Hugging Face 發佈 Idefics2，這款 8B 參數多模態模型可接收文字與圖像序列並生成文字回應。模型權重採 Apache-2.0 授權，並已整合至 Transformers，支援圖像問答、OCR、圖表與文件理解。團隊亦公開 The Cauldron，收錄 50 個人工整理、供多輪對話使用的資料集。
推薦理由：Idefics2 同時公開 8B 權重、Apache-2.0 授權與多項視覺問答基準成績，便於對照小型多模態模型的效能表現和使用條件。
Hugging Face 推出 Deploy on Google Cloud 整合，讓用户可把 Hub 上的開放模型部署至 Vertex AI 或 GKE。所有帶有「text-generation-inference」標籤的模型均獲支援；Vertex Model Garden 提供數百個熱門開放 LLM 的即用測試硬件配置。
推薦理由：這項整合串起 Hugging Face 模型探索與 Google Cloud 部署，並為數百個熱門開放 LLM 提供測試硬件配置，呈現更直接的雲端部署流程。
Pollen Robotics 推出開源 pollen-vision 函式庫，整合零樣本視覺模型，支援以影像和文字輸入建立物件偵測及分割流程。首批模型包括 OWL-VIT、Mobile Sam 和 RAM，並結合深度資訊估算物件在 3D 空間中的 (x, y, z) 位置，為機械人抓取提供基礎。目前尚未支援完整 6D 姿態估計，OWL-VIT 的偵測結果亦可能不一致。
Hugging Face 發佈 Cosmopedia，這套合成數據集旨在重現 Phi-1.5 的訓練數據，供大語言模型預訓練使用。
推薦理由：文章拆解 Cosmopedia 從種子資料、提示詞擴展到去污染與訓練的流程，並交代如何藉由受眾和文體變化擴大提示詞規模。
Argilla 與 Hugging Face 發起 Data is Better Together 實驗，透過社羣協作建立提示詞排序偏好資料集，並邀請社羣加入首批共建項目。
BigCode 發佈 StarCoder2 開放程式碼大語言模型系列，提供 3B、7B 和 15B 三種規模。其中，StarCoder2-15B 使用 The Stack v2 的 4+ trillion tokens 訓練，涵蓋 600+ 程式語言。
推薦理由：StarCoder2 同步公開模型、The Stack v2 數據集及訓練程式碼，並按倉庫組織訓練資料，呈現程式碼模型與數據建設的完整鏈路。
Google 發佈 Gemma 開放大語言模型系列，提供 2B、7B 兩種規模，各有基礎版與指令微調版，所有版本的上下文窗口為 8K tokens。Hugging Face 將模型上架 Hub，整合 Transformers 4.38、Google Cloud 和 Inference Endpoints，並提供以 TRL 微調的示例。
推薦理由：文中將 Gemma 2B、7B 基礎模型與其他開放模型的 LLM Leaderboard 成績並列，呈現其不同參數規模下的相對表現。
Hugging Face 的 PEFT 新增多種面向 LoRA adapter 的合併方法，使用者可透過 `add_weighted_adapter()` 試驗不同組合。
推薦理由：文章逐項比較 cat、linear、SVD、TIES 與 DARE 等 LoRA 合併方法，並整理 rank、density 和 GPU 記憶體需求對實作選擇的影響。
Hugging Face 宣佈 TGI 自 1.4.0 起提供兼容 OpenAI Chat Completion API 的 Messages API，並將其提供於 Inference Endpoints。
推薦理由：文中以 Python、JavaScript、LangChain 和 LlamaIndex 示範如何沿用 OpenAI 相容介面接入開放模型，並交代 function calling 等限制。
Mistral AI 發佈開放權重模型 Mixtral 8x7B，並同步推出經監督式微調與 DPO 優化的 Mixtral 8x7B Instruct。
推薦理由：Mixtral 8x7B 同時披露總參數量、每個 token 的啟用參數量及基準對照，可用來理解稀疏 MoE 在模型規模、推理成本與表現間的取捨。
Explosion 推出 Prodigy-HF，將 Prodigy 與 Hugging Face 生態系直接整合，支援以標註資料訓練及重用 Hugging Face 模型。插件可透過命令列微調命名實體識別及文本分類模型，並將訓練模型儲存至磁碟後上載至 Hugging Face Hub。使用者亦可把已標註資料集發佈至 Hugging Face Hub，供社羣共享。
Hugging Face 示範以其 GitHub 組織內按 stargazers 排名前 10 的公開程式碼庫，微調 StarCoder 製作個人化程式碼助手 HugCoder。
推薦理由：文章示範以 Hugging Face 公開程式碼庫微調個人化程式碼助手，並對照 QLoRA 與全量微調的成本和 HumanEval 結果，呈現訓練資源與表現的取捨。
Mistral AI 發佈 Mistral 7B，這是其首個 7B-parameter 模型；公司稱該模型在所有標準英文及代碼基準上，超越所有目前可用、參數量不超過 13B 的開放模型。
推薦理由：Mistral 7B 的比較對象涵蓋不超過 13B 參數的可用開放模型，文章亦交代 Apache 2.0 授權，便於一併理解其基準定位與開放使用方式。
Mistral AI 發佈 7.3B 參數的 Mistral 7B，稱其在多項基準測試中勝過或追平 Llama 2 13B。模型以 Apache 2.0 授權發佈，團隊亦提供使用公開指令數據微調的 Mistral 7B Instruct 聊天版。
推薦理由：文章以重跑評測比較 Mistral 7B 與 Llama 系列，並説明 SWA 如何降低長序列的推理計算與快取成本。
Hugging Face 將 AutoGPTQ 整合至 Transformers，支援以 GPTQ 將大語言模型量化至 8、4、3 或 2-bit。4-bit 量化的精度下降可忽略，小批次推理速度與 fp16 基準相若；整合支援 NVIDIA GPU 和 ROCm 驅動的 AMD GPU。
推薦理由：文章列出 4-bit 量化的精度變化與小批次推理速度，並説明 GPU 支援範圍及 TGI 大批次下的速度限制，呈現 GPTQ 的部署取捨。
Hugging Face 推出 SafeCoder 企業程式碼助手方案，讓客户在自家基礎設施訓練及部署，程式碼於訓練和推理期間不離開 VPC。SafeCoder 初始版本以 StarCoder 為基礎，可按客户私有程式碼庫微調；程式碼補全建議會對照 The Stack，顯示其是否匹配資料集中的程式碼及相關授權。SafeCoder 與 VMware 合作推出，現向 VMware 企業客户提供。
Segmind 開源 SD-Small 與 SD-Tiny 的知識蒸餾程式碼及預訓練權重；兩款模型參數量分別較基礎模型少 35% 和 55%，圖像保真度相若。兩者推理速度最高較基礎模型快 100%，預訓練檢查點可於 Hugging Face 取得。模型仍處早期階段，輸出未必達生產級，且在組合性與多概念生成方面表現有限。
Hugging Face 與 Creative Commons、Eleuther AI、GitHub、LAION 及 Open Future 聯署立場文件，針對 EU AI Act 提出五項開放式 ML 發展建議。
推薦理由：文件把開放式 ML 的模組化協作、透明度與法案要求相連，並將建議落在 AI 元件、研發豁免和基礎模型等條文安排。
Meta 發佈 Llama 2 開放存取大語言模型系列，涵蓋 7B、13B 和 70B 參數規模，採用允許商業用途的社羣授權。Hugging Face Hub 上架 12 個模型，並整合 Transformers、Text Generation Inference 和 Inference Endpoints。
推薦理由：文中把 Llama 2 的商用授權與 Hugging Face 上的推理、部署和 QLoRA 微調方法連在一起，呈現從取得模型到接入開發流程的實用路徑。
Hugging Face Blog 作者以 Transformers.js 製作 Doodle Dash，並示範如何構建可在瀏覽器本地運行的即時機器學習遊戲。遊戲模型以 Google Quick, Draw!
推薦理由：文章串連 Quick, Draw! 數據微調、ONNX 轉換與 Transformers.js 瀏覽器推理，呈現把圖像分類模型接入即時網頁遊戲的實作路徑。
Hugging Face Blog 示範如何使用 Hugging Face Inference Endpoints 部署開源 LLM，並以 API 提供服務。示範以 Falcon 40B instruct 建立端點、測試生成參數，並透過 Python 和 JavaScript 串流生成結果。
Jeff Boudier 與 Writer 聯合創辦人兼 CTO Waseem Alshikh 對談，探討 Writer 運用 Hugging Face 處理複雜生成式 AI 用例。
Hugging Face Hub 面向畫廊、圖書館、檔案館和博物館（GLAM）從業者，供其尋找及分享機器學習模型、資料集和示範應用。平台收錄逾 190,000 個模型、33,000 個資料集及逾 100,000 個機器學習應用和示範，並支援直接上載 CSV 資料集而無須編寫程式碼。
Hugging Face Hub 現已託管 fastText 的官方鏡像，涵蓋 157 種語言的詞向量及最新語言識別模型。整合支援文字分類與特徵提取 widgets，亦可透過 `huggingface_hub` 下載及使用模型。
Hugging Face 宣佈舉辦首屆 Open Source AI Game Jam，邀請參加者在一個週末內使用 AI 工具製作遊戲。活動定於 7 月 7 至 9 日舉行，作品須可在網頁或 Windows 執行，並至少使用一款開源 AI 工具。參加者會按趣味性、創意及主題為其他遊戲評分，評審則從 Top 10 中選出優勝者。
Hugging Face、EleutherAI 與 Stability AI 完成 safetensors 外部安全審計，未發現可導致任意程式碼執行的嚴重漏洞。
推薦理由：審計未發現可導致任意程式碼執行的嚴重漏洞，並修正規格與驗證問題，讓團隊推進 safetensors 成為預設格式有了外部檢查依據。
Hugging Face 推出中文博客 hf.co/blog/zh，面向中文讀者提供文章及學習資源。志願者翻譯的內容包括博客文章，以及關於 Transformers、擴散模型和強化學習的完整課程。Hugging Face 表示會繼續與中國 AI 社羣合作，並在博客分享社羣進展和未來合作消息。
Hugging Face 與 Substra 合作製作互動空間，介紹聯邦學習如何在數據不離開本地的情況下協同訓練模型。Substra 是面向真實生產環境的開源聯邦學習框架，模型權重在多個伺服器間傳遞，讓研究者利用不同來源的數據訓練模型。空間可調整樣本分佈並觀察簡單模型的反應；文中稱，聯邦學習模型在驗證數據上的表現幾乎總是優於單一來源訓練的模型。
Snorkel AI 與 Hugging Face 合作，透過 Hugging Face Inference Endpoints 擴展 Snorkel Flow 可用的基礎模型，協助企業開發 AI 應用。
Hugging Face 發佈 StackLLaMA，這是一個以 LLaMA 7B 為基礎、經 RLHF 微調、用於回答 Stack Exchange 問題的模型；完整訓練流程納入 Hugging Face TRL library。文章逐步示範監督式微調、獎勵模型訓練及 PPO 強化學習，並介紹 Stack Exchange 數據的偏好評分與 LoRA 等記憶體效率方法。
推薦理由：文章串聯 SFT、偏好獎勵模型與 PPO 三階段，並示範以 8-bit 載入和 LoRA 降低 RLHF 微調的記憶體需求，呈現可復用的訓練流程。
Kakao Brain 與 Hugging Face 公開 ViT、ALIGN 視覺語言模型，以及由 700 million 對圖文構成的開源 COYO 資料集。
推薦理由：ViT 與 ALIGN 連同 COYO 訓練資料一併開放，並提供與 Google 版本的任務比較，呈現資料可取得性對視覺語言研究復現的價值。
Hugging Face 的 Diffusers for Mac 1.1 已在 Mac App Store 提供，更新效能與介面，並會按電腦自動選擇加速器。文中稱，視乎電腦配置，文字生成圖像速度最高可達原來的兩倍；測試列出 GPU 與 ANE 在不同 Mac 上的表現。
推薦理由：文章按多款 Mac 和 Stable Diffusion 型號列出 GPU、ANE 的生成基準，並指出 M1 Max 上 GPU 較快、標準 M1 上 ANE 較快，呈現加速器選擇受硬件配置影響。
Hugging Face Hub 已收錄超過 3000 個電腦視覺模型和超過 100 個資料集，並支援 8 項核心電腦視覺任務。
Hugging Face 與 PaddlePaddle 宣佈開源合作，PaddlePaddle 將逐步把其程式庫整合至 Hugging Face Hub。Hub 當時已收錄超過 75 個 PaddlePaddle 模型，後續整合範圍預計涵蓋文字、圖像、音訊、影片及多模態預訓練模型。
Hugging Face 示範如何透過 🤗 Datasets 一行 Python 程式碼載入音訊資料集，並以 GigaSpeech 説明重採樣、預處理和篩選流程。
Hugging Face Blog 梳理 RLHF 的三階段訓練流程，包括預訓練語言模型、收集偏好數據並訓練獎勵模型，以及以強化學習微調模型。人類標註者透過比較並排序同一提示下生成的文本來建立偏好數據；PPO 微調時，KL 懲罰用於限制策略偏離初始模型。
推薦理由：文章拆解 RLHF 的三階段訓練流程，並説明偏好排序如何訓練獎勵模型，以及 KL 懲罰如何約束後續策略更新。
Hugging Face 介紹如何以開源模型建立 Document AI 方案，並按任務梳理文件分類、版面分析、文件解析、表格處理及文件問答。文中以 RVL-CDIP 為例，列出 BERT-base、DiT、LayoutLMv3 和 Donut 的文件分類準確率分別為 89%、92% 及 95%，並討論授權、數據準備、微調與評估等實作考量。
推薦理由：文章按文件類型與任務梳理 Document AI 模型選擇，並串連授權、數據準備和評估考量，提供從小規模微調起步的實作思路。
Hugging Face 與 arXiv 合作，將 Hugging Face Spaces 整合至 arXivLabs，並在論文摘要頁加入 Demo 標籤，方便讀者瀏覽相關演示。讀者可直接試用社羣或作者製作的開源 Demo，毋須執行程式碼。文中以 BERT 為例，其論文頁面有超過 200 個社羣 Demo。
MTEB 是一套評估文本嵌入模型在多種任務上表現的大型基準測試，並以排行榜彙整模型成績。該基準涵蓋 56 個數據集、8 類任務及最多 112 種語言，排行榜彙整 >2000 項結果。
推薦理由：MTEB 把 56 個數據集、8 類任務納入同一排行榜，並提供自行測試及提交結果的流程，方便按具體任務比較文本嵌入模型。
Hugging Face 的 Evaluation on the Hub 現已支援免寫程式對 Hub 上的因果語言模型進行零樣本分類評估，最高支援 66 billion parameters。
推薦理由：文章説明如何用 Evaluation on the Hub 比較不同規模模型，並以 WinoBias 案例展示零樣本評估如何檢視職業性別偏見。