銜接訓練工具、推理引擎與本地部署，並呈現其聚焦 PyTorch、提升量化支援的工程取捨。
Hugging Face 與 Google Cloud 宣佈深化策略合作，協助企業以開放模型建置及客製化 AI。Google Cloud 客户對 Hugging Face 的使用量在過去 3 年增長 10x，目前每月涉及數十 PB 模型下載及數十億次請求；雙方正建置 CDN Gateway，將模型和資料集快取至 Google Cloud，以縮短下載時間並加強模型供應鏈穩健性。
Google Research 發佈 JAX-Privacy 1.0，這套建基於 JAX 的工具包旨在簡化大型資料集上的差分隱私模型訓練與審計。它提供逐樣本梯度裁剪、噪聲添加、批次建構及 DP-SGD、DP-FTRL 等算法組件，並支援 JAX 的並行訓練流程。
OpenAI 推出 gpt-oss-safeguard，這是一組用於安全分類的開放權重推理模型。開發者可套用並迭代自訂政策。
IBM 發佈 Granite 4.0 Nano 小型模型系列，面向邊緣端及裝置端應用，提供混合 SSM 與傳統 Transformer 架構版本。型號包括 Granite 4.0 H 1B（約 1.5B 參數）、Granite 4.0 H 350M（約 350M 參數），以及傳統 Transformer 版的 Granite 4.0 1B 和 Granite 4.0 350M。
Hugging Face 發佈 Python 套件 huggingface_hub v1.0，遷移至 httpx，推出重設計的 hf CLI，並將 hf_xet 設為檔案傳輸預設套件。
推薦理由：文章集中説明 httpx、hf CLI 與 hf_xet 的變更，並列出 transformers v4、v5 的版本相容要求，便於維護者評估升級範圍。
LeRobot 發佈 v0.4.0，加入 Datasets v3.0、VLA 模型 PI0 和 PI0.5、GR00T N1.5，以及硬件插件系統。Datasets v3.0 採用分塊 episode 格式並支援串流，可處理 OXE 級（> 400GB）資料集。
推薦理由：資料集規模化、模擬評測、多 GPU 訓練和硬件插件同時更新，勾勒出 LeRobot 從資料處理到機械人控制的工具鏈演進。
Meta 與 Hugging Face 合作推出 OpenEnv Hub，供開發者建立、分享和探索可用於訓練與部署的智能體環境。OpenEnv 以沙盒封裝任務所需工具、API、憑證及執行上下文，並提供清晰語義與隔離控制；團隊同時發布 OpenEnv 0.1 Spec（RFC）徵求社羣意見。
推薦理由：OpenEnv 將智能體任務所需的工具、API、憑證與執行上下文封裝成可分享環境，並銜接訓練和部署，呈現環境規格化的實際用途。
Hugging Face 與 VirusTotal 展開合作，持續掃描 Hugging Face Hub 上 2.2M+ 公開模型及數據集倉庫中的文件。瀏覽倉庫、文件或目錄頁時，Hub 會以文件雜湊值查詢 VirusTotal 的威脅情報資料庫，不會向 VirusTotal 傳送原始文件內容。結果可包括檢測數、已知惡意關聯或相關威脅活動情報，供用户下載或整合文件前參考。
推薦理由：文章交代了以文件雜湊值查詢威脅情報、而不傳送原始文件內容的流程，讓讀者理解安全檢查的資訊來源與隱私邊界。
Sentence Transformers 從 TU Darmstadt 的 UKP Lab 轉由 Hugging Face 接手，Tom Aarsen 繼續領導項目。項目維持社羣驅動及 Apache 2.0 開源授權；Hugging Face Hub 上已有超過 16,000 個 Sentence Transformers 模型。
推薦理由：文章交代維護者接續、基礎設施支援與 Apache 2.0 授權不變，呈現項目轉交後的維護安排和開源承諾。
Hugging Face 為開源工具 AI Sheets 加入視覺功能，讓用户可在試算表中分析圖片、抽取資料、生成及編輯圖像。AI Sheets 透過 Inference Providers 使用數千個開放模型；示例以自訂提示詞從手寫食譜圖片提取文字，並可修訂結果、整理後匯出資料集至 Hub。
推薦理由：這次更新把圖片理解、生成與編輯納入同一試算表流程，並以手寫食譜示範從提示詞抽取文字、修訂結果到匯出資料集的做法。
Hugging Face 更新開放 OCR 模型指南，加入 Chandra、OlmOCR-2 及模型在 OlmOCR Benchmark 的比較分數。指南對照多款模型的輸出格式、語言支援、功能與成本，並介紹 OmniDocBenchmark、OlmOCR-Bench 和 CC-OCR 等評測基準。
推薦理由：文章對照模型能力、輸出格式、評測基準與部署成本，並建議以代表性樣本檢驗不同文件和語言下的表現。
BigCodeArena 推出以程式碼實際執行評估程式生成模型的平台，讓使用者並排比較模型、測試輸出並投票。平台支援 10 種語言和 8 種執行環境，並已收集逾 14,000 段對話及 4,731 個投票樣本。
推薦理由：平台把程式實際執行和互動測試納入模型比較，並按程式語言與執行環境拆分結果，呈現總體排名之外的表現差異。
NVIDIA 發佈 Nemotron-Personas-Japan，一個按日本人口與勞動統計構建、以 CC BY 4.0 授權的開放合成數據集，包含 100 萬條記錄、共 600 萬個日語人物設定。每條記錄含 22 項資料，數據集約有 14 億 tokens，並涵蓋 1500 種以上職業類別。數據集不含個人可識別資訊，可用於日語模型微調、合成對話生成及偏差與公平性測試。
Public AI 現已成為 Hugging Face Inference Providers 的支援服務商，用户可在 Hub 模型頁面及 Python、JS SDK 調用其推理服務。
WRITER 發佈 Palmyra-mini 系列三款 1.5B 至 1.7B 開放模型，涵蓋通用生成、複雜邏輯推理及數學推理。
mmBERT 以 ModernBERT 為基礎推出，使用超過 3T tokens 的多語言文本訓練，並在最後階段納入 FineWeb2 的 1,833 種語言。
推薦理由：mmBERT 展示分階段擴充語言、逐步降低遮罩率的訓練設計，並報告在最後 100B tokens 才納入的低資源語言上取得明顯提升。
Hugging Face 的 TRL 新增視覺語言模型對齊訓練支援，涵蓋 MPO、GRPO、GSPO、RLOO、Online DPO 與原生 SFT 支援。MPO 結合 DPO 偏好損失、BCO 品質損失與 SFT 生成損失，文中引述論文稱該組合在 MathVista 提升 6.2 pts。
OpenAI 發佈 gpt-oss-120b 和 gpt-oss-20b 兩款開放權重推理模型。兩款模型依 Apache 2.0 license 及 OpenAI 的 gpt-oss usage policy 提供。
推薦理由：同時列出 gpt-oss-120b 與 gpt-oss-20b，並交代 Apache 2.0 授權及 gpt-oss usage policy，讀者可掌握模型開放使用的基本條件。
OpenAI 發佈 GPT OSS 開源模型系列，包含 117B 參數的 gpt-oss-120b 和 21B 參數的 gpt-oss-20b。兩款均為 MoE 推理模型，採用 MXFP4 4-bit 量化；gpt-oss-120b 可在單張 80 GB GPU 運行，gpt-oss-20b 可在 16GB 記憶體內運行。
推薦理由：文章將兩款模型的量化方式、硬件需求與多種部署路徑整理在一起，便於評估本地推理的資源門檻及接入方式。
OpenAI 發佈 gpt-oss-120b 和 gpt-oss-20b 兩款低成本開放權重語言模型，採用 Apache 2.0 授權。它們在推理任務上優於規模相近的開放模型，並具備良好工具使用能力，亦針對消費級硬件高效部署作最佳化。
推薦理由：推理表現、工具使用能力與消費級硬件部署資訊一併呈現，便於從能力和部署兩方面理解兩款開放權重模型的取向。
Ettin Suite 發佈涵蓋 17M-1B 參數的配對編碼器與解碼器模型，兩者使用相同的 2T tokens 公開數據及訓練配方。編碼器在各項任務及規模上超越 ModernBERT，解碼器則勝過或追平 Llama 3.2 和 SmolLM2。同條件測試中，編碼器在分類和檢索任務較佔優，解碼器在生成任務較佔優；模型涵蓋六種規模，訓練數據公開且可重現。
推薦理由：Ettin 在相同的數據、模型規模與訓練配方下比較編碼器和解碼器，呈現兩類架構在分類、檢索和生成任務上的不同優勢。
Mistral AI 推出 Devstral Medium，並將 Devstral Small 升級至 1.1，兩者聚焦對不同提示詞及智能體框架的泛化能力。Devstral Small 1.1 採 Apache 2.0 授權，參數量為 24B，在 SWE-Bench Verified 得分 53.6%；Devstral Medium 得分 61.6%。
推薦理由：Devstral Small 1.1 採 Apache 2.0 授權並可本地部署，Devstral Medium 支援 API 和私有基礎設施部署；對照 SWE-Bench Verified 分數，可比較兩者的模型表現、開放方式與部署選項，並據此判斷不同工作環境的適配差異。
Pollen Robotics 與 Hugging Face 推出 Reachy Mini，一款面向人機互動、創意編程與 AI 實驗的開源桌面機械人，售價由 $399 起。
推薦理由：Reachy Mini Lite 與 Compute 版分別售 $399 和 $499，連線及供電配置不同，規格表可供對照入門成本與功能取捨。
Hugging Face 發佈 3B 模型 SmolLM3，使用 11.2T tokens 訓練，支援 think / no_think 雙模式推理及最高 128k 上下文。
推薦理由：SmolLM3 公開分階段訓練、長上下文適配與雙模式推理配方，並交代數據配比和模型合併流程，呈現 3B 模型的工程實作路徑。
Gemma 3n 已接入多個主流開源工具庫，並推出 E2B、E4B 兩種尺寸的 base 與 instruct 版本。支援工具包括 Transformers、timm、MLX、llama.cpp、Transformers.js 和 Ollama；兩款模型實際參數量為 5B 和 8B，GPU 記憶體佔用約相當於 2B 和 4B 模型。
推薦理由：文章並列模型的實際參數量、GPU 記憶體需求和多個工具庫的接入方式，方便衡量 Gemma 3n 本地多模態部署時的硬件門檻與工具選擇。
Featherless AI 現已成為 Hugging Face Hub 支援的 Inference Provider，接入模型頁面及 Python、JS SDK 的無伺服器推理服務。
Mistral AI 發佈首款推理模型 Magistral，包含 24B 參數的開放權重版 Magistral Small 及企業版 Magistral Medium。
推薦理由：AIME2024 成績呈現兩版差異，Magistral Medium 和 Small 分別得 73.6% 和 70.7%，majority voting @64 時為 90% 和 83.3%。
H Company 發佈 Holo1 開源 VLM 系列及 WebClick UI 定位基準，後者收錄 1,639 項 UI 任務。Holo1 系列包括 Holo1-3B 和 Holo1-7B，後者在常見 UI 定位基準的平均準確率為 76.2%。Surfer-H 採用 Holo1 開放權重模型；H Company 稱，該智能體在真實網頁任務上的準確率為 92.2%，每項任務成本為 $0.13。
Hugging Face 發佈 SmolVLA，一款 450M 開源 Vision-Language-Action（VLA）機械人模型，以 LeRobot 社羣數據預訓練，可在消費級硬件上運行。
推薦理由：文中比較社羣數據預訓練前後的成功率，以及同步與非同步推理的完成時間和吞吐量，呈現數據與推理架構各自帶來的變化。
Falcon-LLM Team 發佈 Falcon-H1 開放權重混合架構模型系列，涵蓋六種規模、由 0.5B 至 34B，並提供 base 與 instruction-tuned 版本。
推薦理由：文中對照 Qwen2.5-32B 的短、長上下文吞吐，並説明混合 Attention-SSM 設計，呈現 Falcon-H1 隨序列長度變化的效率取捨。
Microsoft 與 Hugging Face 擴大合作，Azure AI Foundry 現提供 10,000+ 個 Hugging Face 模型供部署，涵蓋文字、音訊和圖像等任務。