Hugging Face 构建 Jupyter Agent，让模型直接在 Jupyter Notebook 中执行代码完成数据分析任务，并以 Qwen3-4B-Thinking-2507 为基线做微调。通过将脚手架精简到约 200 行代码，DABStep 简单任务准确率从 44.4% 提升至 59.7%。该基准上现有最强模型 Claude 4 Sonnet 在困难任务上准确率不足 20%。
Hugging Face Blog 介绍 mmBERT，一个在 1800 多种语言、3T+ tokens 文本上训练的大规模多语言编码器模型。它基于 ModernBERT 架构，采用 60→110→1833 语言的三阶段训练和从 30% 降到 5% 的动态掩码策略，首次在 XLM-R 基础上取得全面提升，推理吞吐量提升 2-4 倍并支持 8192 tokens。
推荐理由：mmBERT 把 ModernBERT 扩展到 1800 多种语言，并给出三阶段训练和低资源语言学习的可迁移方法。
Google 发布 EmbeddingGemma，一个面向端侧场景的多语言嵌入模型，308M 参数、2K 上下文窗口，支持 100 多种语言。该模型基于 Gemma3 骨干并改为双向注意力，量化后内存占用低于 200 MB，作者称其在 500M 参数以下的纯文本多语言嵌入模型中 MTEB 排名最高。
推荐理由：读者可以据此了解 308M 参数多语言嵌入模型在 MTEB 上的位置以及端侧 RAG 的落地路径。
SandboxAQ 开源 Structurally Augmented IC50 Repository（SAIR），包含超 500 万个 AI 生成的高精度蛋白质-配体 3D 结构，每个结构都配有来自 ChEMBL 或 BindingDB 的实验测定 IC₅₀ 数据，以 CC BY 4.0 许可免费开放。
Hugging Face 介绍在 ZeroGPU Spaces 上用 PyTorch 提前编译（AoT）加速模型推理的方法，Flux、Wan、LTX 等模型可获得 1.3× 至 1.8× 的提速。
推荐理由：Hugging Face 官方给出在 ZeroGPU Spaces 上启用 AoT 编译的完整步骤与避坑细节，并验证了 1.3–1.8 倍的生成加速，对需要优化 GPU demo 的开发者有直接参考价值。
HF Mirror 发文介绍如何把 Claude 连接到 HF Mirror Spaces 来生成图像，并推荐专注自然真实感的 FLUX.1 Krea [dev] 和擅长文字渲染的 Qwen-Image。
Hugging Face 推出 Research Tracker MCP，让 AI 通过自然语言调用研究工具，自动在 arXiv、GitHub 和 Hugging Face 之间检索论文、代码与模型。
Hugging Face 发布 kernel-builder 使用指南，演示如何从零编写一个 CUDA kernel（以 RGB 转灰度为例），将其注册为原生 PyTorch 算子并发布到 Hugging Face Hub。
AI-MO 与 Kimi 开源 kimina-prover-rl 训练流程，基于 DeepSeek-R1 式"先推理后生成"范式，兼容 Verl 框架，并随附 1.7B 与 0.6B 两个模型。
Hugging Face 推出 FilBench，一个覆盖 Tagalog、Filipino 和 Cebuano 三种菲律宾语言的评测套件，含文化知识、经典 NLP、阅读理解、生成四大类共 12 项任务，并基于 Lighteval 构建，已作为社区任务上线官方 Lighteval 仓库。
Hugging Face Accelerate 联合 Axolotl 集成 ND-Parallel，可在训练脚本中自由组合数据并行、FSDP、张量并行和上下文并行等策略，通过 ParallelismConfig 类配置各项并行度。
Hugging Face 发布开源无代码工具 AI Sheets，可用 AI 模型构建、转换和增强数据集，支持本地部署或在 Hub 上运行。工具以类电子表格界面操作，通过写提示词新建列，可调用 Hub 上的数千个开放模型（含 OpenAI 的 gpt-oss）或本地模型，单次导入上限 1000 行。
推荐理由：原文给出从建表、加列到导出配置的完整链路，读者可据此判断无代码数据集工作流能省下哪些步骤。
Hugging Face 的 TRL 新增 Mixed Preference Optimization（MPO）、GRPO 和其变体 GSPO 三种视觉语言模型对齐方法，并扩展 RLOO、Online DPO 支持 VLM。
OpenAI 发布开源权重模型系列 gpt-oss，包含 117B 参数的 gpt-oss-120b 和 21B 参数的 gpt-oss-20b，均为采用 MXFP4 4-bit 量化的 MoE 模型，使用 Apache 2.0 许可。
推荐理由：Hugging Face 汇总了 gpt-oss 两个开源权重模型的参数、部署路径与生态适配情况，适合了解本地运行条件。
NVIDIA AI-Q Blueprint 在 DeepResearch Bench 的"LLM with Search"榜单上以 40.52 分登顶，成为得分最高的完全开源许可方案。
Hugging Face 推出 3LM（علم），首个专门评估阿拉伯语 LLM 在 STEM 与代码生成能力的多组件基准，包含 865 道真实 STEM 选择题、1744 道合成高难度题，以及译成阿拉伯语的 HumanEval+ 和 MBPP+ 代码任务。
Hugging Face 博客演示了如何用 Gradio 的 MCP 集成在 Python 中搭建 AI 购物助手，只需在 launch() 中设置 mcp_server=True，Gradio 便会把 Python 函数自动转换为带名称、描述和输入 schema 的 MCP 工具，并支持实时进度通知与文件上传。
Hugging Face 发布开源免费的实验追踪 Python 库 Trackio，提供本地 Gradio 仪表盘，并可将仪表盘同步到 Hugging Face Spaces 以 URL 或 iframe 分享。
Hugging Face 把 HF Mirror CLI 从 huggingface-cli 正式更名为 hf，命令按资源重新分组为 hf auth、hf cache、hf repo、hf upload、hf download 等，旧命令仍可用但会提示弃用警告。
Parquet Content-Defined Chunking（CDC）已在 PyArrow 和 Pandas 中可用，可在 HF 的 Xet 存储层上对 Parquet 文件高效去重，只上传或下载变更的数据块。
Hugging Face 博客给出用 Diffusers 和 PEFT 加速 Flux.1-Dev 上 LoRA 推理的优化方案，组合 Flash Attention 3、torch.compile 和 FP8 量化，在 H100 上相对基线提速 2.23 倍。
NVIDIA 推出面向 Hugging Face 的 NIM 推理微服务，可在单个 Docker 容器中部署超过 10 万个 LLM。NIM 会自动识别模型格式与量化类型（如 FP16、FP8、INT4），并在 NVIDIA TensorRT-LLM、vLLM 和 SGLang 之间选择后端，免去手工配置。
Arc Institute 发起 Virtual Cell Challenge，要求参赛者训练模型预测在部分未见过的细胞类型中沉默某个基因的效果，即"上下文泛化"。
Consilium 是开发者在 Gradio Agents & MCP Hackathon 期间构建的多 LLM 平台，让 AI 模型通过结构化辩论讨论复杂问题并达成共识，支持多数投票和排序选择等决策模式。
Hugging Face 发布 FutureBench，通过让 AI 智能体预测真实未来事件来评测其推理能力，避免传统基准的数据污染问题。该基准用基于 smolagents 的智能体抓取新闻生成预测问题，并接入 Polymarket 预测市场，每周分别产出约 5 个新闻问题和 8 个市场问题，答案可随时间验证。
Gradio 5.38.0 为 Gradio MCP Server 带来五项改进：新增 "File Upload" MCP server 让智能体直接上传本地文件，实时流式推送进度通知，并可用 gr.load_openapi 一行代码将 OpenAPI schema 转为 MCP server。
Hugging Face 推出 Ettin，首个用相同数据（2T tokens）、架构和训练配方训练的 SoTA 配对编码器与解码器模型套件，参数覆盖 17M-1B。
Hugging Face 宣布把 Hub 存储后端从 Git LFS 迁移到 Xet，6 个月内已有 50 万个仓库、20 PB 数据迁入，超过 100 万用户在用。
Hugging Face 开发了 hf.co/mcp 的 MCP Server，让 AI 助手通过一个 URL 远程访问 Hub 与 Spaces 上数千个 AI 应用，并支持用户按需自定义工具。生产环境选择 MCP 的 Streamable HTTP 传输，采用无状态、Direct Response 配置；开源代码同时支持 STDIO、SSE 与 Streamable HTTP。
Hugging Face 发布 Python 库 ScreenEnv，可在 Docker 容器中创建隔离的 Ubuntu 桌面环境，用于测试和部署能看、能点击、能与真实应用交互的 GUI（Computer Use）智能体。
推荐理由：Hugging Face 把桌面智能体的沙箱环境做成了可直接 pip 安装的库，读者可据此判断 GUI Agent 的搭建与部署成本变化。
Hugging Face 发布博客介绍机器人异步推理，将动作预测与动作执行解耦，让机器人在 PolicyServer 计算下一段动作时继续执行当前动作队列，从而消除等待推理的空闲时间。
Hugging Face 与 Pollen Robotics 联合发布开源机器人 Reachy Mini，Lite 版 399 美元、带计算与电池的 Compute 版 499 美元，预计约 90 天发货。
Hugging Face 博客介绍如何通过 Gradio MCP Servers 为 LLM 扩展能力。Gradio 从 5.28.0 版本起支持 MCP 协议，使 Hugging Face Spaces 上的数千个 AI 应用成为 LLM 可直接调用的工具。
Hugging Face 发布 SmolLM3，一个 3B 全开源模型，训练于 11.2T tokens，支持英语、法语、西班牙语、德语、意大利语和葡萄牙语，上下文窗口达 128k。
推荐理由：Hugging Face 公开了 3B 模型的完整训练配方与数据配比，读者可了解小模型在长上下文和双模式推理上的工程路径。
Hugging Face 在 nanoVLM 项目中发现，训练中约 60% 的 batch 被无用的 padding token 占据，GPU 大量空转。其博客给出五阶段数据管道方案：从朴素 padding、固定长度裁剪，到用背包问题（knapsack）动态打包序列，并借助 IterableDataset 与生产者-消费者队列实现多模态数据的按需组批，尽量减少填充浪费。
HF Mirror 基础设施团队公开支撑其生产环境的三类核心告警：NAT 网关吞吐量过高告警用于监控出网流量，可在流量激增或重构时触发以优化成本；Hub 请求日志归档成功率告警依托 Filebeat、Logstash 与 Elasticsearch 组成的日志管道，保障模型使用数据的采集与归档。
Hugging Face 宣布举办 NeurIPS 2025 E2LM 竞赛，面向科学知识领域构建能在 LLM 训练早期（约 200B tokens 前）捕捉有效信号的新基准。
Sentence Transformers 现已支持训练和微调稀疏嵌入模型，微调后的 sparse-encoder/example-inference-free-splade-distilbert-base-uncased-nq 成本低廉，尤其适合混合搜索和检索重排场景。
NVIDIA Llama Nemotron Nano VL 已上架 Hugging Face，这是一款 8B 视觉语言模型，面向智能文档处理与 OCR。
Gemma 3n 正式在 transformers、timm、MLX、llama.cpp、Transformers.js、Ollama、Google AI Edge 等主流开源库上线，共发布 gemma-3n-E2B 与 gemma-3n-E4B 两种尺寸，各有 base 和 instruct 变体。
推荐理由：原文给出 Gemma 3n 的端侧内存占用、多模态编码器与各开源库集成方式，可据此判断本地部署门槛。