CO2 Emissions and the 🤗 Hub: Leading the Charge
Hugging Face Blog1506d agoReleaseHugging Face 在世界地球日宣布於 Hugging Face Hub 推出新功能，旨在追蹤並公開 AI 模型的碳排放量。開發者現在可以在模型卡片（Model Cards）的元數據中加入 co2_eq_emissions 欄位，直接展示模型訓練所產生的二氧化碳當量。此舉旨在提升 AI 社群對環境影響的意識，並倡導更具永續性的「綠色 AI」開發實踐。
Machine Learning Experts - Lewis Tunstall
Hugging Face Blog1515d agoOpinion本文為 Hugging Face「機器學習專家」系列訪談，主角為《Natural Language Processing with Transformers》共同作者 Lewis Tunstall。他分享了自己如何從理論物理學博士轉型為 AI 專家，並深入探討了撰寫該本暢銷書的挑戰、在 Hugging Face 推動開源生態系的經驗，以及他對未來 NLP 技術發展與新手學習路徑的實用建議。
Habana Labs and Hugging Face Partner to Accelerate Transformer Model Training
Hugging Face Blog1516d agoReleaseHugging Face 宣布與 Intel 旗下的 Habana Labs 展開合作，旨在提升 Transformer 模型的訓練與部署效率。 雙方共同推出了 `optimum-habana` 開源庫，讓開發者能輕鬆將 Hugging Face 模型遷移至 Habana Gaudi 處理器（HPU）上運行。 此合作為開發者提供除了傳統 GPU 之外，更具性價比的高性能深度學習硬體選擇，僅需修改幾行程式碼即可啟用。
~Don't~ Repeat Yourself★ 85
Hugging Face Blog1523d agoOpinionHugging Face 探討了其開源庫 Transformers 的核心設計哲學。與傳統軟體工程極力避免重複程式碼（DRY 原則）不同，他們選擇了「重複自己」的「單一檔案政策」（Single-file policy）。這種設計讓每個模型（如 BERT、GPT）的程式碼都獨立完整，極大地提升了機器學習研究者的閱讀與修改效率，雖然增加了維護重複程式碼的成本，但換來了極高的靈活性。
Introducing Decision Transformers on Hugging Face 🤗
Hugging Face Blog1531d agoReleaseHugging Face 宣布在其 transformers 函式庫中正式支援 Decision Transformer (DT)。此模型顛覆傳統強化學習（RL）方法，不使用價值函數或策略梯度，而是將狀態、動作與目標回報視為序列，利用類似 GPT 的自注意力機制來預測下一步動作。這項整合大幅降低了離線強化學習（Offline RL）的門檻，讓開發者能用熟悉的 Transformer 工具鏈進行決策模型的訓練。
Machine Learning Experts - Margaret Mitchell
Hugging Face Blog1536d agoOpinion本篇專訪介紹了 Hugging Face 首席倫理科學家 Margaret Mitchell 的學術背景與願景。作為「模型卡（Model Cards）」的共同倡議者，她分享了從 Google 到 Hugging Face 的心路歷程。她強調在開源社群中建立 AI 倫理工具的重要性，並探討如何透過透明度與多樣性來減少機器學習模型中的偏見與危害。
Announcing the 🤗 AI Research Residency Program
Hugging Face Blog1537d agoReleaseHugging Face 宣布啟動「AI 研究駐點計畫」，旨在打破傳統學術界限，邀請不同背景的研究員與工程師加入團隊。參與者將獲得豐富的算力資源、資深研究員的導師指導，並有機會發表學術論文。此計畫強調開源精神與遠端協作，致力於推動 AI 技術的民主化。
Upgrading Next.js for instant performance improvements
Vercel Changelog1542d agoReleaseVercel 官方分享了升級 Next.js 所帶來的即時效能提升。透過引入基於 Rust 的 SWC 編譯器取代 Babel，專案的建置速度與快速重新整理皆獲得數倍增長。此外，新版本在圖片優化、中介軟體（Middleware）及伺服器端渲染（SSR）上也進行了大幅優化，讓開發者與終端用戶都能獲得極致體驗，是提升 Lighthouse 分數的捷徑。
Fine-Tune a Semantic Segmentation Model with a Custom Dataset
Hugging Face Blog1542d agoTutorial本指南介紹如何利用 Hugging Face 的 Transformers 庫微調 SegFormer 進行語義分割。內容涵蓋自定義資料集的準備、使用 SegformerImageProcessor 進行圖像預處理，以及設定 Trainer API 進行訓練。最後，教學展示了如何使用 mIoU 評估模型效能並進行推理。
Image search with 🤗 datasets
Hugging Face Blog1543d agoTutorialHugging Face 介紹了如何使用其 datasets 庫來實現圖像搜尋系統。透過整合預訓練的視覺模型（如 CLIP）來提取圖像的特徵向量（embeddings），並利用內建的 FAISS 索引功能，開發者可以輕鬆對大規模圖像數據集進行高效的相似度檢索。這為以圖搜圖、多模態檢索等應用提供了極為簡便的實作路徑。
Accelerate BERT inference with Hugging Face Transformers and AWS Inferentia
Hugging Face Blog1543d agoTutorial本教學介紹如何結合 Hugging Face Transformers、AWS Neuron SDK 與 Amazon SageMaker，在 AWS Inferentia (inf1) 實例上部署 BERT 模型。透過將模型編譯為 Neuron 格式，開發者能以極低的延遲和更低的成本進行大規模 NLP 推論，非常適合需要高吞吐量生產環境的團隊。
Guiding Text Generation with Constrained Beam Search in 🤗 Transformers★ 70
Hugging Face Blog1548d agoTutorial本文介紹 Hugging Face Transformers 支援的「受約束的束搜索（Constrained Beam Search）」技術。傳統束搜索僅依賴機率，而此技術允許開發者指定必須出現在生成結果中的特定詞彙或短語。這在機器翻譯、摘要生成及特定領域的文本生成中非常實用，能有效控制輸出品質並確保關鍵資訊不遺漏。
Monorepos are changing how teams build software
Vercel Changelog1556d agoOpinionMonorepos（單一程式庫）正成為現代軟體開發的主流趨勢。透過將多個專案與套件整合在單一儲存庫中，團隊能更輕易地共享代碼、簡化依賴管理並提升協作效率。然而，傳統 Monorepos 常面臨建置速度慢等挑戰，Vercel 透過引入 Turborepo 等工具，利用快取與並行任務處理，完美解決了這些效能瓶頸。
BERT 101 - State Of The Art NLP Model Explained
Hugging Face Blog1557d agoTutorial本指南深入淺出地解析了 Google 提出的革命性 NLP 模型 BERT。文章詳細介紹了其基於 Transformer Encoder 的雙向架構，並剖析了「遮罩語言模型 (MLM)」與「下一句預測 (NSP)」兩大核心預訓練機制。最後，展示了如何透過 Hugging Face 輕鬆將 BERT 應用於各種下游自然語言處理任務。
Fine-Tune ViT for Image Classification with 🤗 Transformers★ 70
Hugging Face Blog1576d agoTutorial本文為 Hugging Face 官方教學，詳細介紹如何使用 `transformers` 與 `datasets` 函式庫微調 Vision Transformer (ViT) 模型。內容涵蓋從載入 Beans 資料集、使用影像處理器進行資料前處理、設定 `Trainer` API 進行訓練，到最後將微調後的模型上傳至 Hugging Face Hub 的完整流程，是電腦視覺開發者的必讀入門指南。
The evolution of the Web: What we learned and where we’re going
Vercel Changelog1585d agoOpinion本文回顧 Web 從靜態 HTML、動態資料庫驅動到 Jamstack 與邊緣運算（Edge Computing）的演進。Vercel 指出，未來的 Web 將透過邊緣端進行個人化渲染，融合靜態的快速與動態的靈活性。這不僅能大幅提升 Core Web Vitals 效能，也將透過無伺服器架構與預覽部署，徹底優化開發者的協作體驗。
Getting Started with Sentiment Analysis using Python
Hugging Face Blog1585d agoTutorial本文介紹如何利用 Hugging Face 的 `transformers` 庫在 Python 中進行情緒分析。內容涵蓋使用 `pipeline` 進行快速推理、從 Hugging Face Hub 選擇特定領域的預訓練模型（如 RoBERTa 或 FinBERT），以及如何使用自定義數據集微調模型，是 NLP 初學者的必讀指南。
Making automatic speech recognition work on large files with Wav2Vec2 in 🤗 Transformers
Hugging Face Blog1586d agoTutorial傳統 Wav2Vec2 等語音模型因自注意力機制的記憶體複雜度限制，難以直接處理長音檔。Hugging Face 推出分塊（Chunking）與重疊步長（Stride）技術，將長音訊切片處理後無縫拼接。此功能已整合至 Transformers 的 ASR Pipeline 中，開發者只需設定簡單參數即可實現高效且精準的長語音轉文字。
Supercharged Searching on the 🤗 Hub
Hugging Face Blog1593d agoReleaseHugging Face 推出全新升級的 Hub 搜尋功能，大幅提升資源檢索效率。用戶現在可以透過機器學習任務、支援的庫（如 PyTorch、TensorFlow）、語言及授權條款等多重條件進行精確篩選。此更新旨在幫助開發者在快速增長的開源生態系中，迅速定位最適合的 AI 模型、數據集與 Spaces。
Welcome Stable-baselines3 to the Hugging Face Hub 🤗
Hugging Face Blog1597d agoNew ToolHugging Face 宣布將熱門的 PyTorch 強化學習庫 Stable-baselines3 (SB3) 整合至 Hugging Face Hub。開發者現在可以使用簡單的 API 儲存和載入訓練好的 RL 代理人（Agents），並在社群中分享。此整合還支援在瀏覽器中直接預覽代理人的運行畫面，大幅降低了強化學習模型的分享與協作門檻。
Case Study: Millisecond Latency using Hugging Face Infinity and modern CPUs
Hugging Face Blog1605d agoNew Tool本案例研究探討了 Hugging Face Infinity 在現代 CPU（如 Intel Xeon）上的效能表現。透過硬體加速與優化技術，Infinity 能在 CPU 上實現單數位毫秒級的推理延遲。這為企業提供了一種高性價比、無需依賴昂貴 GPU 的 Transformer 模型部署選擇，特別適合文本分類與特徵提取等任務。
Boosting Wav2Vec2 with n-grams in 🤗 Transformers
Hugging Face Blog1606d agoTutorialHugging Face 推出整合 pyctcdecode 的新功能，讓開發者能輕鬆將 n-gram 語言模型與 Wav2Vec2 結合。 此方法能有效修正 Wav2Vec2 在 CTC 解碼時產生的拼寫錯誤，顯著降低語音識別的字錯率（WER）。 本指南提供完整的實作步驟，展示如何載入預訓練語言模型並應用於多語系的語音識別任務。
Deploy GPT-J 6B for inference using Hugging Face Transformers and Amazon SageMaker
Hugging Face Blog1607d agoTutorial本文介紹如何將 EleutherAI 的 GPT-J 6B 模型部署至 Amazon SageMaker。透過 Hugging Face 專為 SageMaker 設計的深度學習容器（DLC），開發者無需繁瑣設定即可完成託管。內容涵蓋環境準備、模型載入、端點建立及推論測試，適合需要在 AWS 雲端部署開源大模型的開發者。
Active Learning with AutoNLP and Prodigy
Hugging Face Blog1626d agoTutorialHugging Face 與 Explosion 合作，展示如何將 Prodigy 資料標記工具與 AutoNLP（現為 AutoTrain）整合。透過主動學習（Active Learning）機制，系統能自動篩選出模型最不確定的樣本供人工標記，大幅減少標記成本。此工作流讓開發者無需編寫複雜代碼，即可快速迭代並優化 NLP 模型。
Gradio is joining Hugging Face!★ 80
Hugging Face Blog1628d agoBusiness開源機器學習互動介面庫 Gradio 宣布正式加入 Hugging Face。此次合併旨在加速機器學習的民主化，讓開發者能更輕鬆地為模型建立直觀的 Web 介面。Gradio 將保持開源與免費，並與 Hugging Face Spaces 深度整合，讓任何人都能在幾分鐘內部署並分享自己的 AI 模型 Demo。
The future of Svelte, an interview with Rich Harris
Vercel Changelog1634d agoOpinion本文為 Svelte 創作者 Rich Harris 加入 Vercel 後的專訪。他分享了全職投入 Svelte 開發的契機，並深入探討 Svelte 的設計哲學（如無虛擬 DOM、編譯期優化）。同時，他也揭示了 SvelteKit 的未來藍圖，以及在 Vercel 支持下，如何為開發者提供更極致的效能與開發體驗。
Perceiver IO: a scalable, fully-attentional model that works on any modality★ 70
Hugging Face Blog1634d agoReleaseDeepMind 提出的 Perceiver IO 已正式整合至 Hugging Face。該模型透過引入「潛在瓶頸」與「輸出查詢」機制，成功將 Transformer 的二次方複雜度降至線性，使其能高效處理高維度的多模態數據（如圖像、音訊、3D 點雲）。Perceiver IO 不僅能接收任意輸入，還能靈活輸出各種結構的數據，是邁向通用 AI 架構的重要一步。
Supporting the Future of React
Vercel Changelog1635d agoBusinessVercel 宣布將加大對 React 生態系的投資，支持其長期發展。隨著 React 核心架構師 Sebastian Markbåge 等人加入 Vercel，雙方將緊密合作，共同推動 React 18、React Server Components (RSC) 及 Suspense 等下一代技術的研發與實踐，並確保這些創新能在 Next.js 等框架中獲得最佳體驗。
Vercel acquires Turborepo to accelerate build speed and improve developer experience
Vercel Changelog1640d agoBusinessVercel 宣布收購專為 JavaScript 與 TypeScript 設計的高效能 monorepo 建置系統 Turborepo。此舉旨在解決大型專案建置緩慢的痛點，透過快取與增量建置技術大幅縮短開發時間。Turborepo 創辦人 Jared Palmer 也將加入 Vercel，共同推動前端開發工具鏈的革新。
Training CodeParrot 🦜 from Scratch
Hugging Face Blog1641d agoTutorialHugging Face 詳細公開了 CodeParrot 專案的訓練全紀錄，展示如何從零開始構建一個專門用於 Python 程式碼生成的 GPT-2 規模模型。 文章深入探討了大規模 GitHub 數據集的清洗與去重、專屬 Tokenizer 的訓練，以及使用 Accelerate 進行多 GPU 分佈式訓練的實務技巧。 此專案不僅提供了一個開源的程式碼模型，更為開發者提供了一套完整的、可複製的大型語言模型（LLM）預訓練工作流。