Claude 模型在 OpenClaw 平台上的访问限制与替代方案
Anthropic 对 Pro/Max 订阅者限制 Claude 模型在 OpenClaw 平台上的访问,但用户可通过 Hugging Face Inference Providers 或本地模型运行方式继续使用。Hugging Face 提供了丰富的开源模型选择,包括 GLM-5,每月还提供 $2 的免费推理服务。本地运行模型则可享受隐私、零 API 成本和完全控制。
Anthropic 对 Pro/Max 订阅者限制 Claude 模型在 OpenClaw 平台上的访问,但用户可通过 Hugging Face Inference Providers 或本地模型运行方式继续使用。Hugging Face 提供了丰富的开源模型选择,包括 GLM-5,每月还提供 $2 的免费推理服务。本地运行模型则可享受隐私、零 API 成本和完全控制。
Hugging Face 发布了 EVA 语音智能体评估框架,旨在评估语音智能体的准确性和用户体验。该框架使用真实对话场景,并提供了基准测试结果。
推荐理由:EVA框架为评估语音智能体提供了全面的评估方法,有助于读者了解语音智能体在准确性和用户体验方面的表现。
Hugging Face 发布了构建特定领域嵌入模型的教程,无需手动标记数据,使用 NVIDIA 的公共文档生成合成训练数据集,并提供了详细的步骤和代码。
推荐理由:原文提供了构建特定领域嵌入模型的工具和方法,读者可以了解如何将其应用于自己的工作流中。
H Company 发布了新的多模态计算机使用智能体 Holotron-12B,该模型基于 NVIDIA Nemotron-Nano-2 VL 模型进行后训练,并优化了生产中的规模和性能。Holotron-12B 在推理效率方面取得了显著提升,并在多个基准测试中表现出色。
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。
某研究机构对16个开源异步强化学习库进行了详细比较分析,包括架构设计、缓冲区设计、权重同步协议、陈旧数据管理、部分回滚处理、LoRA支持以及分布式训练后端等方面,为理解和实现异步强化学习库提供了重要参考。
推荐理由:原文详细比较了16个开源的异步强化学习库,分析了它们在架构设计上的异同,对了解异步强化学习库的设计和实现有重要参考价值。
Hugging Face Hub 推出名为 '存储桶' 的新功能,旨在为机器学习项目提供可变、类似 S3 的对象存储,支持通过 Python 脚本或 hf CLI 进行管理。该功能基于 Hugging Face 的 Xet 存储后端,旨在提高存储效率,并支持与 AWS 和 GCP 等云服务提供商的集成。
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。
Hugging Face 推出 Ulysses Sequence Parallelism (Ulysses SP),一种新的序列并行训练方法,可以有效地处理长序列,支持百万token长序列训练。该方法通过在多个GPU之间分配注意力计算,解决了长序列训练中的内存挑战,并已集成到 Hugging Face 生态系统中的多个工具和框架中。
推荐理由:Ulysses Sequence Parallelism (Ulysses SP) 是一种新的序列并行训练方法,可以有效地处理长序列,对于需要处理大量文本的任务如文档分析、代码理解和推理等具有重要意义。读者可以了解其工作原理和集成方式,评估其对现有工作流的影响。
LeRobot v0.5.0 发布,支持更多机器人(包括首个类人形机器人),引入新的策略,包括 Pi0-FAST 自回归 VLA 和实时分块,以及从 Hugging Face Hub 加载的模拟环境。
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。
本文介绍了如何在24小时内使用多种技巧训练一个文本到图像模型,包括x-prediction、感知损失、TREAD路由、REPA和DINOv3等。
推荐理由:本文介绍了如何使用多种技巧在24小时内训练一个文本到图像模型,读者可以学习到实用的训练方法和技巧。
Hugging Face 的研究论文探讨了在 Transformer 模型中应用混合专家 (MoE) 的方法,以提高模型效率和可扩展性。
推荐理由:原文介绍了 MoE 在 Transformer 模型中的应用及其优势,读者可以了解 MoE 如何提高模型效率和可扩展性。
GGML 和 llama.cpp 的创造者加入 Hugging Face,旨在支持本地 AI 社区,并推动本地推理技术的发展。项目将继续保持开源,并致力于简化用户部署和访问本地模型的方式。
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。
IBM与加州大学伯克利分校合作研究了企业级智能体在IT自动化任务中的失败原因,通过IT-Bench基准测试和MAST(多智能体系统故障分类)分析了不同模型的失败模式,为构建更可靠的智能体提供了有价值的见解。
推荐理由:原文通过实验分析了不同模型在ITBench基准测试中的失败模式,为构建更可靠的智能体提供了有价值的见解。
Gradio 6 版本新增 gr.HTML 功能,支持自定义模板、作用域 CSS 和 JavaScript 交互。用户可以使用 Claude 等大型语言模型在单次操作中生成前端、后端和状态管理,所有功能都在一个 Python 文件中实现。
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。
Hugging Face 发布了名为 'CUDA Kernels' 的智能体技能,旨在训练智能体编写生产级别的 CUDA 核心代码。该技能支持智能体针对不同的 GPU 架构进行优化,并提供了与 diffusers 和 transformers 的集成模式。
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。
OpenEnv 是 Meta 和 Hugging Face 开发的一个开源框架,用于评估 AI 代理在真实系统中的表现。Turing 贡献了一个生产级的日历管理环境,用于研究工具使用代理在现实约束下的表现。
推荐理由:OpenEnv 提供了一个评估 AI 代理在真实环境中的表现的平台,通过 Calendar Gym 等工具,可以更全面地了解代理的局限性和改进方向。
Hugging Face 发布了 Transformers.js v4,引入了新的 WebGPU 运行时,优化了性能和运行时,并重构了代码库和示例项目。
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。
Hugging Face 推出 SyGra Studio,一个将合成数据生成过程可视化的交互式环境。用户可以直接在画布上构建流程,预览数据集,调整提示词,并实时查看执行情况。SyGra Studio 支持配置和验证模型,连接 Hugging Face、文件系统或 ServiceNow 数据源,并使用 Pydantic 驱动的映射设计下游输出。
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。
H Company 发布了 Holo2-235B-A22B 预览版模型,该模型在 Screenspot-Pro 和 OSWorld G 上分别达到了 78.5% 和 79.0% 的 SOTA 记录。该模型专注于 UI 元素本地化,并使用 SkyPilot 进行大规模训练。
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。
Hugging Face在Hugging Face Blog上发布了关于文本到图像模型训练设计的研究,通过消融实验分析了各种训练技巧对模型性能的影响,包括表示对齐、训练目标、标记路由和稀疏化以及数据选择等方面。
推荐理由:本文详细介绍了Hugging Face在训练高效文本到图像模型方面的研究,包括各种训练技巧和实验结果,对理解和改进相关模型具有参考价值。
Daggr 是一个新的开源 Python 库,用于构建连接 Gradio 应用、ML 模型和自定义函数的 AI 工作流程。它自动生成一个可视化画布,您可以在其中检查中间输出、重新运行单个步骤和管理复杂管道的状态,所有这些只需几行 Python 代码!
Hugging Face 的 Claude 模型通过 upskill 工具,成功构建 CUDA 内核并教授开源模型,展示了如何利用 Claude 生成技能文件,用于复杂和特定任务的 CUDA 内核编写。实验表明,该技能在部分开源模型上提高了准确率,但在 Claude Opus 4.5 上则没有明显效果。
Hugging Face在博客中详细介绍了GPT-OSS模型在智能体强化学习训练中的应用,包括能力变化、开放入口和实验结果。
推荐理由:原文详细介绍了GPT-OSS模型在智能体强化学习训练中的应用,读者可以了解其能力变化和开放入口,从而判断其对现有工作流的影响。
AssetOpsBench 是一个综合基准和评估系统,旨在评估智能体在工业应用中的性能,包括传感器异常检测、故障推理和诊断、KPI 预测和分析等。它强调多智能体协调的重要性,并提供了一个开放、竞争就绪的基准,供社区提交智能体实现进行评估。
推荐理由:AssetOpsBench 是一个针对特定领域(如工业资产管理)的 AI 智能体基准和评估系统,它填补了 AI 基准测试与工业现实之间的差距,有助于读者了解其在工业环境中的应用潜力。
Hugging Face发布了Waypoint-1,这是一个实时交互式视频扩散模型,可以通过文本、鼠标和键盘进行控制。该模型基于10,000小时的多样化视频游戏素材进行训练,并支持实时交互体验。
推荐理由:原文介绍了Waypoint-1的实时交互式视频扩散模型,读者可以了解其能力变化和开放入口,从而判断其对现有工作流的影响。
Hugging Face 推出 Open Responses 开源推理标准,旨在解决现有生态系统中聊天机器人格式与智能体工作流程不匹配的问题,为开发者提供更丰富的功能和更好的用户体验。Open Responses 基于 Responses API,并扩展了其功能,使其更易于构建者和路由提供者之间的互操作性和协作。
推荐理由:Open Responses 是一个开源的推理标准,旨在解决现有生态系统中聊天机器人格式与智能体工作流程不匹配的问题,为开发者提供更丰富的功能和更好的用户体验。
NVIDIA 发布了 Cosmos Reason 2,这是一个用于物理 AI 的开放推理视觉语言模型。Cosmos Reason 2 在准确性和物理 AI 基准测试中排名第一,它通过提供更强的常识和推理能力,使机器人和 AI 代理能够像人类一样在物理世界中观察、理解、规划和行动。
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。
Hugging Face 发布了 Falcon-H1-Arabic,一个先进的阿拉伯语言模型家族,采用混合架构,扩展上下文能力,在阿拉伯自然语言处理方面取得显著进展。
推荐理由:Falcon-H1-Arabic 是 Hugging Face 发布的先进阿拉伯语言模型,其混合架构和扩展的上下文能力在阿拉伯自然语言处理方面取得了显著进展,对读者了解最新阿拉伯语言模型技术具有重要意义。
NVIDIA 在 CES 2026 上推出了新的开放模型,旨在使智能体在在线和现实世界中成为可能。通过使用 NVIDIA DGX Spark 和 Reachy Mini,用户可以创建自己的智能体,实现与智能体的自然交互。
AprielGuard 是一个由 ServiceNow AI 开发的 8B 参数安全-安全保障模型,旨在检测 16 类安全风险和广泛的对抗攻击,适用于各种输入格式和长上下文,具有可解释的推理功能。
推荐理由:AprielGuard 是一个针对现代大型语言模型的安全和对抗鲁棒性保障模型,能够检测多种安全风险和对抗攻击,适用于各种输入格式和长上下文,具有可解释的推理功能。读者可以了解其能力变化和开放入口,以判断它如何改变现有工作流。
NVIDIA 发布了 Nemotron 3 Nano 30B A3B 模型,并提供了完整的评估方法,使用 NeMo Evaluator 工具库进行评估,以实现结果的独立验证。
推荐理由:原文详细介绍了 Nemotron 3 Nano 的开放评估标准及其使用 NeMo Evaluator 的方法,读者可以了解如何进行模型评估和比较。
Hugging Face 推出 CUGA,一个开源的可配置 AI 智能体,支持复杂的多步骤任务,并集成到 Hugging Face Spaces 中,使实验更加容易。CUGA 提供高性能的通用智能体、可配置的推理模式、多工具集成和与 Langflow 的集成,旨在简化智能体开发。
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。
llama.cpp 服务器新增路由模式,允许动态加载、卸载和切换多个模型,无需重启服务器。该功能是用户最受欢迎的请求之一,旨在将 Ollama 风格的模型管理引入 llama.cpp。
Codex 开源了 AI 模型,提供了开放入口和主要能力变化,支持模型微调、评估、部署等功能。
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。
Hugging Face 发布了 swift-huggingface,这是一个全新的 Swift 包,提供了对 Hugging Face Hub 的完整客户端。它支持模型、数据集、空间、集合、讨论等功能,并提供了灵活的认证、OAuth 支持、可靠的下载等功能。
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。
Hugging Face 推出 Hugging Face Skills,允许 Claude 智能体进行语言模型的微调,包括提交作业、监控进度和将模型推送到 Hugging Face Hub。
推荐理由:原文介绍了 Claude 使用 Hugging Face Skills 进行模型微调的能力,读者可以了解如何利用这一工具优化工作流程。
Hugging Face 发布了 Transformers v5,这是一个开源的模型定义库,它通过简化模型定义和增强互操作性,推动了 AI 生态系统的发展。
推荐理由:Transformers v5 的发布标志着 Hugging Face 在模型定义库领域的持续发展,其开源和社区贡献的特点使其成为 AI 生态系统中不可或缺的一部分。
Hugging Face Blog发布了一篇关于连续批处理技术的博客,介绍了其原理和应用,包括KV缓存、分块预填充和稀疏批处理等。
推荐理由:原文详细介绍了连续批处理技术及其在LLM服务中的应用,读者可以了解其如何提高效率。
Hugging Face 发布了 FLUX-2 模型,该模型基于 Mistral3ForConditionalGeneration 和 Flux2Transformer2DModel,支持 PyTorch,并已在 Diffusers 中集成。
Tavily Research分享了他们在构建最先进研究智能体方面的技术经验和哲学思考,包括模型、工具和上下文工程等方面的优化。
推荐理由:原文介绍了Tavily Research在构建深度研究智能体方面的技术经验和哲学思考,读者可以从中了解未来研究智能体的发展方向。
Hugging Face Hub新增OVHcloud Inference Provider支持,用户可直接在模型页面使用gpt-oss、Qwen3等模型,享受低延迟、高可用性的AI服务。OVHcloud AI Endpoints提供按token计费,起价0.04欧元/百万token,支持文本生成和嵌入模型。