Hugging Face 的 Optimum 库通过集成 ONNX Runtime 进行训练，为许多流行的 Hugging Face 模型提供了开源解决方案，以提高训练时间 35% 或更多。Optimum 集成了机器学习加速器如 ONNX Runtime 和专用硬件，如 Intel 的 Habana Gaudi，以在训练和推理中实现显著加速。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
PaddlePaddle，自2016年起由百度开源的深度学习平台，已拥有超过535万开发者和20万家企业用户。PaddlePaddle提供多种开源库，如PaddleOCR、PaddleDetection、PaddleNLP等，并计划逐步将其库与Hugging Face Hub集成，预计将提供全系列预训练模型。
Hugging Face 博客介绍了如何使用 🤗 Transformers 和 datasets 库构建图像相似度系统，通过计算图像嵌入并使用余弦相似度来比较查询图像和候选图像的相似度。该系统使用基于 ViT 的模型和 Beans 数据集，并支持扩展到其他视觉模型和图像数据集。
OpenAI 使用 GPT-3 模型快速分析客户反馈，以生成细致的业务洞察。该应用展示了大语言模型在处理非结构化用户数据时的效率与深度理解能力。
OpenAI 通过微调 GPT-3 模型来支持并扩展“代劳式”（done-for-you）视频创作服务。该方案旨在利用大语言模型的生成能力，实现视频内容的规模化自动生产。
Hugging Face 博客介绍了如何使用 Intel Sapphire Rapids 服务器集群加速 PyTorch Transformers 的训练。通过 Intel oneAPI Collective Communications Library (CCL) 和 Intel Extension for PyTorch (IPEX) 库，可以在不修改代码的情况下实现加速。
OpenAI 使用 GPT-3 创建下一代由 AI 驱动的角色。
Hugging Face 推出模型卡片创建工具和指南，旨在提高机器学习模型的文档质量，包括模型卡片创建工具、更新模板、注释模板、用户研究和文献综述。
推荐理由：Hugging Face 推出模型卡片创建工具和指南，旨在提高机器学习模型的文档质量，对开发者、学生、政策制定者等不同背景的用户都有价值。
Hugging Face 🤗 Datasets 是一个开源库，支持用户下载和准备来自所有领域的音频数据集。其简洁的 API 允许用户通过一行 Python 代码下载和准备数据集，并提供了高效的预处理功能。
Hugging Face 推出 Bumblebee 库，实现 Hugging Face Transformers 在 Elixir 中的纯 Elixir 实现，助力 Elixir 社区 AI 发展。
Hugging Face Blog 发布了 Stable Diffusion Core ML 版本，兼容 Apple Silicon，提供了转换脚本和推理代码，并支持 CPU、GPU 和 Apple 的 Neural Engine。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
OpenAI 正式推出 ChatGPT，这是一款基于 GPT-3.5 架构的对话式 AI 模型。该模型旨在通过自然语言交互回答各类问题并协助完成文本任务。用户现可通过 OpenAI 平台直接体验其对话功能。
推荐理由：官方直接发布了新对话模型，读者可据此了解其即时可用性及基础交互能力。
Hugging Face发布2023实习生招聘计划，涵盖开源团队、科学团队及其他职位，旨在推动AI和机器学习领域的发展，并强调多元化和包容性。实习生将参与前沿项目，如加速库集成、文本到语音、具身AI、分布式训练框架等。申请者可通过Hugging Face招聘门户直接申请。
Hugging Face 提供免费推理小部件和 API，支持模型快速测试和部署；Inference Endpoints 可在 AWS 或 Azure 上部署模型，支持自动扩展和多种安全级别；Spaces 可在简单 UI 框架上部署模型，支持硬件升级。
Hugging Face 博客介绍了文档 AI 的多种用例和开源模型，包括 OCR、文档图像分类、文档布局分析、文档解析、表格检测和文档问答等，并提供了构建自定义解决方案的指导。
推荐理由：原文详细介绍了文档 AI 的多种用例和开源模型，读者可以了解如何构建自定义解决方案，并评估其对现有工作流的影响。
Hugging Face 博客介绍了一种使用 Concrete-ML 库在完全同态加密（FHE）环境下进行机器学习模型训练的方法，通过结合 transformers 和 XGBoost 实现对加密数据的情感分析，并提供了详细的教程和示例。
Hugging Face 与 arXiv 合作，将 Hugging Face Spaces 集成到 arXivLabs，通过演示标签提供社区或作者创建的演示链接。自 2021 年 10 月推出以来，Hugging Face Spaces 已被用于构建和分享超过 12,000 个开源机器学习演示。用户现在可以在 arXiv 摘要页面上找到最受欢迎的演示。
Hugging Face 正式取消 Inference API 服务的付费层级，推出 Inference Endpoints 提供快速、企业级推理服务。Spaces 引入硬件升级，支持用户选择硬件运行 ML 演示。付费服务使用需添加信用卡，账单设置集中管理个人 PRO 订阅、支付方式及过去三个月的使用情况。
OpenAI 宣布 DALL·E API 即日起进入公测阶段。开发者现在可以开始使用 DALL·E API 构建应用程序。
Hugging Face 和 Intel 合作推出 Optimum Intel 和 OpenVINO，支持在多种 Intel 处理器上使用 OpenVINO Runtime 进行推理，并可通过 OpenVINO Neural Network Compression Framework 对模型进行量化，减少模型大小和预测延迟。
Hugging Face 推出 Inference Endpoints，简化机器学习模型部署流程，支持从 Hugging Face hub 一键部署至云基础设施，提供简单、安全、可扩展的模型部署服务。用户可选择公共、受保护或私有访问权限，并通过 API 调用或界面测试模型。
Hugging Face Diffusers 从 0.5.1 版本开始支持 Flax，可在 Google TPUs 上实现超快推理，如 Colab、Kaggle 或 Google Cloud Platform。本文介绍了如何使用 JAX/Flax 运行推理，并提供了相关 Colab 笔记本链接。
Hugging Face 推出 DOI 标识符功能，允许用户直接从 Hub 生成模型或数据集的 DOI，方便学术社区引用和分享。DOI 与对象元数据绑定，提供永久链接，确保信息持久可用。通过与 DataCite 合作，用户可轻松申请 DOI，并更新模型或数据集的新版本。
OpenAI 宣布 DALL·E 现已取消等待名单，新用户可直接开始创建图像。官方指出，部署过程中积累的经验以及安全系统的改进使得更广泛的可用性成为可能。
推荐理由：官方宣布取消排队机制并开放新用户直接使用，结合安全系统改进说明了扩大可用性的背景。
Hugging Face 推出 AutoTrain 图像分类功能，允许用户无需编码即可训练模型，支持多种图像分类任务，如识别蝴蝶种类、植物疾病等。
Hugging Face 发布 Diffusers 2.0，新增图像到图像生成、文本逆转换、修复、Mac OS 支持、ONNX 导出器、新文档和社区功能，包括视频生成、模型可解释性、日语 Stable Diffusion、交叉注意力控制、可重用种子等。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
DALL·E 正式引入 outpainting 功能，支持生成任意尺寸的图像。该更新旨在扩展创作边界，帮助用户讲述更宏大的视觉故事。
Hugging Face 推出 Skops，一款开源机器学习模型托管与协作工具，支持将 scikit-learn 模型托管在 Hugging Face Hub，创建模型卡片进行文档化和协作。Skops 可用于模型训练、保存、配置文件生成、模型卡片创建、模型评估和可视化等功能。
OpenAI 推出改进版内容审核工具 Moderation endpoint，该端点优化了此前的内容过滤器。目前该工具已面向 OpenAI API 开发者免费开放使用。
Hugging Face 发布 Private Hub，旨在解决约 90% 模型无法投产的痛点。该平台整合了 Hub 上超 6 万个开源模型、数据集及 Spaces，提供从研究到生产的全生命周期工具。它支持私有化部署与合规访问控制，帮助企业加速 ML 开发流程并促进内部协作。
Hugging Face 为 🤗 Datasets 库发布新的音频和图像数据集文档，更新 Quickstart 并引入 `to_tf_dataset` 函数以简化 TensorFlow 数据转换。新增 `ImageFolder` 构建器支持无需编写脚本即可加载图像分类、描述及目标检测数据集。团队计划未来推出 `AudioFolder` 以进一步标准化音频数据处理流程。
OpenAI 宣布将 DALL·E 2 的访问权限扩展至一百万人，并计划在未来几周内逐步增加名额。新加入的用户每月可获得 100 个免费积分用于生成图像，超出部分需付费购买额外积分。由于需求巨大，目前仍有数百万人在等待列表中，系统将根据申请顺序陆续发放邀请。
推荐理由：官方宣布 DALL·E 2 向百万用户开放，提供了具体的使用额度与等待队列机制，有助于了解早期商业化落地细节。
OpenAI 为 DALL·E 实施新技术，使其生成的人物图像更准确反映世界人口多样性。该更新旨在减少模型偏见并提升安全性。
DALL·E 2 研究预览阶段，来自 118 个国家的 3000 多名艺术家已将 DALL·E 融入其创意工作流。这些早期访问用户协助发现了 DALL·E 的新用途，并在功能决策中发挥了关键作用。
OpenAI 在 DALL·E 2 中实施多种防护措施，以降低强大图像生成模型的风险。这些措施旨在防止生成的图像违反内容政策，从而支持向更广泛受众分享该模型。
Hugging Face 推出 Evaluation on the Hub，这是一项由 AutoTrain 驱动的新功能，允许用户在 Hub 上无需编写代码即可对任意模型在任意数据集上进行评估。该工具通过 Pull Request 自动将验证后的性能结果写入模型卡片元数据，并提供排行榜以辅助模型对比。目前支持文本分类、命名实体识别等任务，旨在解决现代 AI 评估中的繁琐与可复现性问题。
Graphcore 与 Hugging Face 扩展 Hugging Face Optimum 库，新增 10 款针对 IPU 优化的 Transformer 模型。
Hugging Face Hub 在 Community 标签页为模型、数据集和 Spaces 上线 Pull Requests 与 Discussions 功能。该更新允许社区成员直接参与讨论及提交代码，无需创建 fork，而是通过自定义 refs 分支简化协作流程。这是 Hub 迄今最大规模的功能升级，旨在促进机器学习领域的开源协作与伦理反馈。
OpenAI Codex 目前正通过 OpenAI API 为 70 种不同应用场景提供支持。这一进展标志着该模型在多样化用例中的实际部署规模，旨在赋能下一代应用程序的开发与运行。
DALL·E 2 研究预览版已生成超 300 万张图片，并据此优化了安全流程。OpenAI 计划每周从等待名单中新增最多 1,000 名用户以扩大测试范围。
