Hugging Face 推出開源、低成本的機器人運算元據採集系統 Grabette，允許使用者通過手持夾爪和相機快速錄製任務並自動生成機器人就緒的資料集。該系統包含手持錄製裝置 Grabette 與配套的機器人夾爪端側執行器 Gripette，採用模組化標準感測器構建，並已接入 Hugging Face Hub 與 LeRobot 訓練生態。
推薦理由：該開源系統降低了機器人運算元據的採集門檻，為社群協作收集具身智慧訓練資料提供了低成本方案。
儘管架構更新，但憑藉領域專注度和針對性訓練，DharmaOCR 在巴西葡萄牙語處理上依然表現優於 Mistral OCR4 和 Unlimited-OCR。在葡萄牙語專屬評估基準中，DharmaOCR 取得了 0.925 的分數，而 Mistral OCR4 為 0.798，Unlimited-OCR 為 0.7587。這種效能優勢源於其引數資源完全集中於單一語言領域，而非分散在多語言空間中。
Hugging Face 官方披露了一起在 2026 年 7 月發生的由自治智慧體驅動的生產基礎設施入侵事件。攻擊者利用資料集處理流程中的程式碼執行路徑獲取初始訪問許可權，隨後在多個內部叢集中進行橫向移動。Hugging Face 通過自主 AI 系統檢測並剖析了該事件，修復了根本漏洞，撤銷並輪換了受影響的憑據。
Thinking Machines 在 Hugging Face 釋出了 Inkling 與 Inkling‑Small 兩個多模態 LLM。Inkling 是 1T 引數、1M 上下文視窗的開源模型，支援影像、文本、音訊輸入，並具備 agentic 能力。
推薦理由：Inkling 通過支援 1M 上下文視窗和多模態輸入，提供了大規模開源模型的高效推理與部署方案，幫助開發者快速構建跨模態推理應用。在 Hugging Face 平臺上可一鍵部署，支援多種推理引擎，滿足大規模推理需求，並提供 1M 上下文視窗的高效推理體驗，適合多模態推理與微調場景。
Hugging Face 釋出了 Real World VoiceEQ，一個評估語音 AI 人類質量的基準，涵蓋 60 多項指標，覆蓋 40 多個模型。該基準基於 100 萬條人類評分，評估 15+ 維度的 ASR、TTS、S2S 和 Speech Understanding，幫助開發者識別情感、背景噪聲等細粒度缺陷。
推薦理由：Real World VoiceEQ 提供了超過 60 項指標的真實人類評估，幫助開發者識別模型在情感、背景噪聲等方面的細粒度缺陷。
本文介紹了在 PyTorch 效能分析系列中如何對 Transformer 架構核心的 attention 機制進行剖析。文章通過對比原生 attention 與使用 masked_fill_ 等原地操作的程式碼，展示瞭如何通過單行修改消除 GPU 上的記憶體複製（Memcpy）kernel。
Hugging Face 宣佈 vLLM 的 transformers 建模後端在多項架構測試中達到或超過 vLLM 手動編寫的原生實現速度。該後端通過 torch.fx 進行模型圖靜態分析並在執行時動態應用特定層融合，使模型作者無需編寫額外程式碼即可直接獲得原生級推理吞吐量。
推薦理由：原文提供了將原生模型直接應用於高效能推理的具體方法與效能對比，讀者可以據此評估新後端在實際部署中的收益。
Hugging Face 宣佈與 Amazon SageMaker AI 推出深度連結整合，支援開發者通過單次點選將模型直接匯入 SageMaker Studio 工作流。該功能提供預載入模型上下文、自動配置許可權以及 GPU 配額可見性，簡化了從模型發現到企業微調和端點部署的路徑。
Hugging Face 與微軟在 Microsoft Build 2026 上宣佈推出 Foundry Managed Compute 以及 Hugging Face 模型的精選目錄，每週更新並支援一鍵部署到託管計算平臺。該平臺提供企業級安全治理、多模態支援、統一端點和自動化執行時升級，讓企業能夠在 Azure 中安全、便捷地執行開源模型。
推薦理由：微軟與 Hugging Face 合作在 Microsoft Foundry 中推出了託管計算與精選開源模型目錄，讀者可以藉此瞭解開源模型在企業級雲平臺中的部署與運維方案。
LeRobot v0.6.0 引入了世界模型策略、全新的視覺語言動作模型和統一的獎勵模型 API，同時帶來了六大模擬評測基準、全新的部署命令列工具以及深度感知和資料自動標註能力。此次更新還優化了資料集載入速度，實現了完全分片資料並行訓練和雲端訓練支援，並大幅精簡了基礎安裝包的依賴。
推薦理由：該版本閉環了機器人學習流程，使用者可以據此瞭解開源機器人框架在世界模型和評測方面的新能力。
Hugging Face 與 SkyPilot 共同推出原生的 Hugging Face Storage 儲存後端，支援通過單一 hf:// 統一方案在任意雲端或叢集上掛載 Hub 上的模型與資料集。該方案具備零資料出口費、基於 Xet 的重複資料刪除以及按需惰性讀取等特性，可將模型直接載入至異構 GPU 資源中進行開發、訓練或推理。
推薦理由：原文介紹了 Hugging Face Storage 作為 SkyPilot 儲存後端的具體接入方式，讀者可以據此評估跨雲訓練和零出口費用的實際收益。
PRX 團隊公開了 7B 模型的預訓練資料策略，詳細闡述了結合公共與內部資料集、利用 VLM 重新加長文本標註以及通過 Mosaic Streaming（MDS）和 Lance 格式進行分散式訓練的完整資料流水線。該團隊放棄了預計算文本潛變數，轉而在訓練迴圈中動態執行 Qwen3-VL 文本編碼器，僅帶來約 3-4% 的吞吐量成本。
Hugging Face 推出了 🤗 Kernels 專案的重大更新，新增了名為 kernel 的 Hub 倉庫型別，並帶來改進的安全機制、重構的 CLI、更廣泛的框架與後端支援，以及對智慧體核心開發的基礎支援。
推薦理由：官方對自定義核心專案進行了重大改版並引入了新的倉庫型別，為開發者瞭解核心分發與安全機制提供了參考。
Hugging Face 與 Cerebras 聯合推出將開源語音 AI 架構與高速推理相結合的即時語音方案，實現自然的語音到語音互動。該開源級聯語音堆疊由 Nvidia Parakeet 進行語音識別、Cerebras 執行 Google DeepMind 的 Gemma 4 31B 模型進行推理、以及 Alibaba 的 Qwen3TTS 生成語音，並已應用於 Reachy Mini 機器人。
推薦理由：原文展示了開源語音流水線如何結合硬體推理速度，讀者可以評估這種架構在低延遲互動中的表現。
IBM Research 釋出了 ScarfBench，一個用於評估 AI 代理在企業 Java 框架遷移任務中的基準。該基準包含 34 個應用、102 個框架實現、204 個遷移任務，約 151K 行程式碼。
本文闡述了多學科證據表明，在有限資源下，專業化是 AI 系統發展的必然趨勢。作者引用了最佳化理論、進化生物學、競爭市場和機器學習的研究，指出專注於特定任務的系統往往能獲得更高效能，並以 AlphaFold 等案例說明了這一點。
Every Eval Ever 與 Hugging Face Community Evals 達成互通，通過推出的轉換工具支援將評估結果同步至 Hugging Face 模型頁面並自動關聯完整記錄。該工具包含格式轉換、衝突審計與本地預覽功能，目前已支援 MMLU-Pro、GPQA、HLE 和 GSM8K 等官方基準。
推薦理由：原文介紹了 Every Eval Ever 與 Hugging Face Community Evals 的互通方案，為評估結果的跨平臺展示和溯源提供了可複用的自動化工具。
DiScoFormer 是一款基於 Transformer 架構的新型模型，只需單次前向傳播即可同時估計分佈的密度與得分且無需重新訓練。在 100 維測試中，它將得分誤差降低約 6.5 倍，密度誤差降低超過 37 倍。該模型以高斯混合模型進行訓練，能夠適應分佈外輸入並在多個領域中複用。
Google DeepMind 釋出了採用 Apache 2.0 協議開源的實驗性模型 DiffusionGemma，這是一款基於 Gemma 4 家族和 Gemini 擴散研究的 26B MoE 文本擴散模型，可在專用 GPU 上實現高達 4 倍的文本生成速度。
推薦理由：該模型採用文本擴散架構實現數倍於傳統自迴歸模型的推理速度，為開發者探索本地即時互動工作流提供了新的硬體利用方式與微調路徑。
DeepMind 推出 Gemma 4 12B，這是一款無編碼器的統一多模態模型，能夠直接在配備 16GB VRAM 的筆記本上執行。它在保持與 26B MoE 近似的推理效能的同時，顯著降低了記憶體佔用，並首次支援原生音訊輸入。
推薦理由：Gemma 4 12B 以無編碼器的多模態架構實現低記憶體、強推理，適配本地 16GB VRAM 機器，讀者可據此評估在邊緣裝置上的部署可能。
Mistral AI 釋出 4B 引數量的語音生成模型 Voxtral TTS，支援 9 種語言的高質量語音合成與低延遲流式傳輸。該模型具備上下文理解、說話人建模及零樣本跨語言語音適應能力，已通過 API、Mistral Studio 和 Hugging Face 開放。
推薦理由：原文公佈了架構細節和零樣本跨語言能力，讀者可以據此評估它在即時語音工作流中的表現。
Mistral AI 推出了基於開源編碼助手 Vibe 構建的自主測試智慧體，能夠自動為 Ruby on Rails 程式碼庫生成、驗證和改進 RSpec 測試。該智慧體通過倉庫級上下文、分類技能檔案以及 RuboCop 和 SimpleCov 自定義工具，在包含 275 個檔案的真實程式碼庫測試中實現了 100% 的程式碼覆蓋率和通過率。
推薦理由：原文介紹了團隊如何基於開源編碼助手構建自主測試生成智慧體，讀者可以瞭解如何通過上下文工程、專用技能和自定義工具來擴充套件智慧體能力。
Mistral AI 釋出了 Voxtral Transcribe 2 語音模型系列，包含用於批次轉寫的 Voxtral Mini Transcribe V2 和用於即時應用的 Voxtral Realtime。
推薦理由：Mistral 釋出了 Voxtral Transcribe 2 語音模型系列，並開源了 Voxtral Realtime 權重，讀者可以據此瞭解其在即時性與多語言轉寫上的新進展。
Mistral AI 釋出新一代 Mistral 3 模型系列，包含 14B、8B 和 3B 的 Ministral 3 端側稠密模型，以及採用稀疏 MoE 架構、啟用引數 41B 總引數 675B 的旗艦模型 Mistral Large 3。所有模型均採用 Apache 2.0 許可證開源，支援多模態與多語言能力，推理版本也將很快推出。
推薦理由：原文釋出了包含稠密小模型與 MoE 旗艦大模型的全新模型系列，並全部採用 Apache 2.0 許可證開源，開發者和企業可直接藉此在多端與雲端部署前沿智慧能力。
Mistral AI 釋出了開源語音理解模型 Voxtral，包含面向生產的 24B 規格與面向端側的 3B 規格，均採用 Apache 2.0 協議開源。該系列模型支援 32k 上下文、長達 30 至 40 分鐘的音訊處理、內建問答與摘要、多語言處理及函式呼叫功能，並在多項語音轉寫和理解基準測試中表現優異。
推薦理由：該模型提供了兩種尺寸並開源，讀者可以根據自身算力條件選擇合適的版本進行本地部署或呼叫 API。
Mistral AI 釋出首個推理模型 Magistral，推出開源的 Magistral Small（24B）和企業級 Magistral Medium 兩個版本。
推薦理由：原文給出了兩個版本的具體效能指標與開放渠道，讀者可以據此評估其在真實業務和推理任務中的表現。
Mistral AI 宣佈推出 Mistral Small 3.1，這是一款在其體量級別表現出色的開源模型。該模型帶來改進的文本效能、多模態理解以及高達 128k tokens 的上下文視窗，並以 Apache 2.0 許可證開源。
推薦理由：原文給出了開源模型的新版本效能與多維度升級，讀者可以據此評估其在端側和多模態任務中的應用潛力。