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。
Hugging Face 示範如何使用離線強化學習資料，從零訓練 Decision Transformer，使其學習 Gym HalfCheetah 環境中的奔跑行為。
Megatron-LM 可在 NVIDIA GPU 上用於訓練 GPT2，並可將訓練後的模型轉換為 Transformers 支援的格式。教程以 110M 參數的 CodeParrot 為例，涵蓋資料預處理、8 張 GPU 訓練（約需 12 小時）及權重轉換。文章指出額外的預處理和轉換會增加時間開銷，建議將 Megatron-LM 用於預訓練或較長時間微調，而非中型模型的短期微調。
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。
OpenAI 正提升 AI 系統從人類回饋中學習及協助人類評估 AI 的能力。其目標是建立足夠對齊的 AI 系統，讓該系統協助解決其他所有對齊問題。
這篇教程示範如何在 Hugging Face Spaces 中使用 3Dmol.js 和 Gradio HTML 區塊呈現蛋白質結構。示例應用接受 4 位 PDB code 或上傳的 PDB 檔案，並透過 iframe 顯示結構。2024 年 5 月更新建議使用 Molecule3D Gradio Custom Component，讓用户可即時修改蛋白質可視化，亦更容易設定預設可視化。
Hugging Face 文章示範如何用 Diffusers 的 StableDiffusionPipeline 執行 Stable Diffusion 文生圖，並介紹模型原理及自訂推理流程。
推薦理由：文章從 Stable Diffusion 的基礎生成示例延伸至參數設定與自訂推理流程，並解釋 VAE、U-Net 和文字編碼器在潛在空間生成中的分工，提供拆解 Diffusers pipeline 的實用脈絡。
Hugging Face Blog 示範將 🤗 Transformers 中以 TensorFlow 實作的 ViT B/16 部署至 Vertex AI，並透過 Python SDK 建立端點及發送預測請求。文章説明模型版本管理、流量分配、監控與資源設定，並記錄 Locust 本機負載測試約發出 17230 次請求，平均延遲為 646 Milliseconds。
Hugging Face 將 LLM.int8() 整合至 Transformers 與 Accelerate，透過混合 INT8/FP16 矩陣乘法降低大型語言模型推理所需的記憶體。
推薦理由：文章串連 LLM.int8() 的離羣特徵處理、效能比較與 Transformers 整合細節，呈現 8-bit 量化降低大型模型記憶體需求的實作脈絡。
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。
Hugging Face 説明 Transformers 的 TensorFlow 設計取向，將模型和層設為 Keras Model 與 Keras Layer，讓使用者可直接調用 fit()、compile() 和 predict()。
推薦理由：文章梳理 Hugging Face Transformers 對 TensorFlow 的六項設計取向，並以 Keras 訓練、資料管線、XLA 與部署示例，呈現這些取捨如何落實到模型訓練和部署流程。
Hugging Face Blog 示範如何以 Docker 和 TensorFlow Serving，將 🤗 Transformers 的 Vision Transformer（ViT）部署至 Kubernetes。
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 深度強化學習課程第 8 單元講解 PPO（近端策略優化），説明其透過裁剪策略概率比限制更新幅度，以提升訓練穩定性。文章介紹裁剪替代目標函數，並以 PyTorch 從零實作 PPO，在 CartPole-v1 和 LunarLander-v2 測試；示例裁剪範圍為 [0.8,1.2]（ϵ=0.2）。
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。
Hugging Face Transformers 的 Vision Transformer（ViT）圖像分類模型，可使用 TensorFlow Serving 在本機部署並透過 REST 或 gRPC 提供服務。教程將圖像解碼、縮放至 224×224、正規化及分類後處理整合至 SavedModel，使其接收 base64 編碼圖像並輸出分類標籤和信心度。
Hugging Face 深度強化學習課程第 7 單元講解 Advantage Actor Critic（A2C），以 Actor 和 Critic 結合政策式與價值式方法，降低 Reinforce 策略梯度估計的方差並穩定訓練。課程使用 Stable-Baselines3，在 PyBullet 機械人模擬環境訓練雙足步行者和蜘蛛智能體。
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 的教學以 MNIST 手寫數字識別示範，如何動態收集人類生成的對抗樣本並用於模型訓練。示範模型訓練 20 epochs 後，在測試集準確率為 89%；用户可在 Spaces 畫布書寫 0-9，並標記能騙過模型的樣本。樣本累積至門檻後會用來再訓練模型，並重複多輪，以提高模型穩健性。
作者以 Sentence Transformers 和 Gradio 構建歌單生成器，透過對歌詞嵌入向量進行語義搜索，按文字提示找出相關歌曲。由於所選模型的最大序列長度為 512 word pieces，歌曲歌詞先按 verse 切分並逐段嵌入；設置 top_k=20 時，作者實測幾乎總能得到至少 9 首不同歌曲。
BLOOM 已正式發佈，這款具 176 billion parameters 的開放多語言大語言模型可生成 46 種自然語言及 13 種程式語言文本。最後一輪訓練歷時 117 days，並公開訓練中間 checkpoint 與 optimizer states，供研究者下載、運行及研究。
推薦理由：BLOOM 除模型外亦公開訓練中間 checkpoint 與 optimizer states，並提供下載及本地或雲端使用途徑，讓研究者能檢視模型行為與訓練過程。
Hugging Face 提供 Twitter 情感分析入門指南，示範適用於程式開發者與非程式開發者的操作流程。程式開發者可用 Tweepy 收集推文，透過 Inference API 分析正面、負面或中性情緒，並將結果視覺化；非程式開發者則可用 Zapier 分析推文，並將結果傳送至 Google Sheets。
Hugging Face 深度強化學習課程第 5 單元以 PyTorch 從零實作 REINFORCE，並在 CartPole-v1、PixelCopter 和 Pong 測試其穩健性。策略梯度以梯度上升直接最佳化策略，毋須先學習價值函數；隨機策略可促進探索，在高維及連續動作空間中亦較有效。其限制包括可能收斂至局部極值、訓練時間較長及高方差。
這篇入門指南以 Sentence Transformers 為例，介紹初學者如何理解文本嵌入向量與語義搜尋，並規劃首個自主機器學習項目。文章建議先盤點工具能力、挑選感興趣的資料集，再配合一項熟悉的輔助工具構思項目。
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。
OpenAI 透過 Video PreTraining（VPT），使用大量未標註的人類 Minecraft 遊玩影片，配合少量已標註的承包商數據訓練神經網絡玩 Minecraft。經微調後，模型可學會製作鑽石工具；熟練玩家完成這項任務通常需要超過 20 分鐘（24,000 次操作）。模型使用按鍵輸入和滑鼠移動這種原生人類操作介面，研究將其視為邁向通用電腦操作智能體的一步。
推薦理由：這項研究展示如何利用大量未標註的人類遊玩影片，配合少量標註數據訓練可透過鍵盤和滑鼠操作遊戲的模型。
Hugging Face Blog 以 Medicare FAQ 示範語義搜尋流程，使用 Inference API 生成嵌入向量，再以使用者查詢比對相似 FAQ。示範選用 sentence-transformers/all-MiniLM-L6-v2 將 13 條 FAQ 編碼為 384 維向量，並把向量資料集上載至 Hub，以餘弦相似度找出最相近的 5 條 FAQ。
Hugging Face 示範了將 Transformers 模型匯出為 ONNX 的三種方法，涵蓋低階 `torch.onnx`、中階 `transformers.onnx` 和高階 Optimum。
Hugging Face 宣佈 Intel 加入其 Hardware Partner Program，雙方將透過 Optimum 加速 Transformers 訓練、微調和推理。示例以 Optimum Intel 對微調後的 DistilBERT 分類模型進行訓練後動態量化，準確率由 0.574 降至 0.546，評估步驟快 1.34x。
OpenAI 訓練了能描述摘要缺陷的評註撰寫模型；人類評估者閲讀這些評註後，發現摘要缺陷的頻率大幅提高。較大型模型更善於自我評註，規模擴大對評註撰寫的提升幅度大於摘要撰寫。這顯示 AI 系統有望協助人類監督難度較高任務中的 AI 系統。
Hugging Face 深度強化學習課程第 3 單元介紹 Deep Q-Learning，並以 Space Invaders 説明神經網絡如何取代 Q-table，估算各動作的 Q 值。
Cohere、OpenAI 與 AI21 Labs 制定了一套初步最佳實踐，適用於任何開發或部署大型語言模型的組織。
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。
Hugging Face 的 Deep Reinforcement Learning Class 第二部分講解 Q-Learning，並帶領學員從零實作強化學習智能體。
Hugging Face 多模態學習團隊為研究項目制定倫理章程，把倫理原則納入機器學習研究生命週期。章程列明須防範歧視、侵犯私隱與權利、生成個人識別資料及有害虛假資訊，並警示醫療、法律、金融和移民等高風險用途。文件截至 2022 年 5 月仍在完善，倡議透明、開放可重現、公平、自我批判及尊重貢獻。
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。
Hugging Face 深度強化學習課程第 2 單元第 1 部分講解價值型強化學習方法，為 Q-Learning 作鋪墊。內容説明狀態價值函數與動作價值函數，並比較蒙地卡羅學習和時間差分學習。本單元第二部分將介紹 Q-Learning 演算法，從零實作智能體，並在 Frozen-Lake-v1 及自動的士環境中訓練。