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。
OpenAI 聯同 Anthropic、Google 及 Microsoft 宣佈 Frontier Model Forum 的新任執行董事，並公佈一項新的 $10 million AI Safety Fund。
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 梳理對話智能體的訓練方法，涵蓋 IFT、SFT、RLHF 和 CoT。文中指出，IFT 所需指令數據僅為數百例量級，SFT 以人工標註改善有用性和安全性，RLHF 則根據人類偏好訓練獎勵模型，再用強化學習訓練對話智能體。
推薦理由：文章把 IFT、SFT、RLHF 與 CoT 放在對話智能體訓練脈絡中梳理，並比較多個系統的訓練資料和評估方向，呈現各方法的分工。
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 Blog 示範如何以 Docker 和 TensorFlow Serving，將 🤗 Transformers 的 Vision Transformer（ViT）部署至 Kubernetes。
OpenAI 宣佈與 AIcrowd、Carnegie Mellon University 及 DeepMind 共同籌辦兩項 NeurIPS 2020 競賽，使用 Procgen Benchmark 和 MineRL。
OpenAI 與 Google 研究人員合作創建 Activation Atlases，這是一種用於視覺化神經元之間的互動能表徵甚麼的新技術。隨着 AI 系統部署於愈來愈敏感的情境，更深入瞭解其內部決策過程有助識別弱點並調查失效。
OpenAI 與 DeepMind 安全團隊合作開發了一種演算法，透過人類判斷兩種候選行為何者較好，推斷人類想要甚麼。他們將減少人類撰寫目標函數的需要視為構建安全 AI 系統的一步，因以簡單代理目標代表複雜目標，或把目標設定得稍有偏差，都可能導致不良甚至危險行為。
推薦理由：材料呈現以人類比較兩種候選行為的回饋推斷其意願的演算法思路，並連結到降低複雜目標函數設定偏差的安全目標。
OpenAI 與 Berkeley、Stanford 的研究人員共同署名由 Google Brain 研究人員主導的論文《Concrete Problems in AI Safety》。論文探討確保現代機器學習系統按預期運作所涉及的多項研究問題。