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。
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。
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。
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。
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。
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。
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。
Hugging Face 推出 Fellowship 計劃，支持不同背景的開源機器學習貢獻者擴大影響力，並鼓勵更多人參與。支援內容按個人需要而定，包括運算資源、周邊物資及 Hugging Face 官方認可；成為 Fellow 須由 Hugging Face 團隊成員或 Fellow 提名。
Hugging Face 開放首屆學生大使計劃申請，邀請修讀機器學習或在社羣推廣 ML 的學生參與，截止日期為 2022 年 6 月 13 日。計劃於 2022 年 6 月 30 日開始、12 月 31 日結束；獲選者可獲同儕交流網絡、Hugging Face 團隊工作坊與支援、最新項目及功能資訊、周邊商品與素材，以及官方大使認可。
Hugging Face 宣佈完成由 Lux Capital 領投的 $100 Million C 輪融資，Sequoia、Coatue 等也參與投資。Hugging Face Hub 當時託管 100,000 個預訓練模型及 10,000 個數據集，超過 10,000 家公司使用 Hugging Face 建構機器學習技術。公司表示將加大研究、開源、產品及負責任地普及 AI 的投入。
推薦理由：融資用途涵蓋研究、開源、產品與負責任地普及 AI，讀者可從中瞭解 Hugging Face 此輪募資要加速的方向。
Hugging Face Hub 接入 fastai，讓 fastai 使用者可用單行 Python 程式碼上傳 Learner，亦可從 Hub 載入模型。文章介紹 `push_to_hub_fastai` 和 `from_pretrained_fastai`，並示範 fastai 與 Blurr 的模型分享流程。
Hugging Face《Machine Learning Experts》專訪 Lewis Tunstall，談其 Transformers 工作及新書《NLP with Transformers》。他介紹 Transformers library 可將 PyTorch 模型匯出為 ONNX 格式，讓工程師進一步降低延遲、提高吞吐量。
Hugging Face Blog 提供以自訂資料集微調 SegFormer 語義分割模型的教程，涵蓋資料準備、訓練和推理。示例使用自建的人行道標註資料集微調預訓練的 SegFormer B0，並以 mIoU 評估分割結果。教程亦介紹將模型推送至 Hugging Face Hub，並透過推理小工具試用。
Hugging Face 收購 Gradio，並將與 Gradio 團隊繼續發展這套用於建立及分享機器學習模型 demo 的開源工具。Gradio 自 2019 年推出以來，已建立超過 300,000 個 demos，應用範圍涵蓋電腦視覺、文字、語音和影片。團隊表示，合作目標是讓任何能連接互聯網並使用瀏覽器的人都能接觸和使用機器學習模型。
推薦理由：文章把收購置於 Gradio 推動模型易於展示、試用和收集回饋的脈絡中，並列出超過 300,000 個 demos 的既有使用規模。
Hugging Face 宣佈課程第二部分將於 11 月 15 日推出，並於 11 月 15 日至 16 日舉辦社羣活動。課程涵蓋 token 分類、因果與遮罩語言建模、翻譯、摘要和問答，並深入介紹 🤗 Datasets 與 🤗 Tokenizers。活動包括兩日演講及以 NLP 任務微調模型的團隊項目；AWS 將透過 Amazon SageMaker 向參與者提供免費運算資源。
Hugging Face 與 Graphcore 合作，讓開發者可在 Graphcore IPU 上以生產規模部署最佳化 Transformers。開源工具庫 Optimum 將提供經 Hugging Face 認證的硬件最佳化模型，首批 IPU 最佳化模型將於今年稍後登上 Optimum。
Hugging Face Hub 接入 spaCy，讓使用者可分享 spaCy pipelines，並在瀏覽器試用或透過 Inference API 調用模型。
推薦理由：這次整合把 spaCy pipeline 上傳、瀏覽器試用、NER 推理和安裝入口放在 Hub，呈現模型分享後如何被測試與接入應用。
Gradio 2.0 讓使用者可用一行程式碼透過 GUI 載入並使用幾乎任何 Hugging Face 模型。預設會使用 Hugging Face 託管的 Inference API，可提供自己的 API key 或免 key 使用；亦可執行 `pip install transformers` 在本機運算。它支援多個模型並行或串聯，文中示範以 3 行程式碼翻譯並摘要芬蘭新聞文章。
推薦理由：文章展示 Gradio 2.0 如何以一行程式碼建立模型 GUI，並串聯或並行組合 Hugging Face 模型，提供比較模型及串接多步任務的實作參考。
Hugging Face 推出 Accelerate，PyTorch 訓練腳本加入五行程式碼後，即可支援不同分散式設定及混合精度訓練。Accelerate 提供統一 API，準備模型、最佳化器及 DataLoader，並處理裝置配置和反向傳播。
推薦理由：Accelerate 將 PyTorch 分散式訓練及混合精度所需樣板封裝成少量 API 改動，並提供統一啟動器，呈現減少訓練腳本跨環境改動的實作方式。
OpenAI 將內部項目 OpenAI Baselines 開源，目標是以與已發表結果相當的性能復現強化學習算法。首批發佈包含 DQN 及其三種變體，其他算法計劃在未來數月陸續釋出。
推薦理由：首批開源內容包括 DQN 及三種變體，可看出 OpenAI Baselines 的起始復現範圍；項目目標是讓強化學習算法達到與已發表結果相當的性能。