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。
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。
在代理互動中捕捉 Token ID 以提升強化學習 - Turnstile：用 Rust 實作的代理，位於 Agent harness 與後端之間，即時記錄精確 token ID、log 機率與 loss mask。
推薦理由：本文提出在代理互動中精確捕捉 token ID 的方法，提升 RL 訓練的準確性，為多模態與 MoE 模型的強化學習提供可複用的工具。
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 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。
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。
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。
Modal 推出基於 DFlash 架構的 Qwen 3.5 397B-A17B speculator，並在 SGLang 推理引擎上實現 5–20% 的速度提升。
推薦理由：本篇說明 Qwen 3.5 397B-A17B 的 DFlash speculator 如何實現 5-20% 的速度提升，並提供在 B200 節點上 1000 tok/s 的實驗資料，對於追求高吞吐量的推理工作具有參考價值。
Import AI 459 以多角度回顧 AI 經濟增長、監督難題、資料集與蛋白質模型進展，並探討 AI 系統滅絕風險的定價。 - AI 經濟：美國 AI GDP 估計 2025 年約 2500 億美元，年增速超 2600%。
推薦理由：深入探討透過多角度分析，瞭解 AI 產業增長、監督挑戰、資料資源與生物科學突破，協助讀者把握未來趨勢。
Together AI 透過 TensorRT 多型別引擎、CUDA Graph 以及共享記憶體等技術，打造出全球最快的語音辨識堆疊，能在 10 秒內完成約 20 小時的語音轉錄。
推薦理由：本文詳細說明 Together AI 如何透過 TensorRT、CUDA Graph 與共享記憶體等技術，將語音辨識模型的延遲降至毫秒級，對需要低延遲語音 AI 的工程師極具參考價值。
Goose Agent 與 Together Dedicated Container Inference 讓開發者能在一個 session 內把 Hugging Face 上的新模型（如 Netflix 的 void‑model）部署到 GPU 背景的容器中，零配置即時使用。
推薦理由：本文示範如何利用 Goose Agent 及 Together Dedicated Container Inference，將 Hugging Face 模型零配置即時部署，縮短從發布到使用的時間，對快速實驗與落地具有實務價值。
Diffusers 0.38.0 釋出多項新功能，擴充影像、音訊與文本生成管線，並最佳化核心庫效能。
推薦理由：Diffusers 0.38.0 釋出多樣化的影像、音訊生成管線與核心效能最佳化，開發者可直接整合至現有工作流程。
Diffusers 0.37.0 透過模組化管線與多款新影像/影片模型，為開發者提供更靈活的創作與部署方案。 - 模組化管線：可組合可重用的區塊，省去從零開始編寫管線的時間。
推薦理由：Diffusers 0.37.0 透過模組化管線與多種新影像/影片模型，為開發者提供更靈活的創作與部署方案。
Diffusers 0.36.0 於 2025 年 12 月 9 日發布，內含 Flux2、Z‑Image、SAGE 等多個新影像與影片生成管線，以及 Flash Attention 3 等高效後端。
推薦理由：Diffusers 0.36.0 透過 Flux2、Z‑Image、SAGE 等新管線及 Flash Attention 3，為影像與影片生成提供更高效、可擴充的工具，開發者可直接整合進工作流程。
本倡議將於 2025 年 8 月舉行「AI 漏洞月」，聚焦代理式 AI 系統中的 Prompt Injection 漏洞，並透過每日博文揭露實際攻擊案例與緩解建議。
推薦理由：本倡議聚焦代理式 AI 的 prompt injection 漏洞，透過實際案例與緩解建議，協助開發者與安全人員快速辨識並防範新興攻擊，提升整體防護水平；同時也促進廠商快速回應與修補，為 AI 開發生態帶來更安全的基礎。
Continue 與 Ollama 讓開發者可在 VS Code 或 JetBrains 內部直接使用開源 LLM 進行程式碼補完與聊天。 - Codestral 22B：具備補完與聊天功能，需 22B 引數、較高 VRAM，適合研究測試。
推薦理由：此文示範如何在本地 VS Code 內整合 Continue 與 Ollama，並列舉多種 LLM 配置，方便開發者快速上手
導語：作者 透過對 845 個星數達 500 的開源 AI 工具進行梳理，呈現了 AI 堆疊演進、產業趨勢與中國生態差異。
推薦理由：作者透過對 845 個受星星門檻的開源 AI 工具的梳理，呈現了 AI 堆疊演進與中國生態差異，幫助讀者快速掌握趨勢與關鍵工具。