Hugging Face 发布 upskill：用 Claude 生成 CUDA kernel 技能并教给小模型
Hugging Face 发布新工具 upskill，用大模型生成并评估 agent skill，再交给小模型使用，并以编写 CUDA kernel 为示例任务。
推荐理由：原文给出用大模型生成 Skill 再迁移到小模型的可复用流程，并附 CUDA kernel 实测数据。
#Anthropic
#Anthropic
今日 7 条Hugging Face Blog精选AI 评分6262
Hugging Face Blog精选AI 评分7171 Hugging Face 让 Claude 微调开源 LLM：Skills 工具实操教程
Hugging Face 发布 Hugging Face Skills 工具，让 Claude Code、Codex、Gemini CLI 等编码智能体能够实际提交云端 GPU 训练任务、监控进度并把模型推送到 Hugging Face Hub。
推荐理由：Hugging Face 官方教程展示用 Claude Code 等编码智能体完成微调全流程，读者可据此复现从数据校验到 GGUF 转换的完整链路。
Google DeepMind精选AI 评分8080 Google 发布智能体开发平台 Antigravity
Google 发布智能体开发平台 Antigravity，目前以公开预览形式免费提供，支持 macOS、Linux 和 Windows。平台在传统 AI IDE 之外新增 Manager 界面，可并行编排多个智能体，并通过任务列表、实现方案、截图和浏览器录制等 Artifacts 让用户验证智能体工作。
推荐理由：Google 把 IDE 改造成以智能体为中心的开发平台，读者可据此判断编码工作流的形态变化。
Hugging Face BlogAI 评分5050 VibeGame：探索 Vibe Coding 游戏开发
Hugging Face 发布 VibeGame，一个基于 three.js、rapier 和 bitecs 构建的高层声明式游戏引擎，专为 AI 辅助游戏开发设计。
OpenAI News精选AI 评分6060 OpenAI 与 Anthropic 公布联合安全评估结果
OpenAI 与 Anthropic 公布首次联合安全评估的结果，双方互相测试对方模型在失准、指令遵循、幻觉、越狱等方面的表现。评估同时呈现了进展、挑战，以及跨实验室合作的价值。
推荐理由：两家头部实验室互相测试对方模型的对齐与越狱表现，读者可了解跨实验室安全评估的做法与发现。
Hugging Face BlogAI 评分3838 如何通过 Hugging Face Spaces 让 Claude 生成图像
将 Claude 连接 Hugging Face MCP Server 后，可直接调用 ZeroGPU Spaces 上的图像生成模型。FLUX.1 Krea [dev] 主打消除"AI 感"，输出更接近专业摄影的真实质感；Qwen-Image 擅长遵循提示词与准确渲染文字，适合海报、标牌等信息图设计。用户可在 MCP 设置中添加对应 Space 工具，并同时启用两者对比效果。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布用开源模型实现 Constitutional AI 的完整配方
Hugging Face 发布了一套用开源模型实现 Constitutional AI（CAI）的端到端配方，并开源了 llm-swarm 工具，用于在 GPU Slurm 集群上基于 TGI 和 vLLM 进行可扩展的合成数据生成。
推荐理由：Hugging Face 给出用开源模型复现 Constitutional AI 的完整配方，含数据集、模型与 Slurm 集群推理工具，可迁移到自定义对齐流程。
OpenAI NewsAI 评分4040 OpenAI 与 Anthropic、Google、Microsoft 公布 Frontier Model Forum 新执行董事及 1000 万美元 AI 安全基金
OpenAI 联合 Anthropic、Google 和 Microsoft 宣布 Frontier Model Forum 新任执行董事，并设立 1000 万美元 AI 安全基金。该论坛由上述四家公司共同参与，此次更新聚焦于治理层人事与安全资金两项安排。
Hugging Face BlogAI 评分3838 Hugging Face 详解大语言模型红队测试：方法、风险与最佳实践
红队测试通过构造自然语言提示词诱导 LLM 生成有害内容，从而暴露模型漏洞，与对抗攻击不同，其提示词对人类可读。GPT3 早期版本曾表现出性别歧视与针对穆斯林的偏见，微软 Tay 和 Bing 的 Sydney 聊天机器人则是缺乏充分红队评估的反面案例。红队可由人工或另一个 LM 执行，针对经 RLHF 或 SFT 对齐的模型需采用角色扮演等创造性攻击方式，未来需建立多方协作的数据集与最佳实践。
Hugging Face BlogAI 评分5252 Hugging Face 解读对话智能体为何有用：RLHF、IFT、CoT 等技术梳理
Hugging Face 发布博客梳理让对话智能体变得有用的关键技术，包括指令微调（IFT）、监督微调（SFT）、思维链（CoT）和基于人类反馈的强化学习（RLHF）。
Hugging Face Blog精选AI 评分6262 图解基于人类反馈的强化学习（RLHF）
Hugging Face 博客图解 RLHF 的完整流程，将其拆为预训练语言模型、收集人类偏好数据训练奖励模型、用 PPO 微调语言模型三个核心步骤。文中说明奖励模型输出标量奖励，并用 KL 散度惩罚约束策略偏离初始模型，同时介绍了 TRL、TRLX、RL4LMs 等开源实现及 Anthropic 在 Hub 上发布的数据集。
推荐理由：文章把 RLHF 拆成预训练、奖励模型、PPO 微调三步，并梳理了 TRL、TRLX、RL4LMs 等开源工具与主要论文，适合作为理解该流程的入门参考。