Google DeepMind 的 Gemma 4 多模態模型系列已登陸 Hugging Face，提供五種尺寸，支援圖像、文字及部分型號的音訊輸入。模型採 Apache 2 授權，最大上下文窗口為 256K；31B 和 26B A4B 的 text-only LMArena 估算分數分別為 1452 和 1441，後者有 4B 啟用參數。
推薦理由：文章列出五種 Gemma 4 規格、上下文窗口和音訊支援差異，並整理多個推理與微調框架的接入方式，可供比較型號特點及部署路徑。
Hugging Face 的 2026 年春季報告梳理過去一年開源 AI 生態的變化，指出平台用户、模型和數據集數量均接近翻倍。2025 年，Hugging Face 增至 13 million 名用户、逾 2 million 個公開模型及逾 500,000 個公開數據集；中國模型在過去一年佔平台下載量 41%，並在月度及總下載量上超越美國。
推薦理由：報告把平台增長、地域下載差異和衍生模型放在同一框架，呈現開源 AI 並非單一市場，而是由多個重疊的子生態構成。
Mistral AI 宣佈成為 NVIDIA Nemotron Coalition 創始成員，並計劃與 NVIDIA 共同開發前沿開源 AI 模型。聯盟首個項目是在 NVIDIA DGX Cloud 訓練基礎模型，支撐即將推出的 NVIDIA Nemotron 4 系列；相關模型將開源，供後訓練與專門化。Mistral AI 亦宣佈發佈 Mistral Small 4。
推薦理由：聯盟首個基礎模型將在 NVIDIA DGX Cloud 訓練，支撐 NVIDIA Nemotron 4 系列，並作為開源後訓練與專門化的共同基礎。
Mistral AI 開源 Leanstral，一款為 Lean 4 設計、用於程式碼生成與形式化證明的程式碼智能體，採用 6B active parameters。
LeRobot 團隊發佈 v0.5.0，擴展機械人硬件、策略模型、資料集處理及模擬環境支援。版本加入 Unitree G1 人形機械人完整支援（包括全身控制）、Pi0-FAST 自回歸 VLA 及 Real-Time Chunking，並新增 EnvHub 以從 Hugging Face Hub 載入模擬環境，亦整合 NVIDIA IsaacLab-Arena。
推薦理由：版本把人形機械人控制、即時推理、模擬環境和資料提速納入同次更新，呈現 LeRobot 從硬件接入至訓練工具鏈的擴展範圍。
GGML 團隊加入 Hugging Face，並將持續維護 llama.cpp；Hugging Face 會為項目提供長期資源支持。團隊仍將 100% 時間用於維護，並對技術方向及社羣保有完全自主權與領導權；項目會繼續 100% 開源並由社羣推動。雙方計劃讓 transformers library 的模型定義更順暢地用於 llama.cpp，並改善 ggml 軟件封裝及本地模型部署體驗。
推薦理由：文章交代 GGML 團隊加入後 llama.cpp 的維護自主權與資源支持，也列出連接 transformers library 模型定義及改善本地部署體驗的方向。
Google Research 提出開源原型框架 DialogLab，用於編寫、模擬及測試動態人類與 AI 羣體對話。框架採用「編寫、測試、驗證」流程，並以視覺化介面及驗證儀錶板協助設計與分析對話。14 名參與者的評估顯示，人類控制模式顯著更具投入感，並普遍被認為更有效、寫實。
Hugging Face 宣佈 Transformers.js v4 已上架 NPM，安裝命令為 `npm i @huggingface/transformers`。
推薦理由：v4 支援 Node、Bun 和 Deno 的 WebGPU 加速，預設網頁版縮小 53%，呈現跨環境部署與下載、啟動效率的具體改進。
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。
FlagOpen 推出 CoRobot 1.0，這是一套面向多機械人具身數據的開放框架，涵蓋數據採集、轉換、處理、檢索、預覽、下載及訓練。
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。
OpenAI Developers 説明將開放模型調整至特定產品與工作流程的策略，聚焦開放模型的客製化應用。
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。