Hugging Face 将人形机器人接入 LeRobot
Hugging Face 博客介绍如何将人形机器人接入 LeRobot 全栈开源机器人学习库,以 Unitree G1 为平台,采用 OpenHLM 方案:π0.5 策略根据语言、相机观测和机器人状态预测 SONIC 潜在运动 token,再由运行在 G1 上的快速全身控制器解码为 29 自由度动作。团队通过 VR 遥操作采集约 100 条、71 分钟的全身
公司与模型 · 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
关联由结构化实体与正文位置共同判定 · 最近刷新 2026-09-27 04:44
Hugging Face 博客介绍如何将人形机器人接入 LeRobot 全栈开源机器人学习库,以 Unitree G1 为平台,采用 OpenHLM 方案:π0.5 策略根据语言、相机观测和机器人状态预测 SONIC 潜在运动 token,再由运行在 G1 上的快速全身控制器解码为 29 自由度动作。团队通过 VR 遥操作采集约 100 条、71 分钟的全身
Hugging Face 博客发布 Optimum-Intel v2.2.0 与 OpenVINO GenAI 2026.4.0 更新。Optimum Intel 2.2 扩展了模型导出支持,新增 Mistral 3、DeepSeek-OCR-2、Gemma 4、Qwen-Image、LTX-2、Fun-ASR 等模型,并支持 DFlash 与 MTP 投机
Hugging Face 发布 funes,一个为编码智能体提供本地记忆的工具,基于 Lance 数据集构建。它把 Claude Code、Codex、pi 和 Hermes 的历史会话轨迹索引到一个本地 Lance 数据集中,并提供 recall 和 get 工具让智能体在需要旧上下文时检索原始片段。索引过程完全本地、确定性,不经过 LLM 摘要,并支持凭
Hugging Face 开源了 Reef 基础设施,旨在让智能体(harness + 模型)能够从经验中持续自我进化。Reef 以推理为核心,提供标准 OpenAI 格式推理端点,并将推理轨迹、执行结果和用户反馈存储为结构化经验流,支持模型权重与 harness(提示、记忆、技能、工具、编排逻辑)的联合更新。其目标是让开源社区更容易实验持续自我改进,并获得
Hugging Face 的 PEFT 库在 v0.21.0 版本中原生集成了 ShadowPEFT 方法。ShadowPEFT 采用与 LoRA 不同的适配器结构,引入一个可随层持续更新的影子模型,形成双向耦合的信息流动,使适配器本身成为一个可独立运行的模型。在 GSM8K 数学推理和 DreamBooth 图像生成任务上,ShadowPEFT 用更少或相
AWS Machine Learning Blog 介绍如何用编码代理(Kiro、Claude Code)在 Amazon SageMaker AI 上部署 Hugging Face 模型。文章指出无引导的代理会因部署知识过时而选错服务容器(如 TGI 无法加载 Qwen3),导致健康检查失败和 GPU 浪费;为此 Hugging Face Skills 提
Anthropic CEO Dario Amodei 呼吁行业与政府协调放缓前沿 AI 开发,并要求反垄断豁免以实施该计划,Sam Altman、Elon Musk 等人表示支持。Cohere CEO Aidan Gomez 批评该提议是设置进入壁垒、锁定市场的「卡特尔」,Hugging Face 工程师 Niels Rogge 称其为「最离奇的胡言乱语」。
Hugging Face 的 PEFT 库正式将 ShadowPEFT 纳入为一等方法。ShadowPEFT 与 LoRA 的适配器几何结构根本不同,但共用 get peft model 入口和适配器保存/加载路径。它引入一个带持久隐藏状态的有状态影子模型,在每层进行影子注入、基础编码和影子更新,实现跨层协调,并让任务特定组件成为可独立推理的模型。
Hugging Face 在其 security.txt 文件中加入了一段面向 AI 智能体的说明,称若被指示寻找漏洞,可前往 GitHub 上公开的 CyberGym 基准测试获取高分,无需攻击 Hugging Face,并顺带建议把模型权重上传到 Hugging Face。该内容由 Simon Willison 的博客引用,反映了 AI 智能体被用于漏洞
Hugging Face Transformers 库发布 v5.17.0 版本,新增多个模型支持,包括 HYV4、VibeVoice、NeoMME、Fun-ASR-Nano、KimiLinear 和 Canary。这些模型涵盖语言、语音、多模态等不同领域,并引入了多种创新架构。该版本扩展了 Transformers 的模型生态,为开发者提供了更多选择。
Hugging Face 推出了内置在其聊天机器人中的 AI 助手“ML Intern”,允许用户通过对话描述想法来运行机器学习实验,无需专业知识。该助手能搜索模型和数据集、估算成本并自动执行训练、监控和报告等任务。Hugging Face 表示,示例实验运行约六小时,成本不到 0.50 美元。此举降低了机器学习项目的门槛,而 Hugging Face 正被
Hugging Face 与 Earthmover 联合发布博客,旨在简化开源 AI 天气预报模型的运行流程。文章指出,尽管模型权重开放,但计算、存储和带宽问题阻碍了实际应用。他们提供了使用 Earthmover 数据平台和 Hugging Face 的教程,演示如何运行 ECMWF AIFS、Microsoft Aurora 等模型,并对比 ERA5 数据
Hugging Face 发布了 Open Yap 1K 数据集,包含 1,000 小时的双通道英语自然对话录音,采样率为 48kHz,免费供商业和研究使用。该数据集通过自建应用让朋友和家人自然通话录制,捕捉了真实对话中的打断、重叠、笑声等特征,旨在为全双工语音模型提供训练数据。相比 Fisher 和 Switchboard 等旧数据集,Open Yap 1
Hugging Face 与 Qdrant、Vultr 合作发布了 Qdrant-FineWeb-10B,这是一个包含 100 亿向量的开源向量搜索基准数据集,基于 FineWeb 语料库生成。同时,Qdrant 开源了 Supernova 框架,用于自动化嵌入生成、暴力 ground truth 计算、数据库加载和评估。该数据集和框架旨在解决现有基准在规模
Hugging Face旗下Pollen Robotics发布的Microduck开源双足机器人,售价399美元,引发对端侧AI的关注。文章指出,端侧AI需从简单小模型向复杂大模型演进,后摩智能的存算一体芯片M50已应用于联想AI主机P7和长城N90 Pro笔记本,支持本地大模型运行,展示了端边大模型的落地可能。
Hugging Face 博客文章探讨了在智能体时代进行技术写作的方法,强调将主要结果前置、利用可视化手段吸引读者,并借助编码智能体快速生成多种图表和交互式内容。文章还建议对智能体生成的文字进行严格审查,确保术语定义清晰、逻辑连贯,并引用相关工作和基线。作者认为,随着工具进步,技术写作质量也应相应提升。
Hugging Face 博客发布了关于 VLANeXt 的介绍,这是一个面向机器人研究的开源代码库,旨在系统性地探索 VLA(视觉-语言-动作)模型的设计空间。作者从 RT-2 风格的基线出发,通过超过 500 个实验,提炼出构建强 VLA 模型的实用配方,并扩展了代码库以支持多种模型规模和训练目标。该工作基于 ICML 论文,并提供了多个基线模型,以促进
Hugging Face 博客文章解释了现代LLM中的“engram”概念,即通过哈希多个token序列来创建额外嵌入,以缓解感知机学习局部序列信息的负担。文章指出engram本质上是嵌入,但通过哈希n-gram序列实现条件记忆,并讨论了哈希冲突、置信门控等技术细节。该方法由DeepSeek和美团等提出,旨在提升模型对常见序列的记忆能力,同时保留注意力机制处
OpenAI首席科学家Jakub Pachocki表示,未发布的Astra模型已达到其2026年9月设定的“自动化AI研究实习生”目标,而Sama在《时代》采访中估计OpenAI将在2026年12月内部宣布实现AGI。此外,Hugging Face与Pollen Robotics联合推出399美元的开源双足机器人Microduck,支持模拟训练和强化学习定制
Hugging Face 于周四发布了售价 399 美元的开放源代码鸭子机器人 Microduck,该机器人高 25 厘米,可蹒跚行走、用喙拾取物品、跌倒后自行站起、蹲下甚至溜冰。CEO Clem Delangue 表示,这是开源、平价机器人时代的开端,旨在普及物理 AI 和世界模型。Microduck 配备摄像头、激光雷达和两个 IMU,其行为可在模拟中训