Hugging Face 开源社区动态：热门模型与数据集、排行榜变化与开源生态的晴雨表。
Hugging Face 发布了开源训练管道 Kimina-Prover-RL，用于 Lean 4 中的形式化定理证明，包括两个模型 AI-MO/Kimina-Prover-RL-1.7B 和 AI-MO/Kimina-Prover-RL-0.6B，均达到新的开源模型性能水平。
推荐理由：Kimina-Prover-RL 是一个开源的训练管道，旨在训练大型语言模型解决 Lean 4 中的形式化证明目标，读者可以了解其结构和应用场景。
Arm 发布了 ExecuTorch 0.7 beta，其中 KleidiAI 将默认启用，为基于最新 Arm CPU 架构的设备以及大量基于早期版本的现有手机提供自动加速。Android 和跨平台开发者可以通过 ExecuTorch 和 XNNPack 立即访问 KleidiAI AI 性能优化。
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 AI Sheets，一款无需代码即可使用 AI 模型构建、丰富和转换数据集的开源工具。该工具与 Hugging Face Hub 和开源 AI 生态系统紧密集成，提供类似电子表格的用户界面，支持快速实验和迭代。
推荐理由：AI Sheets 是一款无需代码即可使用 AI 模型构建、丰富和转换数据集的开源工具，读者可以了解其功能和应用场景，判断它如何改变现有工作流。
TRL 引入了多种新的多模态对齐方法，如 MPO、GRPO 和 GSPO，以及 RLOO 和 Online DPO，扩展了 VLM 的对齐能力，并提供了训练脚本和示例笔记本。
推荐理由：TRL 引入了多种新的多模态对齐方法，如 MPO、GRPO 和 GSPO，以及 RLOO 和 Online DPO，扩展了 VLM 的对齐能力，读者可以了解这些方法如何改变现有工作流。
OpenAI 发布了 GPT OSS 开源模型家族，包括两个模型：gpt-oss-120b 和 gpt-oss-20b，适用于强大的推理、智能体任务和多样化的开发者用例。
推荐理由：OpenAI 发布了新的开源模型家族 GPT OSS，包括两个模型：gpt-oss-120b 和 gpt-oss-20b，适用于强大的推理、智能体任务和多样化的开发者用例。
NVIDIA 的 AI-Q 模型在 DeepResearch Bench 的评测中取得了优异成绩，该模型基于 Llama Nemotron，展示了开源 AI 生态在真实场景中的强大能力。
推荐理由：AI-Q 模型在 DeepResearch Bench 的评测中取得了优异成绩，展示了开源 AI 生态在真实场景中的强大能力。
Hugging Face 发布了 3LM，这是一个针对阿拉伯语 LLM 在 STEM 和代码生成领域的基准，旨在评估模型在特定技术领域的表现。
推荐理由：3LM 作为首个针对阿拉伯语 LLM 在 STEM 和代码生成领域的基准，为评估阿拉伯语模型在特定技术领域的表现提供了新的工具。
TimeScope 是一个开源的评测基准，用于衡量视觉-语言模型理解长视频的能力。通过在视频中插入短视频片段，评估模型在局部检索、信息综合和细粒度时间感知方面的能力。
推荐理由：TimeScope 评测基准揭示了当前视频大模型在理解长视频方面的不足，为模型训练和评估提供了新的视角。
NVIDIA发布NVIDIA NIM，用于在Hugging Face上加速部署超过10万个LLM，简化AI模型部署，加快创新和AI构建者的价值实现。
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。
Consilium是一个多LLM协作平台，允许AI模型通过结构化辩论讨论复杂问题并达成共识。该平台可作为视觉Gradio界面和MCP服务器，与Cline等应用程序集成。
推荐理由：原文介绍了Consilium的多LLM协作平台，读者可以了解其功能和潜在应用场景。
Hugging Face 发布了 Ettin Suite，包括一系列 SoTA 配对编码器和解码器模型，通过相同的训练数据和训练方法，实现了编码器和解码器模型之间的公平比较。
推荐理由：Ettin Suite 提供了编码器和解码器模型之间的公平比较，对理解不同架构的优势具有重要意义。
Hugging Face Hub 完成从 Git LFS 到 Xet 的迁移，超过一百万用户正在使用 Xet，新用户和组织默认使用 Xet。迁移过程中，Hugging Face 保持了零摩擦体验，并计划开源 Xet 协议和整个基础设施堆栈。
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Gradio MCP服务器，允许用户通过MCP协议将各种工具连接到LLM，从而扩展其功能，例如图像编辑、网页浏览等。
推荐理由：原文介绍了Gradio MCP服务器如何扩展LLM的能力，读者可以了解如何利用这些工具提升LLM的功能。
Hugging Face 发布了 SmolLM3，一个具有 3B 参数的小型语言模型，支持多语言和长上下文推理。该模型在多个基准测试中表现出色，并提供了详细的工程细节和训练方法。
推荐理由：SmolLM3 是一个开源的 3B 模型，具有多语言和长上下文推理能力，读者可以了解其性能和工程细节。
NVIDIA 发布了 Llama Nemotron Nano VLM，这是一个先进的 8B 视觉语言模型，专为智能文档处理设计，可在 Hugging Face 上使用。该模型在 OCRBench v2 基准测试中表现出色，能够从复杂的文档中提取和理解信息，如发票、收据、合同等。
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。
Gemma 3n 模型作为一款本地运行的多模态模型，现已全面开源，支持图像、文本、音频和视频输入。模型提供两种大小，分别为 5B 和 8B 参数，且在内存效率方面有所改进，只需 2B 和 4B VRAM。模型支持 140 种语言文本和 35 种语言的多模态交互。
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 Groq 作为推理提供商，支持多种文本和对话模型，包括 Meta 的 Llama 4 和 Qwen 的 QWQ-32B，提供快速 AI 推理服务，并集成到 Hugging Face Hub 和客户端 SDK 中。
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 与 NVIDIA 合作推出训练集群服务，旨在使大型 GPU 集群更容易为全球研究机构获取，以训练各个领域的未来基础模型。服务提供 GPU 集群的可访问性，并允许根据训练运行的时间付费。
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 ScreenSuite，这是一个用于评估 GUI 代理性能的全面基准测试套件。它涵盖了 13 个基准测试，用于评估 GUI 代理的感知、定位、单步动作和多步代理能力。ScreenSuite 支持多种环境，包括桌面和移动设备，并提供自定义 Docker 容器以简化部署。
推荐理由：ScreenSuite 提供了一个全面的 GUI 代理评估套件，有助于评估 VLM 在多个代理能力方面的表现，读者可以据此了解 GUI 代理的最新进展和评估方法。
nanoVLM团队在nanoVLM仓库中实现了KV Caching，提高了生成速度38%。文章详细介绍了KV Caching的原理和实现过程，适用于所有自回归语言模型的生成。
推荐理由：原文详细介绍了KV Caching在nanoVLM中的实现，读者可以学习到如何优化自回归语言模型的生成效率。
