知名 AI 專家 Nathan Lambert 分享了近期四大專案:專注於對齊與開源模型的「ATOM Report」、系統化的「Post-Training(後訓練)」線上實戰課程、即將完稿的 AI 對齊專業書籍,以及持續進行的 LLM 評估與偏好微調研究。這些計畫旨在為開發者與研究人員填補後訓練技術的知識鴻溝。
Hugging Face 宣布與極速微調工具 Unsloth 合作,推出免費的 AI 模型訓練方案。使用者可以透過 Hugging Face Jobs 平台,直接在雲端免費運行 Unsloth 的高效微調任務。這項合作大幅降低了個人開發者與研究人員微調 Llama 3、Gemma 等開源大模型的門檻與成本。
Hugging Face 釋出最新消息,指出 Codex 正在開源其 AI 模型。此舉結合了 Hugging Face 的開源生態與 Codex 在技能培訓(Skills Training)領域的專長,旨在為全球開發者、學生及研究人員提供更具可及性的 AI 工具,進一步推動 AI 實作技能的普及與教育發展。
Hugging Face 發表了 nanoVLM 專案,旨在提供一個最簡單、無冗餘程式碼的純 PyTorch 框架,讓開發者與研究人員能輕鬆理解並動手訓練自己的視覺語言模型(VLM)。該專案仿照 nanoGPT 的極簡風格,去除了複雜的封裝,完整展示了從圖像編碼器、投影層到語言模型的整合與訓練流程,是學習與實驗 VLM 的絕佳起點。
Hugging Face 宣布啟動 Open-R1 專案,目標是完全重現 DeepSeek-R1 的推理能力。該專案將開源所有訓練配方、資料集與模型權重,並利用 TRL 框架中的 GRPO 演算法進行強化學習。這項計畫將降低開發者構建高效推理模型的門檻,推動開源 AI 社群的推理模型民主化。
Hugging Face 官方發文鼓勵機器學習研究人員將其開源數據集託管至 Hugging Face Hub。透過 Hub 提供的強大工具(如數據集瀏覽器、版本控制與 metadata 標記),研究人員能更輕鬆地推廣其研究成果。此舉旨在降低數據集獲取門檻,進一步推動全球開源 AI 社群的協作與創新。
Hugging Face 的 Daily Papers 頁面已成為 AI 社群追蹤最新研究的重要樞紐。本文介紹該功能如何運作,包含每日精選論文、社群討論機制,以及如何將論文與 Hugging Face 上的模型、數據集和 Spaces 進行連結。這對於想要緊跟 AI 前沿技術的開發者與研究人員來說,是不可或缺的工具。
本指南是 Hugging Face 專為零基礎新手撰寫的 Transformers 入門教學。文章深入淺出地介紹了 Hugging Face Hub 的生態系,並透過最簡單的 pipeline API 示範如何進行情感分析、文本生成等任務。讀者無需深厚的機器學習背景,即可快速學會如何載入並運行開源 AI 模型。
Hugging Face 宣布與 Jupyter 生態系深度整合,推出全新的 Notebooks Hub。用戶現在可以直接在 Hugging Face 上瀏覽、搜尋與託管 Jupyter Notebooks。此外,平台提供一鍵啟動功能,讓開發者能直接將 Notebook 導入 Google Colab、Kaggle 或 Paperspace 等雲端環境,大幅降低了運行與測試開源 AI 模型的門檻。
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。
Hugging Face 闡述了其對 TensorFlow (TF) 的核心哲學:將 TF 視為一等公民,確保與 PyTorch 模型的雙向互操作性。透過將 TF 模型設計為 `tf.keras.Model` 的子類別,開發者能直接使用 Keras 的 `fit()` 等 API,並支援 XLA 編譯與 `tf.data`,為 TF 社群提供無縫且直覺的開發體驗。
Hugging Face 於 2022 年 5 月宣布推出 Fellowship 獎學金計畫,旨在支持全球的學生與研究人員投入開源機器學習項目。該計畫提供入選者導師指導、運算資源(如 GPU)以及資金資助,幫助他們在 Hugging Face 生態系中開發具影響力的 AI 工具與模型,進一步促進 AI 技術的民主化與開源社群發展。
Hugging Face 正式開放「學生大使計畫」申請!該計畫旨在招募全球大專院校學生,在校園內推廣開源 AI 與機器學習技術。獲選的大使將能獲得 Hugging Face 的官方資源支持、專屬培訓、與社群專家交流的機會,並協助舉辦工作坊與技術分享會,非常適合想在 AI 領域累積實務與社群經驗的學生。
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。
Hugging 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。
Hugging 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。
Hugging 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。
Hugging 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。