Hugging Face 推出 ScreenEnv，用於測試和部署 GUI 智能體
Hugging Face 推出 ScreenEnv，這是一個可在 Docker 容器中建立隔離 Ubuntu 桌面環境、用於測試和部署 GUI 智能體的 Python 程式庫。
推薦理由：ScreenEnv 將桌面控制、Docker 隔離與 MCP/API 接入整合在同一工具，並以 smolagents 範例展示如何建立和執行桌面任務智能體。
Hugging Face
全部主題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。
最新精選
第 61–80 條 · 共 168 條Hugging Face Blog精選AI 評分6060 Hugging Face Blog精選AI 評分6868 Hugging Face 分享 MCP Server 建置經驗與部署取捨
Hugging Face 分享其官方 MCP Server 的建置經驗，説明 AI 助手如何透過 hf.co/mcp 存取 Hub 及 Spaces 上的 AI 應用。
推薦理由：文章拆解遠端 MCP Server 在傳輸模式、連線狀態與資源開銷上的取捨，並以 Hugging Face 的部署配置呈現決策脈絡。
Hugging Face Blog精選AI 評分6565 Hugging Face 示範如何用 Gradio MCP Servers 為 LLM 增添工具能力
Hugging Face Blog 示範如何透過 Gradio MCP 伺服器為 LLM 接入工具能力，並以 Flux.1 Kontext[dev] 展示按文字指令編輯圖片。
推薦理由：文章以 Flux.1 Kontext[dev] 示範將 Hugging Face Spaces 的 MCP 服務接入 Cursor，並交代圖片須使用公開 URL，呈現從選擇服務到設定客户端的實作流程。
Hugging Face Blog精選AI 評分6363 Reachy Mini 開放訂購，開源桌面機械人售價由 $399 起
Pollen Robotics 與 Hugging Face 推出 Reachy Mini，一款面向人機互動、創意編程與 AI 實驗的開源桌面機械人，售價由 $399 起。
推薦理由：Reachy Mini Lite 與 Compute 版分別售 $399 和 $499，連線及供電配置不同，規格表可供對照入門成本與功能取捨。
Hugging Face Blog精選AI 評分6565 Hugging Face 發佈 SmolLM3，支援 128k 上下文的多語言 3B 推理模型
Hugging Face 發佈 3B 模型 SmolLM3，使用 11.2T tokens 訓練，支援 think / no_think 雙模式推理及最高 128k 上下文。
推薦理由：SmolLM3 公開分階段訓練、長上下文適配與雙模式推理配方，並交代數據配比和模型合併流程，呈現 3B 模型的工程實作路徑。
Hugging Face Blog精選AI 評分6464 使用 Sentence Transformers 訓練及微調稀疏嵌入模型
Hugging Face Blog 示範如何使用 Sentence Transformers 訓練及微調稀疏嵌入模型，介紹 SPLADE、Inference-free SPLADE、CSR 架構，以及資料、損失函數、評估器和訓練器的配置。
推薦理由：文章按 SPLADE、Inference-free SPLADE 與 CSR 的適用情境梳理架構選擇，並以實作例子串連資料、損失函數和評估器配置。
Hugging Face Blog精選AI 評分6060 Hugging Face 與 NVIDIA 合作推出 Training Cluster as a Service
Hugging Face 與 NVIDIA 宣佈合作推出 Training Cluster as a Service，讓研究機構可按訓練需求申請 GPU 叢集，並按訓練運行時長付費。
推薦理由：服務將 GPU 叢集申請、算力採購、部署和訓練排程串起來，並按訓練時長付費，呈現研究機構如何依地區、規模與訓練週期取得所需算力。
Hugging Face Blog精選AI 評分6262 Hugging Face 發佈 SmolVLA：基於 LeRobot 社羣數據訓練的 450M 開源 VLA 模型
Hugging Face 發佈 SmolVLA，一款 450M 開源 Vision-Language-Action（VLA）機械人模型，以 LeRobot 社羣數據預訓練，可在消費級硬件上運行。
推薦理由：文中比較社羣數據預訓練前後的成功率，以及同步與非同步推理的完成時間和吞吐量，呈現數據與推理架構各自帶來的變化。
Hugging Face Blog精選AI 評分6565 Hugging Face Transformers 計劃推動模型定義標準化
Hugging Face 表示，Transformers 將朝跨框架模型定義標準化發展，目標是讓其支援的模型架構更易被其他生態工具採用。目前 Transformers 支援 300+ 種模型架構，平均每週新增約 3 種；團隊計劃簡化建模程式碼和 API，並加強模組化模型定義。
推薦理由：文章交代 Transformers 希望成為跨框架模型定義的共同基礎，並列出簡化模型貢獻流程、提升訓練與推理工具互通的具體方向。
Hugging Face Blog精選AI 評分6262 Hugging Face Inference Endpoints 推出 OpenAI Whisper 高速轉錄部署方案
Hugging Face 為 Inference Endpoints 推出新的 OpenAI Whisper 部署方案，效能較前一版本最高提升 8 倍。
推薦理由：文章比較三款 Whisper 變體與 Transformers 基線的轉錄速度及 WER，呈現 Large V3 接近 8 倍的 RTFx 提升與各款相若的 WER 表現。
Hugging Face Blog精選AI 評分6868 Hugging Face 收購 Pollen Robotics，開始銷售 Reachy 2 開源人形機械人
Hugging Face 收購 Pollen Robotics，並開始銷售其開源人形機械人 Reachy 2。Reachy 2 可透過 sales@pollen-robotics.com 電郵訂購，價格為 $70,000，適用於研究、教育和具身 AI 實驗，並兼容 VR。
推薦理由：這宗收購把 Hugging Face 的 LeRobot 開源機械人項目與 Pollen Robotics 的硬件團隊納入同一組織，呈現其軟硬件佈局。
Hugging Face Blog精選AI 評分8383 Llama 4 Maverick 與 Scout 登陸 Hugging Face Hub，支援 Transformers 和 TGI
Hugging Face 將 Llama 4 Maverick (~400B) 與 Scout (~109B) 的權重上架 Hub，並宣佈 Transformers 與 TGI 支援。
推薦理由：文章整理了長上下文所用的 NoPE、分塊注意力與 temperature tuning 設計，讓讀者瞭解 Llama 4 延伸上下文窗口的架構取捨。
Hugging Face Blog精選AI 評分6363 Xet 儲存進入 Hugging Face Hub，首批倉庫完成 4.5 TB 遷移
Hugging Face 已將首批模型與數據集倉庫由 LFS 遷移至 Xet 儲存，總量 4.5 TB，並把 Hub 約 6% 的下載流量切至 Xet 基礎設施。
推薦理由：文章以首批倉庫遷移為例，交代下載開銷與節點負載失衡如何在真實流量下浮現，以及分階段遷移如何避免服務中斷。
Hugging Face Blog精選AI 評分6161 用 React Native 在手機上本地執行 LLM 的入門指南
Hugging Face Blog 的教程示範以 React Native 建立手機應用，在裝置本地執行 LLM 聊天。應用從 Hugging Face Hub 下載 GGUF 模型，並以 llama.rn（llama.cpp 的 binding）載入，教程涵蓋 Android 和 iOS。文章亦介紹 GGUF 量化格式、手機選模取捨，以及逐 token 生成與推理速度追蹤等功能。
推薦理由：文章按模型選擇、GGUF 下載與載入、聊天介面逐步拆解 React Native 實作，並説明量化格式與設備能力的取捨，可作為端側 LLM 應用的開發參考。
Hugging Face Blog精選AI 評分6464 Hugging Face 與 JFrog 合作，將 JFrog 掃描器整合至 Hugging Face Hub
Hugging Face 與 JFrog 合作，將 JFrog 掃描器整合至 Hugging Face Hub，以分析模型權重中的程式碼並減少誤報。現有 picklescan 按模組名稱作模式匹配，JFrog 則會解析程式碼、檢查潛在惡意用法，並可捕捉 pickle 與 Keras Lambda layers 的相關利用方式。
推薦理由：JFrog 會解析模型權重中的程式碼，補充 picklescan 以模組名稱作模式匹配的檢查方式，並讓公開模型倉庫自動納入掃描。
Hugging Face Blog精選AI 評分6262 Hugging Face 推出 FastRTC，支援以 Python 建構即時音訊與影片 AI 應用
Hugging Face 推出 FastRTC，這是一個讓開發者以 Python 建構即時音訊與影片 AI 應用的通訊程式庫。它內置語音偵測與輪次控制，提供支援 WebRTC 的 Gradio UI，並可將 Stream 掛載至 FastAPI 應用；亦支援 WebSocket。程式庫另提供語音轉文字、文字轉語音等工具，並可接駁不同 LLM、語音 API 或語音到語音模型。
推薦理由：FastRTC 將語音偵測、輪次控制和即時通訊整合起來，並提供 Gradio 測試介面及 FastAPI 部署方式，展示以 Python 搭建即時語音應用的實作流程。
Hugging Face Blog精選AI 評分6868 SmolVLM2 將影片理解帶到各類裝置
Hugging Face 發佈 SmolVLM2，提供 2.2B、500M 和 256M 三種影片理解模型，並從推出首日起支援 Transformers 和 MLX，後者提供 Python 及 Swift API。
推薦理由：文章同時列出 2.2B、500M、256M 規模及 Video-MME 表現，方便比較不同參數量下的影片理解能力取捨。
Hugging Face Blog精選AI 評分6060 分類、文本嵌入與視覺嵌入處理 1B 筆輸入的成本與延遲評測
這項基準測試比較文字分類、文本嵌入及視覺嵌入的推理配置，估算處理 1B 筆輸入的成本與延遲。在 nvidia-L4（$0.8/hr）上，三類任務每 1B 筆輸入的成本分別為 $253.82、$409.44 和 $44,496.51；測試程式碼見 https://github.com/datavistics/encoder-analysis。
推薦理由：三類實測呈現 GPU、batch size 與並行 VUs 對成本和延遲的影響，並提供可替換模型與硬件重跑的流程，供讀者估算自有配置處理 1B 筆輸入的開支。
Hugging Face Blog精選AI 評分7070 Hugging Face Hub 整合 fal、Replicate、Sambanova 和 Together AI 的無伺服器推理服務
Hugging Face 將 fal、Replicate、Sambanova 和 Together AI 四家無伺服器推理服務整合至 Hub 模型頁面及 JS、Python SDK。用户可使用自己的供應商 API key 直接呼叫並由供應商收費，也可透過 Hugging Face 路由請求，按供應商標準 API 價格計費且不加價。
推薦理由：四家無伺服器推理服務接入 Hub 模型頁面及 SDK，文章亦交代自帶供應商 API key 與 Hugging Face 路由的調用和計費差異，便於評估接入方式。
Hugging Face Blog精選AI 評分6969 Diffusers 中開源影片生成模型的現況
Hugging Face Diffusers 團隊梳理多款開源影片生成模型的能力與限制，並介紹 Diffusers 對影片生成、推理優化及微調的支援。
推薦理由：文章整理多款開源影片模型的資源需求，並以 HunyuanVideo 不同優化設定的數據，呈現量化、卸載和 VAE tiling 對顯存與推理時間的實際取捨。