Hugging Face 開源社區動態：熱門模型與數據集、排行榜變化與開源生態的晴雨表。
Hugging Face 建立 Open TTS Leaderboard，以客觀指標評估開源、多語言 TTS 模型及聲音複製能力。評估涵蓋 WER/CER、批次推理速度（RTFx）、首段音訊延遲（TTFA）及説話者相似度（SIM），可把單個模型的評估時間由數週縮短至數小時。排行榜不取代人工偏好評選，並設有 Listen 頁籤供用户比較生成音訊及投票；其指標不直接衡量自然度、表現力或聽者偏好。
推薦理由：排行榜以客觀指標並列呈現語音清晰度、説話者相似度與速度表現，並保留聆聽投票，方便比較多語言及聲音複製模型。
Hugging Face 為 Transformers 加入 GGUF 支援，讓用户可透過熟悉的 Transformers API 在本機載入量化檢查點並生成內容。
推薦理由：文章示範透過 Transformers API 從 Hub 載入 GGUF 量化檢查點，並以 Q4_K_M 等選項説明檔案大小與精度的取捨。
Hugging Face 推出開源工具 funes，讓 Claude Code、Codex、pi 和 Hermes 共用可檢索的持久記憶。funes 預設在本機索引、嵌入及重排工作記錄，檢索時返回原文並標示智能體、時間戳、工作階段和回合；記憶亦可發布至預設私有的 Hugging Face 資料集，供其他機器使用。
推薦理由：funes 將不同編碼智能體的工作記錄轉為本機可檢索記憶，並保留原始片段及來源脈絡，展示跨會話延續決策依據的實作方式。
Hugging Face 推出 @huggingface/kernels JavaScript loader，並在 Hub 發布首批 207 個 WebGPU kernels。
推薦理由：文章將 207 個 WebGPU kernels 的版本化操作契約、正確性測試與基準案例一併呈現，並提供 Apple M4 上與 ORT WebGPU 的比較數據。
Voice Arena 與 Hugging Face 為 Open ASR Leaderboard 加入 Monsoon en-IN 和 Monsoon hi-IN 評測集，涵蓋 Indian English 與 Hindi，令 Hindi 成為其多語言分頁首個 Indic language。
推薦理由：這批評測集把説話者背景與可接受的拼寫變體納入 ASR 評估，讓總體 WER 之外的區域差異和 Hindi 正字法誤差更容易被辨識。
Gradio 內置的 gr.Workflow 可把 AI 工作流表示為由帶類型節點組成的圖，並提供可拖放、逐節點執行及查看中間結果的畫布。節點可執行 Python 函數、調用 Hugging Face Inference Providers 模型或其他 Gradio Space，也可處理 Hub 數據集資料。
推薦理由：文章以多個可執行示例展示如何把模型、Python 函數與 Gradio Space 串成工作流，並讓節點輸出直接成為 API。
Hugging Face 以 Inference Endpoints、Jobs 和 Storage Buckets 建立 Papers with Code 混合搜尋系統，為來自 arXiv 和 Daily Papers 的超過 110,000 篇論文維護嵌入向量。
推薦理由：文章拆解離線批次建向量與線上查詢的分工，並説明端點冷啟動時如何回退全文檢索，呈現混合搜尋進入生產環境的工程取捨。
Sentence Transformers v6.0 新增 MultiVectorEncoder，支援 ColBERT 式多向量檢索。文中示範載入 PyLate 與 Stanford-NLP ColBERT checkpoint、接入檢索索引，以及以同一 API 執行 ColPali 視覺文件檢索。
推薦理由：文章對照 LateOn 與 DenseOn 在 NanoBEIR 13 個資料集的結果，並以索引體積數據呈現多向量檢索表現與儲存成本的取捨。
Diffusers 現已原生支援 Nunchaku Lite 的 4-bit 擴散模型推理，預量化檢查點可用 `from_pretrained()` 載入，無須獨立推理引擎或本機編譯 CUDA。
推薦理由：文章説明 Nunchaku Lite 在 Diffusers 的原生載入方式，並以 RTX PRO 6000 基準量化呈現延遲與顯存變化。
Pollen Robotics 發佈開源、低成本的 Grabette 手持式系統，可記錄人工操作示範並轉成機械人訓練數據集。裝置配備兩部攝影機，瀏覽器處理流程透過 RTAB-MAP 執行 SLAM，並輸出 LeRobot 格式數據；Grabette 的物料清單成本約 490€。
推薦理由：Grabette 把手持式示範、SLAM 軌跡處理與 LeRobot 數據集串成採集流程，並以 200 段示範呈現訓練及機械臂評估的端到端用法。
Hugging Face 披露，其部分生產基礎設施遭自主 AI 智能體系統入侵，攻擊者存取了有限範圍的內部資料集及多項服務憑證。Hugging Face 已封堵相關程式碼執行路徑、重建受影響節點並輪換憑證；目前未發現公開、面向用户的模型、資料集或 Spaces 遭篡改，合作夥伴或客户資料是否受影響仍在評估。
推薦理由：事件呈現託管模型安全護欄對事故分析的限制，也提供可遷移的準備方向，即預先驗證能在自有基礎設施運行的模型，以保護攻擊資料並維持調查能力。
Hugging Face Blog 的《PyTorch 效能分析》第 3 篇以 profiler traces 對照手寫注意力與 PyTorch SDPA 各後端的執行情況。
推薦理由：文章對照 CPU 與 GPU trace，展示如何從 kernel 數量、資料搬移及 CPU 開銷，辨認注意力實作的效能收益與成本。
Hugging Face 更新 vLLM 的 Transformers 建模後端，令多種相容 LLM 架構的推理吞吐量達到或超過 vLLM 手寫原生實作。測試涵蓋 Qwen3-4B 單 GPU、Qwen3-32B 張量並行，以及 Qwen3-235B-A22B-FP8 MoE 在同一 8×H100 節點上的數據並行與專家並行，三者均達到或超越原生實作吞吐量。
推薦理由：文章以三種不同規模及並行配置的 Qwen3 模型對照 vLLM 手寫實作，並説明 torch.fx 分析與運行時融合如何使相容模型達到原生推理速度。
Hugging Face 與 Microsoft 將每週更新的精選開放權重模型目錄加入 Microsoft Foundry Model Catalog，並可一鍵部署至 Foundry Managed Compute。
推薦理由：文章梳理模型篩選、權重預置和執行環境掃描的上架流程，説明企業如何在私有網絡內部署而毋須連出 Hugging Face Hub。
LeRobot v0.6.0 新增世界模型策略、統一六項模擬基準的 lerobot-eval，以及用於部署和收集人工修正資料的 lerobot-rollout CLI。
推薦理由：版本把策略部署、人工接管修正與資料回訓串成可重複流程，並以統一 CLI 整合六項模擬基準，呈現機械人學習由實作到評估的工作流。
Hugging Face Storage 現已成為 SkyPilot 的一級儲存後端，可透過 hf:// URL 將 Bucket 或 Hub 倉庫接入跨雲任務。
推薦理由：這項整合把模型與數據集的存放位置和 GPU 雲端選擇分開，並明確呈現讀取不收 egress 費與跨雲寫回仍需付費的成本差異。
Hugging Face Blog 示範用一條命令在 HF Jobs 上以 vLLM 啟動私有、OpenAI-compatible 的 LLM 端點。內容提供 curl 和 Python OpenAI client 呼叫範例，並示範以 SSH、Gradio 及 Pi 延伸使用；每次請求須附上具該 Job 讀取權限的 HF token。
推薦理由：文章把 HF Jobs、vLLM 與 OpenAI-compatible API 的部署、驗證和停止流程串成可複用命令，並説明私有端點的 token 權限與成本控制。
Hugging Face 測試開源模型使用 transformers，CLI 與 Skill 縮短大型模型耗時，卻可能降低小模型成功率。Qwen3-14B 在 classify-sentiment 任務中，clone 環境的匹配率為 100%，Skill 環境則降至 0%。agent-eval CLI 可套用於其他命令列工具，並記錄匹配率、tokens、耗時、錯誤、行為標記及執行軌跡。
推薦理由：評測不只看任務是否成功，也追蹤 tokens、耗時與操作路徑，呈現 CLI 與 Skill 對大小模型的影響並不一致。
Hugging Face 推出 Discover Tool，作為 Agentic Resource Discovery（ARD）規範的參考實作，讓智能體可在執行時搜尋並發現能力。
推薦理由：ARD 把能力發現由預先安裝轉為跨登錄表搜尋，Hugging Face Discover 可按需求將 Space 呈現為技能或 MCP 伺服器。
編碼智能體串接兩個 Hugging Face Spaces，生成巴黎地標圖像及 3D Gaussian splats，並將畫廊部署為靜態 Space mishig/monuments-de-paris。
推薦理由：案例展示了透過 Hugging Face Spaces 的 agents.md 串接圖像生成與單圖 3D 重建，並以各一句提示複用到日本及埃及主題畫廊，呈現多媒體工作流的可遷移性。