Hugging Face 详解 Xet 存储：从分块到块聚合加速 Hub 上传下载
Hugging Face 的 Xet 团队介绍其基于内容定义分块（CDC）的存储方案，通过将去重后的数据聚合为最大 64MB 的块、并用 shard 记录文件与块的映射，把 CAS 条目减少约 1000 倍，部分场景上传下载提速 2-3 倍。
推荐理由：Hugging Face 官方解释 Xet 存储如何用块级聚合替代逐块传输，读者可了解大文件上传下载提速的实现思路。
Hugging Face
全部主题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。
最新精选
第 161–180 条 · 共 303 条Hugging Face Blog精选AI 评分6262
Hugging Face Blog精选AI 评分6262 Open R1 发布 OpenR1-Math-220k 数学推理数据集
Open R1 项目发布首个大规模数学推理数据集 OpenR1-Math-220k，在 512 张 H100 上用 vLLM 和 SGLang 本地生成 80 万条 R1 推理轨迹，经 Math Verify 与 Llama3.3-70B-Instruct 过滤后保留 22 万道题。
推荐理由：Open R1 项目公开了 220k 数学推理数据集的构建流程与本地生成方案，读者可据此复现或迁移到其他领域。
Hugging Face Blog精选AI 评分7272 Hugging Face 开源 DeepResearch：用代码智能体复现搜索智能体
Hugging Face 在 24 小时复现冲刺中开源了 DeepResearch 框架，用 smolagents 的 CodeAgent 在 GAIA 验证集上达到 55.15%，超过此前开源框架 Magentic-One 的约 46%。
推荐理由：原文给出开源复现 DeepResearch 的完整方法，读者可据此了解代码智能体在 GAIA 上的表现差异。
Hugging Face Blog精选AI 评分6262 Physical Intelligence 的 π0 与 π0-FAST 移植到 Hugging Face LeRobot
Hugging Face 将 Physical Intelligence 开发的 π0 和 π0-FAST 两个机器人基础模型移植到 LeRobot 仓库，并给出 PyTorch 版本与模型合集。
推荐理由：原文给出两个 VLA 模型在 LeRobot 的移植细节与 FAST 分词原理，读者可据此判断机器人基础模型的落地路径。
Hugging Face Blog精选AI 评分6060 Open-R1 更新：复现 DeepSeek-R1 评测、训练管线与合成数据生成进展
Hugging Face 的 Open-R1 项目发布首周进展，已在 MATH-500 上复现 DeepSeek-R1 蒸馏系列模型的报告分数，并搭建了公开评测排行榜。
推荐理由：Open-R1 一周进展汇总了复现 DeepSeek-R1 评测、GRPO 训练与合成数据生成的实测细节，可供关注开源复现路径的读者参考。
Hugging Face Blog精选AI 评分6060 Mini-R1：用 GRPO 和 Countdown Game 复现 DeepSeek R1 的 aha moment
作者用 GRPO 和 Countdown Game 训练 Qwen2.5-3B-Instruct，在 4x H100 上复现 DeepSeek R1 的 aha moment，450 步后解题成功率约 50%。
推荐理由：完整复现流程与训练观察，读者可据此理解 GRPO 如何让模型自发形成推理格式。
Hugging Face Blog精选AI 评分6060 Hugging Face 在 Hub 上线 Inference Providers，接入 fal、Replicate、SambaNova、Together AI
Hugging Face 在 Hub 的模型页上线 Inference Providers，首批接入 fal、Replicate、SambaNova 和 Together AI 四家无服务器推理服务，并集成到 JS 与 Python 客户端 SDK。
推荐理由：Hugging Face 把四家无服务器推理商接入模型页与 SDK，读者可据此判断多供应商调用与计费方式的变化。
Hugging Face Blog精选AI 评分6262 Hugging Face 发起 Open-R1 项目，完整复现 DeepSeek-R1
Hugging Face 发起 Open-R1 项目，计划系统重建 DeepSeek-R1 的数据与训练流程。DeepSeek 虽开放了模型权重，但未公开训练数据集和代码，Open-R1 将分三步复现：蒸馏高质量推理数据集复现 R1-Distill 模型、复现 R1-Zero 的纯 RL 流程、展示从 base model 到 SFT 再到 RL 的多阶段训练。
推荐理由：Hugging Face 公开了复现 DeepSeek-R1 数据与训练流程的三步计划，读者可了解开源推理模型补全路径。
Hugging Face Blog精选AI 评分6262 Diffusers 团队盘点开源视频生成模型现状与优化方案
Hugging Face Diffusers 团队发布文章，梳理开源视频生成模型现状，并介绍 Diffusers 对这类模型的支持与优化方案。文章列出 CogVideoX、Mochi-1、HunyuanVideo、Allegro、LTX Video 等开源模型，指出高资源需求、泛化能力和延迟是主要限制。
推荐理由：梳理开源视频生成模型现状与 Diffusers 的显存优化组合，可据此估算本地部署成本。
Hugging Face Blog精选AI 评分6262 smolagents 新增视觉语言模型支持
Hugging Face 为 smolagents 加入视觉支持，可在智能体流程中原生使用视觉语言模型。图片既能在 run 方法中一次性传入并存入 TaskStep 的 task_images，也能通过 step_callbacks 在每步把截图写入 ActionStep 的 observation_images。
推荐理由：官方给出 smolagents 接入视觉语言模型的两条路径与回调写法，可据此改造现有智能体流程。
Hugging Face Blog精选AI 评分6262 SmolVLM 推出 256M 与 500M 两个更小尺寸模型
Hugging Face 发布 SmolVLM-256M 和 SmolVLM-500M 两款视觉语言模型，其中 256M 被称为全球最小的 VLM，共提供两个 base 和两个指令微调共四个 checkpoint。
推荐理由：SmolVLM 家族新增 256M 与 500M 两个小尺寸多模态模型，读者可据此了解小模型在视觉语言任务上的取舍与部署方式。
Hugging Face Blog精选AI 评分6262 用 Sentence Transformers 训练快 400 倍的静态嵌入模型
Hugging Face 发布方法，用 Sentence Transformers 训练静态嵌入模型，在 CPU 上比主流嵌入模型快 100 到 400 倍，同时保留大部分质量。
推荐理由：原文公开了静态嵌入模型的完整训练配方与两个已发布模型，读者可据此在 CPU 上复现高效嵌入方案。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 smolagents：用代码写动作的简单智能体库
Hugging Face 发布 smolagents，一个让语言模型获得智能体能力的轻量库，核心是 CodeAgent，即让智能体用代码而非 JSON 编写动作，并支持通过 E2B 在沙箱中执行。
推荐理由：Hugging Face 官方发布轻量智能体库，给出代码写动作的设计取舍与开源模型对比，可据此判断自建 Agent 的实现路径。
Hugging Face Blog精选AI 评分6262 如何可视化并理解 PyTorch 训练中的 GPU 显存占用
Hugging Face 发布教程，介绍用 torch.cuda.memory._record_memory_history 记录并可视化 PyTorch 训练中的 GPU 显存使用。
推荐理由：文章用 PyTorch 内存快照拆解训练各阶段显存占用，并给出可复用的显存估算公式。
Hugging Face Blog精选AI 评分6666 Answer.AI 与 LightOn 发布 ModernBERT，为 BERT 提供替代方案
Answer.AI 与 LightOn 联合发布 ModernBERT，一个编码器模型系列，包含 base（149M 参数）和 large（395M 参数）两个版本，支持 8192 序列长度，可作为 BERT 类模型的直接替换。
推荐理由：ModernBERT 把 LLM 时代的架构与训练经验搬回编码器，读者可据此判断 BERT 类模型在检索与代码场景的替换空间。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon3 开源模型家族，含 1B 至 10B 五款基础模型
阿布扎比技术创新研究院（TII）发布 Falcon3 开源模型家族，包含 Falcon3-1B-Base、3B-Base、Mamba-7B-Base、7B-Base 和 10B-Base 五款基础模型，参数规模均在 100 亿以下。
推荐理由：Falcon3 系列覆盖 1B 到 10B 五款开源模型，给出了预训练、深度扩展与蒸馏的具体做法和基准对比。
Hugging Face Blog精选AI 评分6060 Hugging Face 推出合成数据生成器，用自然语言构建数据集
Hugging Face 发布 Synthetic Data Generator，一个无代码应用，用户用自然语言描述需求即可借助 LLM 生成自定义数据集。工具目前支持文本分类和聊天数据集，分别约每分钟生成 50 和 20 个样本，底层由 distilabel 和免费的 Hugging Face text-generation API 驱动。
推荐理由：原文给出从提示词到数据集再到模型的完整无代码流程，读者可据此判断合成数据工具的实际可用边界。
Hugging Face Blog精选AI 评分6262 Google 发布视觉语言模型 PaliGemma 2，提供 3B、10B、28B 三种规格
Google 发布新一代视觉语言模型 PaliGemma 2，沿用 SigLIP 图像编码器，文本解码器升级为 Gemma 2，提供 3B、10B、28B 三种参数规格，均支持 224x224、448x448、896x896 三种输入分辨率，而上一代 PaliGemma 仅有 3B 版本。
推荐理由：Google 新视觉语言模型给出 3B 到 28B 三种规格与三档分辨率，可据此判断微调选型空间。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 SmolVLM：2B 视觉语言模型，主打低显存占用
Hugging Face 发布 SmolVLM 系列 2B 视觉语言模型，包含 Base、Synthetic 和 Instruct 三个版本，模型权重、数据集、训练配方与工具均以 Apache 2.0 协议开源。
推荐理由：2B 视觉语言模型给出显存占用与吞吐对比，可据此判断端侧多模态部署的可行边界。
Hugging Face Blog精选AI 评分6262 Universal Assisted Generation：用任意辅助模型加速解码
Intel Labs 与 Hugging Face 提出 Universal Assisted Generation（UAG），通过双向 tokenizer 转换，让目标模型与任意模型族的辅助模型配对，无需共享 tokenizer。
推荐理由：Intel Labs 与 Hugging Face 提出跨 tokenizer 的辅助生成方法，读者可了解无需同族小模型即可加速推理的思路与实测数据。