CinePile 2.0：利用对抗性精炼提升数据集质量
Hugging Face 发布了 CinePile 2.0，这是一个经过显著改进的长视频问答数据集。新数据集的改进依赖于一种新的对抗性数据集精炼方法，该方法可增强现有数据集并直接应用于未来数据集创建流程。CinePile 2.0 包含约 300,000 个训练样本和 5,000 个测试样本，其问题多样性和难度均优于现有数据集。
#Hugging Face
#Hugging Face
今日 1 条Hugging Face BlogAI 评分4747
Hugging Face Blog精选AI 评分7575 Hugging Face 发布 Stable Diffusion 3.5 大模型
Hugging Face 发布了 Stable Diffusion 3.5 大模型，提供了两个检查点：一个大型（8B）模型和一个时间步长蒸馏模型，支持少量推理。
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 BlogAI 评分5252 Hugging Face 发布语音到语音转换功能
Hugging Face 发布了语音到语音转换功能，支持多种语言，并提供了在 Hugging Face Inference Endpoints 上部署的指南。
Hugging Face BlogAI 评分5252 Hugging Face 发布 Outlines-core 0.1.0：Rust 和 Python 中的结构化生成
Hugging Face 发布了 Outlines-core 0.1.0，这是一个 Rust 版本的 outlines 核心算法，提供了更快的速度、更好的可移植性和更高的安全性，并支持多种语言集成。
Hugging Face Blog精选AI 评分6565 Hugging Face 与 Protect AI 合作：增强机器学习社区模型安全性
Hugging Face 与 Protect AI 合作，推出新的模型安全工具 Guardian，旨在增强机器学习社区的模型安全性。Guardian 可以自动扫描模型，防止潜在的恶意利用，如任意代码执行。所有公共模型存储库都将自动进行扫描。
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 BlogAI 评分3737 Llama 3.2 在 Keras 中的使用
Llama 3.2 已于两周前在 Hugging Face / Transformers 上线，可直接在 Keras 中使用，支持多种后端，包括 JAX、PyTorch 和 TensorFlow。Keras 提供了丰富的预训练模型，包括 Llama3、Gemma、StableDiffusion 等，并内置了 tokenizer，方便用户进行模型训练和推理。
Hugging Face BlogAI 评分3232 Hugging Face Transformers 更新：解决梯度累积问题
Hugging Face 的 Transformers 团队迅速响应了关于梯度累积问题的报告，通过更新代码和发布修复，确保了在梯度累积过程中损失计算的准确性。此外，团队还开放了 API，允许用户直接传递自定义损失函数，以增强模型的灵活性和适应性。
Hugging Face BlogAI 评分5252 Gradio 5 发布安全审计报告
Gradio 5 发布了安全审计报告，修复了多个安全问题，包括本地运行、部署在 Hugging Face Spaces、共享链接和供应链漏洞等方面的安全问题。
Hugging Face BlogAI 评分5555 Hugging Face 推出动态推测解码加速文本生成
Hugging Face 推出动态推测解码方法，该方法可以加速文本生成，最高可达 2.7 倍，并从 Transformers🤗 release 4.45.0 开始作为辅助生成的默认操作模式。
Hugging Face BlogAI 评分3535 Hugging Face Hub 优化 Parquet 数据去重效率
Hugging Face 团队正在优化 Hub 的存储架构，提高数据存储和更新的效率。通过实验发现，使用字节级内容定义块（CDC）去重算法，Parquet 文件去重效果良好，但Parquet格式带来的挑战需要进一步优化。团队正在探索使用相对偏移量、支持内容定义块等方案，以提高 Parquet 文件的去重能力。
Hugging Face Blog精选AI 评分7070 Hugging Face 推出 Open FinLLM 排行榜
Hugging Face 推出了针对金融领域的 Open FinLLM 排行榜，旨在评估金融语言模型在信息提取、情感分析、信用风险评估和股票走势预测等任务上的表现。该排行榜提供了一套专门针对金融行业的评估框架，涵盖多个任务类别，并使用真实世界数据集进行评估。
推荐理由：原文提供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 Blog精选AI 评分8585 Hugging Face 发布 Llama 3.2 多模态模型
Hugging Face 发布了 Llama 3.2 多模态模型，包括视觉模型和文本模型，支持在设备上运行，并提供了多种集成和部署选项。
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 BlogAI 评分4040 Hugging Face Daily Papers 页面功能探索
Hugging Face Daily Papers 页面自推出以来，已收录超过 3,700 篇论文，拥有超过 12k 订阅者。该页面提供作者论文认领、论文提交、与作者互动、相关资源链接、点赞推荐、相似论文推荐、多语言评论和翻译、订阅等功能，旨在帮助开发者、研究人员及时了解 AI 领域最新研究进展。
Hugging Face Blog精选AI 评分6565 Hugging Face 发布 FineVideo 数据集
Hugging Face 发布了 FineVideo 数据集，包含 43k 个视频，用于训练模型理解视频内容、训练扩散模型生成视频以及训练计算机视觉模型。
推荐理由：FineVideo 数据集的发布为开源视频 AI 的发展提供了重要资源，读者可以关注其如何影响现有工作流。
Hugging Face Blog精选AI 评分7070 Hugging Face发布BitNet架构：LLM极端量化新方法
Hugging Face发布BitNet架构，通过极端量化将LLM参数精度降低至1.58位，显著降低计算和内存需求。
推荐理由：原文介绍了BitNet架构及其在LLM中的应用，读者可以了解其性能和适用性。
Hugging Face Blog精选AI 评分6262 Hugging Face 推出 Datasets SQL 控制台
Hugging Face 推出 Datasets SQL 控制台，允许用户直接在 Hugging Face Hub 上运行 SQL 查询，支持 DuckDB WASM 引擎和 Parquet 文件格式，并提供多种 SQL Snippets 用例。
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 BlogAI 评分4242 HuggingChat 推出社区工具功能，赋能模型直接使用
HuggingChat 推出社区工具功能，允许用户将 HuggingFace 上的任何 Space 转换为模型可用的工具，支持图像理解、视频生成和文本语音模型等功能。用户可创建自定义工具或使用社区工具增强助手，目前该功能处于实验阶段。
Hugging Face Blog精选AI 评分7070 Hugging Face 发布 Accelerate 1.0.0，简化大规模训练和大型模型问题
Hugging Face 发布了 Accelerate 1.0.0，这是一个旨在简化大规模训练和大型模型问题的多方面库。它支持多种硬件加速器，并提供了易于使用的命令行界面。
推荐理由：原文详细介绍了 Accelerate 1.0.0 的功能和未来发展方向，读者可以了解其如何简化大规模训练和大型模型的问题，并预测 PyTorch 生态系统的未来趋势。
Hugging Face BlogAI 评分4040 Hugging Face 与 TruffleHog 合作，增强平台安全功能
Hugging Face 与 TruffleHog 合作，将 TruffleHog 的秘密扫描功能集成到平台中，以增强安全性。TruffleHog 是一款开源工具，可检测和验证代码中的秘密泄露。Hugging Face 已将 TruffleHog 集成到其自动扫描流程中，并创建了一个原生 Hugging Face 扫描器，以帮助用户主动扫描账户数据中的泄露秘密。
Hugging Face BlogAI 评分4040 🤗 LeRobotDataset：视频编码助力机器人数据集规模扩展
🤗 LeRobotDataset提出了一种轻量级、易于分享和可视化的数据集格式，通过视频编码技术将视觉模态数据集大小平均减少14%，同时保持良好的训练能力。该格式支持快速加载和播放视频帧，并兼容多种媒体播放器和浏览器。
Hugging Face BlogAI 评分3535 Hugging Face Hub 五大被低估的工具
Hugging Face Hub 拥有超过 850K 个公共模型，每月新增约 50k 个。本文介绍了五个常被忽视的工具：ZeroGPU、多进程 Docker、Gradio API、Webhooks 和 Nomic Atlas，它们可以帮助用户更轻松地构建各种 AI 解决方案。这些工具中的 ZeroGPU 提供免费 GPU 访问，适用于需要偶尔进行推理的场景。
Hugging Face Blog精选AI 评分6060 Hugging Face 通过 Flash Attention 2 提高训练效率
Hugging Face 推出新的功能，使 packed instruction tuning examples 与 Flash Attention 2 兼容，提供高达 2 倍的训练吞吐量提升，同时保持收敛质量。
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 BlogAI 评分5555 Meta Llama 3.1 405B 在 Google Cloud Vertex AI 上部署
Meta 发布了 Llama 3.1 405B，支持多语言、工具使用等能力，并提供了在 Google Cloud Vertex AI 上部署的教程。
Hugging Face BlogAI 评分3535 ggml：轻量级Transformer推理库入门指南
ggml是一个专注于Transformer推理的轻量级机器学习库，由C和C++编写，开源且由日益增长的社区积极开发。它具有最小化、易于编译、轻量级、良好的兼容性等特点，支持量化张量，内存效率极高。ggml适用于开发者入门，但需要深入了解底层编程。本文介绍了ggml的基本概念和基本用法，为后续学习和开发打下基础。
Hugging Face Blog精选AI 评分8585 Falcon Mamba：首个强大的无注意力 7B 模型发布
Technology Innovation Institute 发布了 Falcon Mamba 模型，这是一个基于 Mamba 架构的无注意力 7B 模型，可在 Hugging Face 系统中使用，具有处理长序列的能力。
推荐理由：原文介绍了 Falcon Mamba 模型的设计、性能和如何在 Hugging Face 系统中使用，读者可以了解其在处理长序列方面的优势。
Hugging Face Blog精选AI 评分7070 Hugging Face 推出统一工具使用 API
Hugging Face 推出统一工具使用 API，支持多个流行模型家族，简化了工具调用过程，并提供了完整的文档和示例。
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 Blog精选AI 评分7070 Hugging Face 收购 XetHub，推动 AI 数据和模型协作发展
Hugging Face 官方宣布收购 Seattle 基地的公司 XetHub，XetHub 的技术将帮助 Hugging Face 的数据集和模型存储更高效，并可能推动 AI 数据和模型协作的发展。
推荐理由：Hugging Face 收购 XetHub，将推动 AI 数据和模型协作的发展，并可能影响企业内部 AI 项目的协作方式。
Hugging Face BlogAI 评分4040 Hugging Face 推出 TextImage 数据增强技术，助力文档图像模型训练
Hugging Face 与 Albumentations AI 合作推出 TextImage 数据增强技术，旨在提高文档图像模型训练效果。该技术通过同时增强图像和文本，确保文本和图像在训练过程中的互动，从而提升模型对文档图像的识别准确率。TextImage 可用于在图像上插入文本，生成合成数据，并支持多种文本增强方法，如随机删除、替换和插入停用词等。
Hugging Face BlogAI 评分4242 Hugging Face Diffusers 库中的 Quanto 工具提升 Transformer-based Diffusion 模型内存效率
Hugging Face 的 Diffusers 库利用 Quanto 工具，通过量化技术显著提升了 Transformer-based Diffusion 模型的内存效率，例如 PixArt-Sigma、Stable Diffusion 3 和 Aura Flow 模型，在保持几乎无质量损失的情况下，内存使用量减少了约 30%。
Hugging Face BlogAI 评分3535 Hugging Face NVIDIA NIM API (serverless) 发布，简化AI推理服务
Hugging Face宣布推出Hugging Face NVIDIA NIM API (serverless)，为企业用户提供了一种无需服务器即可使用NVIDIA加速计算平台进行推理的新服务。
Hugging Face BlogAI 评分4040 LAVE：基于LLM的零样本VQA评估在Docmatix上的应用——我们是否还需要微调？
Hugging Face在Docmatix数据集上进行了基于LLM的零样本VQA评估，发现微调模型在DocVQA上的表现良好，但在基准测试中得分较低。研究提出了LAVE（LLM-Assisted VQA Evaluation）评估指标，以更好地评估模型在未见但语义相似的Dataset上的泛化能力。实验结果表明，LAVE在评估模型性能方面优于传统的CIDER、BLEU和ANLS指标。
Hugging Face Blog精选AI 评分8585 Hugging Face 发布 Llama 3.1 模型，支持多语言和长上下文
Hugging Face 发布了 Llama 3.1 模型，包括 8B、70B 和 405B 参数的模型，支持多语言和长上下文，并引入了 Llama Guard 3 和 Prompt Guard，同时提供了多种集成和优化工具。
推荐理由：Llama 3.1 的发布引入了多个新功能和模型，包括 8B、70B 和 405B 参数的模型，以及 Llama Guard 3 和 Prompt Guard，读者可以了解这些新功能和模型如何影响现有工作流。
Hugging Face Blog精选AI 评分7070 某产品发布智能体功能
某产品发布新的智能体功能，支持在 Apple Silicon 硬件上运行 Mistral 7B 模型，并介绍了 Core ML 的新特性和优化方法。
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。
Mistral AI精选AI 评分8585 Mistral AI 发布 Mistral NeMo 模型
Mistral AI 发布了与 NVIDIA 合作开发的 12B 模型 Mistral NeMo，提供高达 128k 的大上下文窗口，并在推理、世界知识和编码准确性方面处于其尺寸类别的最前沿。Mistral NeMo 使用了新的 tokenizer Tekken，在压缩源代码和多种语言文本方面比之前的 Mistral 模型更高效。
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 Blog精选AI 评分6262 Hugging Face 发布 Docmatix：大规模文档视觉问答数据集
Hugging Face 发布了 Docmatix，一个用于文档视觉问答（DocVQA）的大规模数据集，包含 240 万张图像和 950 万个问答对。使用该数据集对 Florence-2 模型进行微调，在 DocVQA 任务上性能提升了 20%。
推荐理由：该数据集的发布有助于提升 DocVQA 模型的性能，对开源社区具有重要意义。
Hugging Face Blog精选AI 评分7070 Hugging Face 推出 Multi-LoRA 服务：一次部署，服务 30 个模型
Hugging Face 推出 Multi-LoRA 服务，允许用户通过一次部署来服务多达 30 个模型，有效降低管理和部署成本。
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。
Mistral AIAI 评分5555 Mistral AI 发布 Mathstral 模型，专注于复杂数学问题推理
Mistral AI 发布了 Mathstral 模型，专注于解决复杂数学问题，在 MATH 和 MMLU 基准测试中取得了优异的成绩，并支持开源和微调。
Hugging Face Blog精选AI 评分8585 Hugging Face 发布 SmolLM 模型：高效且强大的小语言模型家族
Hugging Face 发布了 SmolLM 模型，这是一系列具有 135M、360M 和 1.7B 参数的最先进的小语言模型。这些模型在精心策划的高质量训练语料库上训练，并在多个基准测试中表现出色。
推荐理由：SmolLM 模型展示了小语言模型在高质量数据集上的高效训练，实现了性能和规模的强平衡，为读者提供了关于小语言模型性能的参考。
Hugging Face BlogAI 评分3535 如何利用 distilabel 创建 Argilla 2.0 聊天机器人
Hugging Face 博客介绍了如何利用 distilabel 和微调特定领域嵌入模型来创建一个既准确又吸引人的对话模型，用于理解和与用户交流技术文档。文章详细阐述了创建 Argilla 2.0 聊天机器人的过程，包括从技术文档生成合成数据集、创建向量数据库、部署聊天机器人到 Hugging Face Space，并存储交互以持续评估和改进。
Hugging Face Blog精选AI 评分6565 NuminaMath 获得首届 AIMO 进步奖
NuminaMath 在 AIMO 进步奖中获胜，展示了其在数学推理方面的能力，包括使用自然语言推理和 Python REPL 计算中间结果，以及避免过拟合的技术。
推荐理由：NuminaMath 在 AIMO 进步奖中获胜，展示了其在数学推理方面的能力，读者可以了解其背后的技术和未来发展方向。