A Complete Guide to Audio Datasets★ 70
Hugging Face Blog1267d agoTutorialHugging Face 發布音訊資料集處理指南，詳細解析如何利用 datasets 庫管理語音與音訊資料。內容涵蓋 Audio 特徵類型的自動解碼與重採樣、使用 Streaming 模式免下載即時處理超大型資料集，以及搭配 AutoFeatureExtractor 進行模型訓練前的預處理。這為語音識別（ASR）與音訊分類任務提供了標準化且高效的工作流。
Faster Training and Inference: Habana Gaudi®2 vs Nvidia A100 80GB
Hugging Face Blog1268d agoCommentaryHugging Face 發布 Habana Gaudi2 與 Nvidia A100 80GB 的基準測試對比。結果顯示，Gaudi2 在 BERT 和 T5 等主流模型的訓練速度上比 A100 快上近兩倍。透過 optimum-habana 庫，開發者只需修改極少程式碼即可無縫轉移，為 Nvidia 晶片短缺與高成本提供了強力的替代方案。
Illustrating Reinforcement Learning from Human Feedback (RLHF)★ 85
Hugging Face Blog1273d agoTutorial本文為 Hugging Face 撰寫的經典科普指南，深入淺出地解析了「人類回饋強化學習 (RLHF)」的運作機制。RLHF 是讓大型語言模型（如 ChatGPT）符合人類意圖（對齊）的核心技術。文章將其拆解為三個主要階段：預訓練與監督微調（SFT）、訓練獎勵模型（Reward Model），以及透過 PPO 演算法進行強化學習微調，並探討了其挑戰與未來展望。
From GPT2 to Stable Diffusion: Hugging Face arrives to the Elixir community★ 70
Hugging Face Blog1273d agoReleaseElixir 官方與 Hugging Face 合作推出 Bumblebee 專案，將主流的深度學習模型引入 Elixir 生態系。 基於 Nx 與 Axon 框架，開發者無需依賴 Python，即可在 Elixir 中直接載入並運行 GPT-2、Stable Diffusion 等模型。 搭配 Livebook 的智慧儲存格（Smart Cells），開發者只需點擊幾下，就能在數秒內部署並測試各種 AI 應用。
Deep Learning with Proteins★ 75
Hugging Face Blog1280d agoTutorial本文為 Hugging Face 針對生物資訊與深度學習結合的入門指南。文章介紹了蛋白質語言模型（pLM）的基本概念，將氨基酸序列視為文本，並展示如何利用 Meta 的 ESM-2 模型進行微調。讀者可以學習如何使用 Hugging Face transformers 庫來預測蛋白質的定位與功能，為 AI 驅動的藥物研發與生物科技奠定基礎。
Probabilistic Time Series Forecasting with 🤗 Transformers
Hugging Face Blog1281d agoTutorialHugging Face 介紹了其首個專用於時間序列預測的 Transformer 模型。此模型採用 Encoder-Decoder 架構，並與熱門的時間序列庫 GluonTS 整合，能預測未來的機率分佈（而非單一數值），從而提供不確定性估計。文章詳細說明了如何利用時間特徵、滯後特徵（Lags）進行資料預處理，並透過實際程式碼展示了從資料準備、模型訓練到預測視覺化的完整流程。
Using Stable Diffusion with Core ML on Apple Silicon★ 75
Hugging Face Blog1281d agoReleaseApple 與 Hugging Face 合作推出 Core ML 版的 Stable Diffusion，讓 Mac、iPad 和 iPhone 能直接利用 Apple 類神經引擎（ANE）進行硬體加速。開發者可以使用 Hugging Face 的 diffusers 庫與 Apple 的轉換工具，將 PyTorch 模型轉換為 .mlpackage 格式。此舉大幅降低了在 Apple 裝置上部署生成式 AI 模型的門檻，並顯著提升了圖像生成速度與能源效率。
VQ-Diffusion
Hugging Face Blog1282d agoReleaseHugging Face 介紹了微軟開發的 VQ-Diffusion 模型，這是一種基於離散空間的文本到圖像生成技術。與傳統在連續空間運作的擴散模型不同，它結合了 VQ-VAE 的離散 Token 表示法與擴散模型，有效解決了自迴歸模型的誤差累積問題。開發者與研究人員可以透過 Hugging Face 的 `diffusers` 套件輕鬆調用此模型進行高效的影像生成。
We are hiring interns!
Hugging Face Blog1283d agoBusiness知名開源 AI 平台 Hugging Face 發表官方公告，正式啟動 2023 年度的實習生招募計畫。該計畫旨在吸引對機器學習、自然語言處理及開源生態有興趣的學生與研究人員加入。實習生將有機會與頂尖的 AI 研究員及工程師合作，共同推動開源 AI 技術的發展。
Diffusion Models Live Event
Hugging Face Blog1287d agoTutorial本文介紹 Hugging Face 於 2022 年 11 月舉辦的「Diffusion Models Live Event」直播活動。該活動旨在向開發者與研究人員推廣擴散模型技術，並介紹當時新推出的 diffusers 函式庫。活動內容涵蓋從零開始訓練擴散模型、圖像生成原理及社群實作分享，是開源 AI 圖像生成發展史上的重要里程碑。
An overview of inference solutions on Hugging Face★ 75
Hugging Face Blog1291d agoTutorial本文為 Hugging Face 官方發布的推理（Inference）解決方案指南，系統性介紹了四大核心方案：免費且即開即用的 Serverless Inference API、適合生產環境且安全可控的 Inference Endpoints、用於展示與應用的 Spaces，以及與 AWS/Azure 合作的雲端整合方案。旨在幫助開發者根據預算、延遲與隱私需求，選擇最適合的開源模型部署路徑。
Accelerating Document AI★ 70
Hugging Face Blog1291d agoTutorial本文探討 Hugging Face 在文件 AI（Document AI）領域的加速方案。針對 LayoutLMv3 與免 OCR 的 Donut 等多模態模型，Hugging Face 介紹了如何利用 Optimum 庫、ONNX Runtime 及量化技術，克服多模態模型在生產環境中的高延遲與高成本挑戰，實現高效能的文件自動化處理。
Sentiment Analysis on Encrypted Data with Homomorphic Encryption
Hugging Face Blog1295d agoTutorial本文介紹了如何使用全同態加密（FHE）技術對加密數據進行情緒分析。透過 Zama 開源的 Concrete ML 工具包，開發者可以將 Hugging Face 的機器學習模型轉化為 FHE 版本。這使得用戶可以將加密後的文本傳送到雲端進行推理，雲端伺服器在完全無法得知原文內容的情況下完成情緒分析，並回傳加密的預測結果，完美兼顧雲端運算便利性與用戶隱私。
Hugging Face Machine Learning Demos on arXiv★ 75
Hugging Face Blog1295d agoNew ToolHugging Face 宣布與學術論文平台 arXiv 展開合作，將 Hugging Face Spaces 的互動式機器學習 Demo 直接整合至 arXiv 論文頁面。讀者在閱讀論文時，可以直接點擊連結體驗模型效果，無需自行下載程式碼或配置環境。這項合作極大地提升了學術成果的可驗證性與傳播效率。
Generating Human-level Text with Contrastive Search in Transformers 🤗★ 70
Hugging Face Blog1304d agoReleaseHugging Face 介紹了全新解碼方法「對比搜索（Contrastive Search）」，現已整合至 Transformers 庫中。該方法透過引入「退化懲罰」機制，在保持模型預測概率的同時，避免生成與前文語意重複的詞彙。相比傳統的束搜索（Beam Search）或隨機採樣（Sampling），對比搜索能生成更具連貫性、多樣性且無重複的長文本，達到接近人類寫作的水準。
Introducing our new pricing
Hugging Face Blog1304d agoReleaseHugging Face 宣布調整其平台定價機制。本次更新推出了每月 9 美元的 PRO 方案，為個人創作者與研究人員提供 GPU 額度與進階功能。同時，針對 Spaces 硬體升級、Inference Endpoints 與 AutoTrain 等付費服務，全面改為更靈活的按需計費（Pay-as-you-go）模式，而免費社群版功能則維持不變。
Fine-Tune Whisper For Multilingual ASR with 🤗 Transformers★ 80
Hugging Face Blog1309d agoTutorial本教學詳細介紹如何使用 Hugging Face 的 `transformers` 庫微調 OpenAI 的 Whisper 語音辨識模型。內容涵蓋從載入 Common Voice 資料集、音訊預處理（重採樣至 16kHz 並轉換為 Log-Mel 聲譜圖）、設定 Tokenizer，到使用 `Seq2SeqTrainer` 進行訓練與評估（以 WER 為指標）的完整流程。這對於想在特定低資源語言或專業領域提升語音轉文字精準度的開發者與研究人員來說，是極具價值的實戰指南。
Accelerate your models with 🤗 Optimum Intel and OpenVINO
Hugging Face Blog1310d agoNew ToolHugging Face 介紹了 `optimum-intel` 與 Intel OpenVINO 的整合。開發者可使用簡單的 `OVModel` API 直接在 Intel CPU 和 GPU 上載入、優化並運行 Hugging Face 模型。此工具還整合了 NNCF 框架，支援將模型量化至 INT8，在極低精度損失下顯著提升推理效率並降低延遲，非常適合邊緣運算與伺服器部署。
Evaluating Language Model Bias with 🤗 Evaluate
Hugging Face Blog1319d agoTutorialHugging Face 推出 evaluate 函式庫，旨在簡化機器學習模型的評估流程。本文重點介紹如何利用該工具評估語言模型中的偏見與毒性，包含使用 regard、toxicity 等評估指標。透過標準化的評估流程，開發者能更輕易地量化模型在性別、種族等維度上的潛在社會偏見，從而打造更安全、公平的 AI 應用。
From PyTorch DDP to Accelerate to Trainer, mastery of distributed training with ease★ 75
Hugging Face Blog1322d agoTutorial本指南深入探討了在 PyTorch 中進行分散式訓練的三種層次。首先介紹底層的 PyTorch DDP（Distributed Data Parallel），展示其強大但繁瑣的設定；接著引入 Hugging Face Accelerate，它保留了 PyTorch 的靈活性，同時簡化了多 GPU、TPU 與混合精度的設定；最後介紹高階的 Trainer API，讓開發者只需幾行程式碼就能自動處理完整的分散式訓練流程。這篇文章非常適合想優化模型訓練效率的機器學習工程師。
MTEB: Massive Text Embedding Benchmark★ 85
Hugging Face Blog1324d agoReleaseHugging Face 發表了「海量文字嵌入基準（MTEB）」，這是目前最全面的文字嵌入模型評估工具。MTEB 涵蓋了 8 種不同的任務類型（如語義相似度、資訊檢索、分類等），共包含 58 個數據集，支援多達 112 種語言。此基準旨在解決過去評估嵌入模型時任務單一、缺乏多語言支持的問題，為開發者提供統一的評估標準。
Getting Started with Hugging Face Inference Endpoints★ 75
Hugging Face Blog1329d agoTutorialHugging Face Inference Endpoints 是一項完全託管的服務，旨在簡化機器學習模型的部署流程。用戶只需點擊幾下，即可將 Hugging Face Hub 上的任何模型部署到 AWS 或 Azure 等雲端基礎設施。該服務支援 GPU/CPU 彈性縮放、自訂容器與私有連線（VPC），大幅降低了開發者與企業維護生產級推論 API 的門檻與成本。
🧨 Stable Diffusion in JAX / Flax !
Hugging Face Blog1330d agoReleaseHugging Face 宣布在 diffusers 庫中支援 JAX 和 Flax 版本的 Stable Diffusion。藉由 JAX 的 XLA 編譯與硬體加速，開發者可以在 TPU 和 GPU 上實現極致的推理速度，並輕鬆透過並行運算（pmap）在數秒內生成大量高品質圖片。這為大規模圖像生成與研究提供了全新的高效能選擇。
Optimization story: Bloom inference
Hugging Face Blog1331d agoTutorial本文探討 Hugging Face 優化 1760 億參數大模型 BLOOM 推理的技術細節。面對 FP16 下高達 352GB 的顯示記憶體需求，團隊結合了 8-bit 量化（LLM.int8()）、Tensor Parallelism（張量並行）以及 Hugging Face Accelerate 的 CPU/NVMe 卸載技術。這些優化成功將記憶體需求減半，並顯著提升吞吐量，降低了開源社群部署超大型語言模型的門檻。
Introducing DOI: the Digital Object Identifier to Datasets and Models
Hugging Face Blog1336d agoReleaseHugging Face 宣布支援 DOI（數位物件識別碼），允許用戶為其託管的模型和資料集生成永久且可信賴的引用連結。此舉旨在解決機器學習領域中學術引用不規範與版本混亂的問題。研究人員現在可以一鍵生成 BibTeX 引用格式，大幅提升開源研究的可重複性與學術影響力追蹤。
Japanese Stable Diffusion
Hugging Face Blog1338d agoReleaseStability AI 於 2022 年 10 月推出了「Japanese Stable Diffusion」模型。該模型專為日語語境進行優化，解決了先前英文版 Stable Diffusion 難以精確理解日語輸入與日本文化細節的問題。用戶可以直接使用日語進行 Prompt 創作，生成更符合日本審美與文化背景的圖像，並已開源託管於 Hugging Face。
Very Large Language Models and How to Evaluate Them★ 75
Hugging Face Blog1340d agoNew Tool隨著大型語言模型（LLM）體積急劇膨脹，如何公平且標準化地評估其性能成為一大挑戰。Hugging Face 宣布與 EleutherAI 合作，將其著名的 lm-evaluation-harness 整合至 Hugging Face Hub。用戶現在可以直接在 Hub 上對託管的模型進行零樣本（Zero-shot）與少樣本（Few-shot）評估，這不僅簡化了評估流程，更促進了開源 AI 社群的基準測試透明度與可重複性。
How 🤗 Accelerate runs very large models thanks to PyTorch★ 80
Hugging Face Blog1346d agoTutorialHugging Face 介紹了其 `Accelerate` 函式庫如何解決超大型模型（如 BLOOM-176B）在單一或有限 GPU 上因記憶體不足而無法加載的痛點。透過 PyTorch 的「元設備（Meta Device）」進行空權重初始化，並結合 `device_map="auto"` 自動將模型層分配至 GPU、CPU 甚至硬碟。這項技術讓開發者與研究人員能在消費級硬體或有限的資源下，進行超大模型的推理與微調。
SetFit: Efficient Few-Shot Learning Without Prompts★ 78
Hugging Face Blog1347d agoReleaseHugging Face 與 Intel Labs 等機構合作推出 SetFit 框架，專為少樣本（Few-shot）文字分類設計。不同於傳統大模型依賴複雜的 Prompt 工程，SetFit 結合了 Sentence Transformers 的對比微調與簡單的分類器。它不僅訓練速度極快、推理成本低，在每類僅需十幾個樣本的情況下，準確度甚至能超越傳統大型語言模型。
Ethics and Society Newsletter #1
Hugging Face Blog1351d agoCommentaryHugging Face 發表第一期《倫理與社會電子報》，正式介紹其倫理與社會研究團隊的願景。內容涵蓋 BigScience 專案的倫理憲章、推動限制惡意使用的「負責任 AI 授權條款（RAIL）」，以及資料集偏見評估工具。此舉旨在倡導開源社群在追求技術進步的同時，兼顧社會責任與倫理規範。