Google Research 发布 WAXAL 大规模开放语音数据集，覆盖 27 种撒哈拉以南非洲语言、超过 1 亿使用者，采用 CC-BY-4.0 许可。数据集包含约 1,846 小时用于 ASR 的转写自然语音和超过 565 小时用于 TTS 的高保真录音，由非洲高校与社区组织主导采集，Google 提供方法指导。项目自 2021 年启动，Google 表示将持续扩充语言覆盖。
推荐理由：Google Research 联合非洲高校发布 27 种语言的语音数据集，可了解低资源语言语音数据的采集方法与开放许可安排。
Hugging Face 发布博客，介绍 transformers 库为支持 MoE 稀疏架构所做的工程改造，涵盖权重加载重构、专家后端与专家并行三部分。
推荐理由：Hugging Face 官方拆解 transformers 为 MoE 重构的加载、后端与专家并行设计，并给出 v4 与 v5 的加载耗时对比。
Hugging Face 宣布 GGML（llama.cpp 的创建方）加入 HF，Georgi Gerganov 及团队将获得长期可持续资源支持，继续推动本地 AI 开源发展。
推荐理由：Hugging Face 官方说明 GGML 与 llama.cpp 团队加入后的资源安排与开源承诺，可了解本地推理生态的走向。
Gradio 6 的 gr.HTML 现已支持自定义模板、作用域 CSS 和 JavaScript 交互，可让 Claude 等前沿 LLM 一次性生成前端、后端与状态管理，全部写在一个 Python 文件里，无需构建步骤即可部署到 Hugging Face Spaces。
推荐理由：原文给出 gr.HTML 的三模板 API 与单文件示例，读者可据此让 LLM 一次性生成可部署的交互组件。
Hugging Face 博客第三篇中国开源 AI 系列文章指出，开源已成为中国 AI 机构近期的主流路线。Qwen 在 Hugging Face 上的衍生模型超过 113k，远超 Llama 的 27k 和 DeepSeek 的 6k；腾讯自 2025 年 5 月起以混元品牌加速开源视觉、视频与 3D 模型，百度则通过 Ernie 4.5 系列和 PaddlePaddle 重返开源生态。
Hugging Face 博客梳理中国开源 AI 生态自 2025 年 1 月“DeepSeek 时刻”以来的架构与硬件选择：Kimi K2、MiniMax M2、Qwen3 等头部模型几乎一致转向 MoE 架构，0.5B–30B 小模型与 100B–700B 大 MoE 形成“教师—学生”结构，Apache 2.0 成为默认许可证。
Hugging Face 团队用 verl 框架对 GPT-OSS-20B 做智能体强化学习训练，发现 KL 散度和熵爆炸、奖励不升，根因是 MoE 架构下双次前向传播导致新旧 log-prob 不匹配，使 PPO 的 on-policy 重要性采样比值偏离 1。
Mistral AI 团队在 vLLM 上排查一起内存泄漏：在 Mistral Medium 3.1、开启 graph compilation 的 Prefill/Decode 分离部署中，系统内存以每分钟 400 MB 线性增长，数小时后触发 out of memory。Heaptrack 显示堆内存稳定，泄漏发生在堆外，最终指向 NIXL 经 UCX 传输 KVCache 的依赖层。
DeepSeek 于 2025 年 1 月发布 R-1 模型，一年后 Hugging Face 发文回顾其对中国开源 AI 生态的催化作用。R1 以 MIT 许可开放推理路径与后训练方法，降低了技术、采用和心理三重门槛，并成为 Hugging Face 史上获赞最多的模型。
OpenAI 发起、开源社区构建、Hugging Face 生态支持的 Open Responses 开放推理标准发布，基于 Responses API 设计，面向智能体场景。该标准默认无状态，支持加密推理，将流式输出建模为语义事件序列，并原生支持内部与外部工具及子智能体循环。开发者可通过 Hugging Face Inference Providers 和 Spaces 上的早期访问版本试用。
推荐理由：OpenAI 发起、Hugging Face 生态支持的开放推理标准，读者可了解它如何替代 Chat Completion 格式并支持智能体循环。
Google 发布 2025 年度研究回顾，梳理了 8 大突破领域。模型方面，Gemini 2.5 于 3 月发布，Gemini 3 于 11 月推出，Gemini 3 Flash 于 12 月上线，其中 Gemini 3 Pro 登顶 LMArena 排行榜，并在 MathArena Apex 上取得 23.4% 的 SOTA 成绩。
NVIDIA 发布 Nemotron 3 Nano 30B A3B，并公开其完整评测配方，基于开源库 NeMo Evaluator 构建，任何人可复跑评测流程并独立核验结果。
OpenAI 在 Linux 基金会下联合发起 Agentic AI Foundation，并将 AGENTS.md 捐赠给该组织。该基金会旨在支持开放、可互操作的标准，以推动安全的智能体 AI 发展。
推荐理由：OpenAI 把 AGENTS.md 交给 Linux 基金会下的新组织，读者可据此了解智能体标准与开源治理的走向。
Hugging Face 的 Open ASR Leaderboard 新增多语言和长音频转录赛道，截至 2025 年 11 月 21 日已对比来自 18 个机构的 60+ 个开源与闭源模型、覆盖 11 个数据集。
Mistral AI 宣布与 SAP 建立多年合作伙伴关系，为其打造面向德国和欧洲的完全主权 AI 技术栈，并将模型集成进 SAP 的 AI Foundation，共同开发面向复杂行业与政府机构的定制方案。Mistral AI 同时与 Helsing 合作加速面向国防与安全应用的视觉-语言-动作模型研发。该公司还将在未来数月内于德国开设办公室，并大幅扩充本地团队。
Google DeepMind 在新加坡开设新研究实验室，聚焦推进 Gemini 核心能力与亚太语言文化包容性研究，其亚太团队过去一年已扩大逾一倍。该实验室将与当地政府、企业和学术机构合作，并延续与 AI Singapore 共建 SEA-LION 等项目，其中 SEA-LION v4 基于 Gemma 3 多模态能力构建。
AMD 联合 Hugging Face 和 Data Monsters 举办 AMD Open Robotics Hackathon，首场线下赛事于 2025 年 12 月 5-7 日在东京举行，第二场于 12 月 12-14 日在巴黎举行。
Hugging Face 宣布与 Google Cloud 建立更深层合作，让企业能在 Google Cloud 上用开放模型构建自己的 AI。
Hugging Face 发布分析文章，指出中国开源权重模型的推理已开始由华为昇腾、寒武纪等国产芯片承载，部分模型开始用国产芯片训练。文章认为美国出口管制与中国芯片产能提速高度相关，算力稀缺也促使 DeepSeek 的 MLA、GRPO 等效率创新走向开源，并推动 CUDA 之外的软件生态成形。
推荐理由：梳理中国开源模型与国产芯片互相牵引的路径，可看到算力受限如何反过来塑造模型架构与部署生态。
IBM 发布 Granite 4.0 家族最小的 Granite 4.0 Nano，含 4 个 instruct 模型及对应 base 版本，参数规模 350M 与 1B，采用 hybrid-SSM 架构，另有传统 Transformer 版本。
Sentence Transformers 从 TU Darmstadt 的 UKP Lab 转由 Hugging Face 维护，Hugging Face 的 Tom Aarsen 自 2023 年底起已负责维护并将继续领导该项目。
Hugging Face 宣布与威胁情报与恶意软件分析平台 VirusTotal 合作，即日起对 Hub 上 220 万以上公开模型和数据集仓库进行持续扫描。用户访问仓库或文件页面时，Hub 会自动将文件哈希与 VirusTotal 威胁情报库比对，返回干净或恶意状态及检测数量等元数据，不向 VirusTotal 共享原始文件内容。
Hugging Face 发布指南，介绍如何用开源模型构建 OCR 流水线，并新增 Chandra 与 OlmOCR-2 两个模型及 OlmOCR 评测分数。指南覆盖当前 OCR 模型能力、微调与开箱即用的取舍、模型选型要点，以及用多模态检索和文档问答超越传统 OCR。
Intel 与 Hugging Face 联合测试显示，在搭载 Intel Xeon 6 处理器（Granite Rapids）的 Google Cloud C4 虚拟机上运行 OpenAI GPT OSS 大模型，总拥有成本（TCO）较上一代 C3 实例提升 1.7 倍，即 70%。
Arm 将于 10 月 22-23 日参展 PyTorch Conference，展示基于 PyTorch 和 ExecuTorch 的 AI 应用开发与部署方案。
NVIDIA 发布 Nemotron-Personas-Japan，一个面向日语 AI 的开放合成人格数据集，采用 CC BY 4.0 许可，可商用与非商用。数据集含 100 万条记录、每条 6 个人格，共 600 万个人格，约 14 亿 token，覆盖约 95 万个独特姓名和 1500 多个职业类别。
Hugging Face Hub 新增 Public AI 为 Inference Provider，用户可直接调用 Swiss AI Initiative、AI Singapore 等机构的公共与主权模型。
Hugging Face 发布博客，介绍为支持 OpenAI gpt-oss 系列而在 transformers 中做的多项升级，包括可从 Hub 下载的零构建 Kernel、MXFP4 量化、张量并行、专家并行、动态滑动窗口层与缓存、连续批处理与 Paged Attention，以及更快的模型加载。
推荐理由：Hugging Face 官方拆解了为 gpt-oss 引入 transformers 的七项工程改动，可据此了解量化、并行与缓存优化的落地方式。
Together AI 与 Hugging Face 联合推出新能力，Hugging Face Hub 上任意兼容的 LLM 均可通过 Together AI 基础设施微调，支持公开和私有仓库，训练完成后可自动回传至 Hub。
Google 发布 EmbeddingGemma，一款面向端侧场景的多语言嵌入模型，308M 参数、2K 上下文窗口，支持 100 多种语言，量化后内存占用低于 200MB。
推荐理由：原文给出 308M 参数、2K 上下文与量化后 200MB 内存等指标，可据此判断端侧多语言检索的可用边界。
Hugging Face 介绍在 ZeroGPU Spaces 中使用 PyTorch 提前编译（AoT）的方法，通过 spaces 包的 aoti_capture、aoti_compile 和 aoti_apply 等接口，把模型编译一次后即时重载，避免 torch.compile 在短生命周期进程中反复编译。
NVIDIA 发布 Nemotron Post-Training Dataset V2，将英文推理数据翻译为法语、西班牙语、德语、意大利语和日语五种语言，规模约 600 万条。
推荐理由：NVIDIA 公开了多语言推理数据集的构建流程与过滤细节，可据此判断合成后训练数据的翻译质量风险。
Arm 与 ExecuTorch 0.7 beta 将默认启用 KleidiAI，为基于最新 Arm CPU 架构的设备以及大量旧款手机带来自动加速，Android 与跨平台开发者无需改动代码即可通过 ExecuTorch 和 XNNPack 获得优化。
Hugging Face 在 Accelerate 中联合 Axolotl 集成了 ND-Parallel 训练方案，可通过 ParallelismConfig 类自由组合数据并行、FSDP、张量并行与上下文并行策略。
OpenAI 发布其能力最强的开放权重模型，称这是让先进 AI 更开放、灵活和可及的重要一步。官方表示，此次发布旨在推动 AI 惠及尽可能多的人，但未在摘要中给出具体模型名称、参数或能力细节。
推荐理由：OpenAI 官方宣布发布其能力最强的开放权重模型，读者可据此了解其开放与可及性主张。
OpenAI 发布 gpt-oss-120b 和 gpt-oss-20b 两款开放权重推理模型，采用 Apache 2.0 许可，并适用 gpt-oss 使用政策。
推荐理由：OpenAI 以 Apache 2.0 开源两款推理模型，读者可据此了解开放权重模型的新选项与许可条件。
OpenAI 研究发布开放权重模型 gpt-oss 的最坏情况前沿风险，提出"恶意微调"（MFT）方法，通过微调让 gpt-oss 在生物学和网络安全两个领域尽可能发挥最大能力。
NVIDIA 宣布通过 NIM 推理微服务在 Hugging Face 上解锁超过 10 万个 LLM 的快速可靠部署。NIM 现在提供单个 Docker 容器，可部署由 TensorRT-LLM、vLLM 和 SGLang 支持的多种 LLM，并自动完成模型格式识别、架构与量化格式检测、后端选择和性能配置，无需手动调优。
推荐理由：NIM 用单个容器自动识别模型格式与量化方式并选择推理后端，读者可据此判断多模型部署流程能简化到什么程度。
Hugging Face 宣布 Hub 存储从 Git LFS 迁移到 Xet，6 个月内已有 50 万个仓库、20 PB 数据完成迁移，超过 100 万用户在使用 Xet。迁移依靠 Git LFS Bridge 和后台迁移流程实现，旧版客户端无需更换工作流即可继续上传下载。从本月起 Xet 将向所有用户开放，现有仓库会自动迁移，新建仓库默认启用 Xet，后续还将开源 Xet 协议及整套基础设施。
推荐理由：Hugging Face 官方复盘 Hub 从 Git LFS 迁移到 Xet 的工程细节，可看到大规模存储迁移如何做到对用户零打扰。
Hugging Face 基础设施团队公开了支撑其生产环境的三大告警机制，分别覆盖 NAT 网关吞吐量、Hub 请求日志归档成功率等环节。NAT 网关告警在流量超过预设静态阈值时触发，用于发现异常流量峰值并优化网络路径成本；日志归档链路则通过 Filebeat、Logstash 与 Elasticsearch 完成采集、加工与存储。