AI 产品与应用的功能上新、改版与商业化动态——谁家的产品变强了、变贵了、能用了。
Hugging Face 与微软宣布深化合作，推出多项新功能和协作项目，包括在 Azure 模型目录中扩展 HF Collection、在 Azure 上使用新的 AMD MI300X 虚拟机、在 Hugging Face Hub 上发布更多微软模型、通过 WebGPU 实现本地推理以及推出 Hugging Face Spaces 与 VS Code 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KV Cache Quantization功能，通过量化KV缓存来减少LLM在长文本生成时的内存使用，同时保持较低的质量损失，支持更长的文本生成。
推荐理由：原文介绍了KV Cache Quantization技术，该技术可以减少LLM在长文本生成时的内存使用，同时保持较低的质量损失，读者可以了解其对现有工作流的影响。
Google 发布了新的视觉语言模型 PaliGemma，包括预训练、混合和微调模型，支持多种分辨率和精度，可在 Hugging Face Hub 模型仓库中找到。
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 LangChain 合作推出 langchain_huggingface 包，旨在将 Hugging Face 模型的能力引入 LangChain，提供更高效的模型利用方式。
推荐理由：langchain-huggingface 包的发布将 Hugging Face 模型的能力引入 LangChain，为用户提供了更高效的模型利用方式，对现有工作流可能产生积极影响。
Hugging Face 发布了 Transformers Agents 2.0，引入了两个新的智能体，可以基于过去的观察迭代以解决复杂任务。新版本提供了更清晰的代码和模块化设计，增加了社区智能体的共享选项，并升级了性能，使其在 GAIA 领导板上的表现优于基于 GPT-4 的智能体。
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 宣布推出新的 API 功能。该更新面向开发者，旨在扩展模型服务能力。
推荐理由：OpenAI 官方发布新 API 能力，开发者可据此评估接入成本与功能边界。
Hugging Face 推出 Open CoT Leaderboard，用于评估大型语言模型在生成有效推理链方面的能力，通过比较带有和不带有思维链提示的准确率差异来衡量模型性能。
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 发布了多用途 Transformer 智能体 Jack of All Trades (JAT)，该智能体能够在多个任务上表现出色，包括游戏、机器人控制和简单导航环境中的命令执行。JAT 使用了改进的 Transformer 架构，并集成了多种数据集和专家策略。
推荐理由：原文介绍了 JAT 智能体及其在多个任务上的表现，读者可以了解其能力并评估其对现有工作流的影响。
Hugging Face 发布了 Idefics2，一款能够处理文本和图像输入并生成文本响应的多模态模型。Idefics2 在视觉问答基准测试中表现出色，并支持多种多模态应用。
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 Hub 推出 Deploy on Google Cloud 功能，允许用户将数千个开源基础模型轻松部署到 Google Cloud，使用 Vertex AI 或 Google Kubernetes Engine (GKE)。该功能简化了开源生成式 AI 模型的访问和部署流程，为开发者提供了便捷的解决方案。
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。
Google 发布了 CodeGemma 代码大语言模型家族，包括三个版本：2B 基础模型、7B 基础模型和 7B 指令模型。这些模型在 Hugging Face Hub 上提供，并支持与 Google Cloud 和 Inference Endpoints 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 与 Wiz Research 合作，通过集成 Wiz 的安全工具，提升平台安全性，并开源相关安全工具，以促进 AI/ML 生态系统的安全发展。
推荐理由：Hugging Face 与 Wiz Research 合作，提升平台和 AI/ML 生态系统的安全性，读者可以关注其安全改进和开源合作对行业的影响。
Hugging Face 发布了 SetFit 模型优化工具，通过 🤗 Optimum Intel 优化，可以加速 SetFit 模型的推理速度，最高可达 7.8 倍。
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 Cloudflare Workers AI 集成，为开发者提供无服务器 GPU 推理服务，简化了开源生成式 AI 模型的访问和部署。开发者可以无需管理 GPU 基础设施和服务器，以极低的运营成本构建强大的生成式 AI 应用。
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。
Pollen Robotics发布开源库Pollen-Vision，用于机器人视觉感知，支持3D物体检测和分割，旨在帮助机器人自主抓取未知物体。
推荐理由：原文介绍了Pollen-Vision库，这是一个用于机器人视觉感知的开源工具，读者可以了解其功能和应用场景。
Hugging Face 推出嵌入量化技术，通过将浮点数嵌入转换为二进制或标量（int8）嵌入，显著降低内存和存储使用，提高检索速度，并降低成本。
推荐理由：原文介绍了嵌入量化技术及其在检索速度、内存使用、磁盘空间和成本方面的改进，读者可以了解这项技术如何改变现有工作流。
Hugging Face 与 Lighthouz AI 合作推出 Chatbot Guardrails Arena，旨在通过社区大规模盲测试评估 AI 聊天机器人隐私保护机制的有效性。该平台允许用户与受隐私保护机制限制的匿名大型语言模型进行对话，并投票选择隐私保护能力更强的模型。
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 与英特尔合作，推出Phi-2模型在Intel Meteor Lake笔记本电脑上运行，通过硬件加速、小型语言模型和量化技术，实现了在个人电脑上运行大型语言模型的可能性，提高了隐私性、降低了延迟和成本。
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。
BigCode 发布 StarCoder2，新一代开源代码大语言模型，基于 The Stack v2 数据集训练，提供 3B、7B 和 15B 参数的模型版本。
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 AI 发布了其最新的语言模型 Mistral Large，该模型具备高级推理能力，支持多语言，并可通过 Azure 平台使用。Mistral AI 还推出了优化模型 Mistral Small，适用于低延迟工作负载。
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。
