Diffusers 0.42.0 釋出 FLUX.3、Fibo 2.0、Kandinsky 6 等多款模型
Diffusers 0.42.0 釋出多款新模型與功能,包括 FLUX.3、Fibo 2.0、Kandinsky 6、SANA‑WM、RFD4‑Proteína 以及 Qwen‑Image 2.1。
推薦理由:本次釋出新增 FLUX.3、Fibo 2.0、Kandinsky 6 等多款高效影像生成模型,並支援硬體加速與模組化工作流程,對開發者快速部署多模態應用具有重要參考價值。
Hugging Face 開源社群動態:熱門模型與資料集、排行榜變化與開源生態的晴雨表。
Diffusers 0.42.0 釋出多款新模型與功能,包括 FLUX.3、Fibo 2.0、Kandinsky 6、SANA‑WM、RFD4‑Proteína 以及 Qwen‑Image 2.1。
推薦理由:本次釋出新增 FLUX.3、Fibo 2.0、Kandinsky 6 等多款高效影像生成模型,並支援硬體加速與模組化工作流程,對開發者快速部署多模態應用具有重要參考價值。
導語:ThinkingBox-Training 透過將可執行的資料庫檢查轉為 RL 獎勵,對 Qwen3.8-27B 進行 50 步 GRPO 微調,成功率從 51.70% 提升至 60.78%,每次都成功的任務數從 38 增至 107。
推薦理由:將可執行的資料庫檢查轉為 RL 獎勵,提升代理人重複成功率,可直接應用於需要可靠資料庫操作的實務工作。
OlmoEarth v1.3 以全行星 10 公尺解析度衛星嵌入模型與瀏覽器探索器,正式發布。 - 全行星嵌入:已預計算 2017-2025 年的 10m 畫素嵌入,提供 64- 和 128 維版本,總計約 150 TB/年。
推薦理由:提供全行星預計算嵌入與瀏覽器探索器,讓研究者可即時分析地表變化,省去 GPU 及微調成本。
NVIDIA Cosmos 於近日推出一系列新工具與藍圖,旨在加速世界模型的訓練、評估與部署。 - Cosmos Data Factory:提供多模態、跨感官資料標註、增強與評估的雲端原型,支援自動駕駛、工業檢測等多種場景。
推薦理由:NVIDIA Cosmos 透過新工具與藍圖,讓企業可快速生成多模態訓練資料,並大幅縮短自動駕駛測試週期。
Qwen3 可在 AWS Trainium 上透過 torchtitan 執行訓練,本文提供三種配置方式與完整指令。 - 三種配置:使用 Transformers v5、torchtitan 原生 Qwen3、以及 NKI Mixture‑of‑Experts kernels。
推薦理由:提供完整步驟,示範如何在 AWS Trainium 上使用 torchtitan 執行 Qwen3 訓練,對於工程師具有實務參考價值。
TorchTitan 以 PyTorch 原生實現,提供 SOTA 模型支援與大規模訓練效能,讓研究者與產業可在同一框架下快速落地。 - 新模型支援:Muse Spark Open、Muse Glimmer、Qwen3-VL、Qwen3.5、Kimi K2.7、Kimi K3、DeepSeek-V4 全訓練堆疊整合,並可透過 5D 並行化調整硬體。
推薦理由:TorchTitan 以 PyTorch 原生實現,提供 SOTA 模型支援與大規模訓練效能,讓研究者與產業可在同一框架下快速落地。
Kumo Relational 是一個預訓練關係型基礎模型,能在不需要任務特定訓練的情況下,直接對企業資料庫進行一次前向推論,預測流失、需求或詐騙等結果。
推薦理由:Kumo Relational 以零訓練即時預測,顯示基礎模型可直接取代傳統 XGBoost,對企業資料科學流程帶來顯著效率提升,並提供可即時部署的開源框架。
導語:SimReady Central 是 Hugging Face 推出的開源 3D 資產庫,提供 2,000+ 具備碰撞、質量等物理屬性的 OpenUSD 模型,讓機器人與 AI 工廠開發者可直接構建模擬環境。
推薦理由:SimReady Central 供 2,000+ 具備碰撞、質量屬性的 3D 資產,開發者可在 Hugging Face 構建 AI 工廠與機器人模擬,省去手動新增屬性的繁瑣。
本文示範如何在 Amazon SageMaker HyperPod 上使用 SFT 與 GRPO 微調 GPT‑OSS‑20B,使其在多語言推理任務中的推理語言正確率從 22% 提升至 100%,並在答案語言上提升至 70%。
推薦理由:本篇示範如何在 SageMaker HyperPod 上使用 SFT 與 GRPO 微調 GPT-OSS-20B,並揭示兩種技術的適用場景,對想要提升多語言推理模型的實務團隊具有參考價值。
TorchTPU 讓 PyTorch 直接在 TPU 上執行,省去 torch_xla 與 JAX 的中介層。 - 核心功能:新增 TPU 作為 PyTorch 後端,支援 eager 與 torch.compile,提供 Pallas kernels、分散式訓練。
推薦理由:TorchTPU 讓 PyTorch 直接在 TPU 上執行,省去 torch_xla 與 JAX 的中介層,提升開發效率與推理速度。
ALTK‑Evolve 透過自動提取規則,將 GPT‑4.1 轉化為在 τ²‑bench 客戶服務基準上領先的代理,無需權重更新。 - 核心成效:零售領域 Pass^4 從 57.5% 提升至 67.5%,航空領域從 35.0% 提升至 45.0%;在整體排行榜上位居首位。
推薦理由:本研究展示了透過自動提取規則而無需權重更新,將舊版 GPT‑4.1 轉化為領先客戶服務基準的能力,說明提示級記憶可顯著提升多模態代理。
FairStress 是 AllenAI 發布的一套基準,用於測量 LLM 在不同族群情境下的公平性。它包含 300 個兩人對決的情境,涵蓋 29 個領域,並可擴充套件至超過 13 萬萬個測試案例。
推薦理由:本 benchmark 可幫助模型開發者發現並修正隱性偏差,促進決策公平性
AnyLanguageModel 1.0 於 Apple 平臺推出,提供單一 API 同時支援本地與雲端模型,降低實作複雜度。 - API 相容性:將 import FoundationModels 換成 import AnyLanguageModel,即可使用系統模型、llama.cpp、MLX、Core ML 等。
推薦理由:AnyLanguageModel 1.0 讓開發者可在 Apple 平臺以單一 API 同時使用本地與雲端模型,降低實作複雜度。
Reflection Beam 是一款 501B 引數、23B 活躍引數的開源權重模型,針對 Agentic Coding 與多步驟工作流程設計。 - 核心規格:501B 總引數、23B 活躍引數,效能可達 1M token 上下文長度;提供 BF16、FP8、NVFP4 三種檢查點格式。
推薦理由:Reflection Beam 提供 501B 引數、23B 活躍引數的開源權重模型,開發者可在 SageMaker JumpStart 或 HyperPod 直接部署,支援多步驟程式編寫、工具呼叫與中間結果處理,為 agentic coding 提供完整堆疊,並可透過 SGLang 或 vLLM 進行自訂執行時引數調整,滿足不同硬體與效能需求。
Beam 是 Reflection 推出的首個 501B 引數的混合專家 LLM,支援 1M token 長上下文、23B 活躍引數,並以 Apache 2.0 授權公開。
推薦理由:Beam 501B MoE LLM 具備 1M token 長上下文與 23B 活躍引數,可在自有硬體上部署,適合需要高效長距離推理與代理工作者的團隊。
本研究釋出一份 2.8 兆 token 的 Indic 語料庫與可重複使用的 GPU 加速資料生成管線,並說明其在 Nemotron 3.5 Super VL 上的效能提升。
推薦理由:提供了可複製的 2.8 兆 token 語料與 GPU 加速生成流程,可幫助研究者構建更強的印度語言模型,並展示其在多項 Indic 評測中的顯著提升。
Granite Switch 4.1 透過整合決策、語音與聊天功能,提供單一端點多工能力。 - Granite‑Switch‑4.1‑8B / 30B:內建 Decision aLoRA、Guardian aLoRA 及 Granite‑Speech‑5.0‑Turbo‑CTC(OpenASR 榜首 ASR),可即時切換對話、決策與轉錄。
推薦理由:Granite Switch 4.1 透過整合決策、語音與聊天功能,提供單一端點多工能力,讀者可評估其在實務流程中的效益。
Transformers 5.20.0 釋出,新增多模態模型並加強分散式推理與量化支援。 - Muse Spark Open:Meta 816B 引數,1,048,576 token 上下文,支援文字、影像、音訊、影片輸入,專為代理編碼任務設計,提供 BF16 / NVFP4 檢查點。
推薦理由:新版本提供多模態模型與高效分散式支援,開發者可直接整合至現有工作流程,並享受改進的量化與推理加速。
Apertus 1.5 於 2026 年 7 月 24 日在 Hugging Face 以 Apache 2.0 授權釋出,新增跨模態理解、四倍長上下文、思考模式及工具使用最佳化。
推薦理由:Apertus 1.5 以四倍上下文、跨模態能力及思考模式提升推理與工具使用,讀者可評估其在多模態任務與長文本推理中的應用潛力。
vLLM 團隊介紹了全新基於推送(Push-based)的 NIXL 傳輸連接器,透過將預填與解碼階段的 KV 快取傳輸協調移出關鍵路徑,改善大規模分散式推理(Disaggregated Inference)效能。
推薦理由:文章詳述 vLLM 推出的 push-based NIXL 傳輸機制原理與設定步驟,讀者可透過遷移設定有效降低大規模分散式推理的首字延遲。