Introducing Snowball Fight ☃️, our first ML-Agents environment
Hugging Face Blog1645d agoReleaseHugging Face 推出其首個 Unity ML-Agents 虛擬環境「Snowball Fight」（打雪仗）。此環境旨在提供一個趣味且具挑戰性的平台，讓開發者與研究人員能夠訓練、測試並分享他們的深度強化學習（DRL）模型。使用者可以利用 Unity ML-Agents 工具包進行訓練，並將訓練好的 Agent 模型上傳至 Hugging Face Hub 進行交流與對戰。
Getting Started with Hugging Face Transformers for IPUs with Optimum
Hugging Face Blog1647d agoTutorialHugging Face 與 Graphcore 合作推出 Optimum 整合方案，讓開發者能輕鬆在 IPU（智慧處理單元）上運行 Transformers 模型。透過專屬的 IPUTrainer，開發者只需修改極少程式碼，即可將現有的 PyTorch 訓練流程轉移至 IPU，大幅提升特定 AI 任務的運算效率。
Introducing the Data Measurements Tool: an Interactive Tool for Looking at Datasets
Hugging Face Blog1648d agoNew ToolHugging Face 發表了 Data Measurements Tool，這是一個互動式工具，旨在幫助機器學習從業者在訓練模型前深入了解資料集。該工具提供資料集大小、標籤分佈、詞彙多樣性及潛在偏見（如性別或地理偏見）等關鍵指標的視覺化分析。透過此工具，使用者無需撰寫複雜程式碼，即可在 Hugging Face Hub 上直接評估資料品質，推動更負責任的 AI 開發。
Accelerating PyTorch distributed fine-tuning with Intel technologies
Hugging Face Blog1658d agoTutorialHugging Face 與 Intel 合作，展示如何利用 Intel Extension for PyTorch (IPEX) 和 oneCCL 提升 CPU 上的模型微調效率。透過自動混合精度（BFloat16）與優化的分散式通訊，開發者可以在 Intel Xeon 處理器上實現高效的多節點分散式訓練。這為缺乏 GPU 資源或希望活化現有 CPU 叢集的企業提供了極具成本效益的替代方案。
Fine-Tune XLSR-Wav2Vec2 for low-resource ASR with 🤗 Transformers
Hugging Face Blog1662d agoTutorial本教學詳細介紹如何利用 Hugging Face Transformers 庫，針對缺乏訓練數據的低資源語言微調 Meta 的 XLSR-Wav2Vec2 語音模型。內容涵蓋從 Common Voice 數據集下載、音訊預處理、建立專屬 Tokenizer，到使用 CTC 損失函數進行模型訓練的完整工作流。對於想在特定方言或少數語言上實現高精度語音辨識（ASR）的開發者與研究人員，這是極具價值的實戰指南。
Scaling up BERT-like model Inference on modern CPU - Part 2
Hugging Face Blog1673d agoTutorial本篇為 Hugging Face 與 Intel 合作的第二部分，深入探討在現代 CPU（如 Intel Xeon）上優化 BERT 推理的進階技術。文章重點介紹了 Intel Extension for PyTorch (IPEX)、INT8 量化以及 Bfloat16 混合精度運算。透過這些軟硬體協同優化與 NUMA 核心綁定，開發者能在不犧牲精度的前提下，獲得數倍的推理吞吐量提升。
Large Language Models: A New Moore's Law?
Hugging Face Blog1682d agoOpinion本文探討大型語言模型（LLM）參數規模以驚人速度增長的現象，並將其與「摩爾定律」相提並論。然而，這種「越大越好」的趨勢伴隨著極高的算力成本、碳排放以及技術壟斷風險。Hugging Face 呼籲社群關注模型民主化，並透過開源合作（如 BigScience 專案）與高效能技術（如蒸餾、量化）來打破巨頭壟斷，尋求更永續的 AI 發展路徑。
Course Launch Community Event
Hugging Face Blog1682d agoRelease本活動公告為 Hugging Face 於 2021 年 10 月舉辦的「課程發布社群活動」。該活動旨在慶祝 Hugging Face 官方 NLP 課程的推出，並透過社群黑客松、技術講座與交流，引導開發者與研究人員深入學習 Transformers、Datasets 和 Tokenizers 等開源工具，促進開源 AI 生態系的發展。
Train a Sentence Embedding Model with 1B Training Pairs★ 75
Hugging Face Blog1683d agoTutorialHugging Face 介紹了如何利用超過 10 億個句子對（Sentence Pairs）的大規模數據集，訓練出高效且精準的句子嵌入模型。文中詳細說明了數據集整合、對比學習（Contrastive Learning）的訓練方法，並釋出了包含 all-MiniLM-L6-v2 在內的多款熱門開源模型。這些模型至今仍是 RAG 和語意搜尋系統中非常經典且高效的基準選擇。
The Age of Machine Learning As Code Has Arrived
Hugging Face Blog1688d agoOpinionHugging Face 探討了機器學習從學術研究走向主流軟體工程的轉變。隨著 Hugging Face Hub 等平台的興起，模型、數據集和展示空間（Spaces）都開始採用類似 Git 的版本控制與協作模式。這意味著 AI 開發不再只是科學家的專利，而是轉向以「程式碼為中心」的開發者生態，讓軟體工程師能用幾行程式碼輕鬆整合強大模型。
Fine tuning CLIP with Remote Sensing (Satellite) images and captions
Hugging Face Blog1695d agoTutorial本文探討如何針對遙測（衛星）影像微調 OpenAI 的 CLIP 多模態模型。由於通用 CLIP 在處理俯視、高空等特殊視角的衛星影像時表現不佳，研究團隊利用 RSICD 數據集與 JAX/Flax 框架進行微調。微調後的模型能顯著提升衛星影像的文本檢索與分類準確度，為地理資訊與遙測領域提供強大的開源工具。
Hosting your Models and Datasets on Hugging Face Spaces using Streamlit★ 70
Hugging Face Blog1703d agoNew ToolHugging Face 宣布在其平台推出 Spaces 服務，並原生支援熱門的 Python 網頁框架 Streamlit。開發者只需撰寫簡單的 Python 程式碼，即可將 Hugging Face 上的模型與資料集轉化為具備互動介面的 Web 應用。透過 Git 工作流，開發者能輕鬆部署、分享並與社群共同協作，極大降低了 AI 專案展示的門檻。
Showcase Your Projects in Spaces using Gradio★ 75
Hugging Face Blog1703d agoReleaseHugging Face 宣布在 Spaces 平台正式支援 Gradio，開發者現在可以輕鬆將機器學習模型轉化為具備美觀 UI 的互動式網頁應用。只需撰寫簡單的 Python 程式碼，即可將專案託管於 Spaces 並產生分享連結。這項整合大幅降低了 AI 專案展示的門檻，促進了開源社群的交流與模型體驗。
Summer at Hugging Face
Hugging Face Blog1714d agoCommentaryHugging Face 發表 2021 年夏季回顧，重點介紹其暑期實習生在多個前沿 AI 領域的貢獻。實習生們參與了包括 Wav2Vec2 語音模型優化、多模態模型開發、Datasets 庫擴充，以及與 Google 合作的 JAX/Flax 社群黑客松。這段期間也見證了 Hugging Face Spaces 的快速成長，為開源 AI 社群注入了強大動力。
Hugging Face and Graphcore partner for IPU-optimized Transformers
Hugging Face Blog1724d agoReleaseHugging Face 宣布與 AI 晶片公司 Graphcore 建立合作夥伴關係，共同優化 Transformer 模型。 雙方推出了開源庫 `optimum-graphcore`，使開發者能輕鬆將模型部署至 Graphcore 的智慧處理單元（IPU）上。 此合作旨在降低硬體加速門檻，為開發者在 GPU 之外提供更高效、具成本效益的 AI 算力選擇。
Introducing Optimum: The Optimization Toolkit for Transformers at Scale★ 75
Hugging Face Blog1724d agoReleaseHugging Face 宣布推出全新開源專案 Optimum，旨在簡化 Transformer 模型在特定硬體上的優化流程。透過與 Intel、Graphcore 等硬體夥伴合作，Optimum 提供模型量化、剪枝與圖優化等工具，讓開發者能輕鬆在各式加速器上實現最大化的生產線部署效率。
Deep Learning over the Internet: Training Language Models Collaboratively
Hugging Face Blog1785d agoRelease本文介紹 Hugging Face 如何利用去中心化深度學習庫 `hivemind`，在網際網路上進行協作式模型訓練。透過分散式雜湊表（DHT）與容錯演算法，全球志願者能用自己的 GPU 共同訓練出孟加拉語模型 SahajBERT。這種方法打破了大型科技公司對大模型算力的壟斷，為開源社群提供了一條去中心化訓練的新路徑。
Welcome spaCy to the Hugging Face Hub
Hugging Face Blog1787d agoReleaseHugging Face 宣佈將熱門的工業級自然語言處理（NLP）庫 spaCy 整合至 Hugging Face Hub。開發者現在可以使用全新推出的 `spacy-huggingface-hub` 工具，輕鬆將訓練好的 spaCy 管道模型上傳至 Hub 進行版本控制與分享。此外，Hub 還為 spaCy 模型提供了專屬的互動式瀏覽器測試介面（Widget），大幅提升了模型展示與協作的便利性。
Deploy Hugging Face models easily with Amazon SageMaker
Hugging Face Blog1792d agoReleaseHugging Face 宣布與 AWS 深度整合，推出專屬的 SageMaker 深度學習容器（DLC）。開發者現在可以直接利用 SageMaker Python SDK，將 Hugging Face Hub 上的數萬個預訓練模型一鍵部署至託管的 SageMaker 端點。這項合作大幅簡化了 NLP 模型的正式生產環境部署流程，並兼顧了 AWS 的安全與彈性擴展優勢。
Sentence Transformers in the Hugging Face Hub
Hugging Face Blog1802d agoReleaseHugging Face 宣布與熱門的 Sentence Transformers 庫深度整合。開發者現在可以直接在 Hub 上託管、分享和發現語義嵌入模型。Hub 同時新增了專屬的互動式小工具，讓使用者能在瀏覽器中直接測試句子相似度，並提供自動生成的程式碼範例，大幅簡化了 NLP 嵌入模型的應用流程。
Few-shot learning in practice: GPT-Neo and the 🤗 Accelerated Inference API
Hugging Face Blog1827d agoTutorial本文介紹如何使用 EleutherAI 的開源模型 GPT-Neo，結合 Hugging Face 的 Accelerated Inference API 進行「少樣本學習（Few-shot learning）」。讀者將了解如何透過精心設計的提示詞（Prompt），讓模型在不需重新訓練或微調的情況下，僅憑幾個範例就能執行特定任務。這為開發者提供了一種快速、低成本且無需維護複雜基礎設施的 NLP 實作方案。
Using & Mixing Hugging Face Models with Gradio 2.0
Hugging Face Blog1836d agoReleaseGradio 2.0 迎來與 Hugging Face 的重大整合，推出全新功能讓開發者能直接載入並混合 Model Hub 中的模型。透過簡單的 Python 程式碼，即可快速建立機器學習應用的 Web 介面。這項更新不僅簡化了模型展示流程，更支援並排比較與多模型串聯，極大提升了原型開發與分享的效率。
Scaling-up BERT Inference on CPU (Part 1)
Hugging Face Blog1871d agoTutorial本文為 Hugging Face 與 Intel 合作的 CPU 優化指南首篇。文章深入探討 CPU 物理核心與超線程對深度學習的影響，並詳細說明如何透過正確配置 PyTorch 的 Intra-op/Inter-op 執行緒與環境變數（如 OMP_NUM_THREADS）來避免資源競爭。最後介紹了利用 ONNX Runtime 進行算子融合，為 BERT 在 CPU 上的部署奠定高效基礎。
Introducing 🤗 Accelerate★ 78
Hugging Face Blog1875d agoReleaseHugging Face 推出全新開源庫 Accelerate，旨在簡化 PyTorch 的分佈式訓練流程。開發者無需手動處理複雜的設備分配、混合精度（FP16）縮放或分佈式啟動指令。只需使用 Accelerator 類別包裝模型與數據，即可在單機、多 GPU 或 TPU 環境下直接運行相同的代碼，極大提升開發與部署效率。
Distributed Training: Train BART/T5 for Summarization using 🤗 Transformers and Amazon SageMaker
Hugging Face Blog1883d agoTutorial這是一篇 Hugging Face 官方教學，指導開發者如何使用 Amazon SageMaker 的分散式訓練功能來微調大型 Seq2Seq 模型（如 BART 和 T5）。文章詳細說明了如何將 Hugging Face 的 Seq2SeqTrainer 與 SageMaker Data Parallelism 庫結合，以解決單一 GPU 記憶體不足或訓練過慢的問題。讀者將學會如何準備訓練腳本、配置 SageMaker Estimator，並在 AWS 的多 GPU 實例上啟動高效的分散式訓練任務。
Understanding BigBird's Block Sparse Attention
Hugging Face Blog1891d agoTutorialGoogle 提出的 BigBird 模型透過「區塊稀疏注意力機制」，成功將傳統 Transformer 的二次方複雜度降至線性複雜度。該機制結合了全域標記、滑動窗口與隨機注意力，並以「區塊（Block）」為單位進行運算以優化 GPU/TPU 效能。這使得 BigBird 能處理高達 4096 個標記的長文本，非常適合問答、摘要與長文本分析等任務。
The Partnership: Amazon SageMaker and Hugging Face★ 75
Hugging Face Blog1899d agoBusinessHugging Face 宣布與 AWS 達成全新合作夥伴關係，將其熱門的 Transformers 庫深度整合至 Amazon SageMaker。透過全新推出的 Hugging Face 深度學習容器（DLCs），開發者可以更輕鬆、快速地在 AWS 雲端上進行 NLP 模型的訓練、微調與推理部署。此合作大幅降低了企業在大規模機器學習基礎設施管理上的門檻。
Fine-Tune Wav2Vec2 for English ASR in Hugging Face with 🤗 Transformers★ 70
Hugging Face Blog1910d agoTutorial本指南詳細介紹如何利用 🤗 Transformers 與 Datasets 庫微調 Meta 的 Wav2Vec2 模型以進行英文語音辨識（ASR）。教學涵蓋了語音數據預處理（重採樣至 16kHz）、使用 CTC 損失函數、配置 Wav2Vec2Processor，以及使用 Trainer API 進行模型訓練與字錯率（WER）評估，是語音 AI 領域的經典必讀教學。
Hugging Face Reads, Feb. 2021 - Long-range Transformers
Hugging Face Blog1913d agoCommentary本期 Hugging Face Reads 聚焦於解決標準 Transformer 處理長序列時面臨的 O(N²) 計算與記憶體瓶頸。文章回顧了多種「長文本 Transformer」（Long-range Transformers）解決方案，包括 Longformer、BigBird 等。這些模型透過稀疏注意力、滑動窗口及全域標記等機制，成功將複雜度降至線性，使處理數千甚至數萬個 token 的長文本成為可能。
Simple considerations for simple people building fancy neural networks
Hugging Face Blog1925d agoOpinion本篇文章探討在開發複雜神經網路時常被忽略的基本原則。作者指出，開發者往往過度追求複雜的模型架構，卻忽略了最基礎的步驟。文章提出了幾個核心建議：首先建立簡單的 baseline、利用「過擬合單一批次（single batch）」來 debug 程式碼、專注於數據品質而非盲目調整超參數，並強調不要過早進行系統優化。這些實用建議能幫助開發者節省大量調試時間。