Hugging Face 发布 2026 春季开源生态报告，基于平台数据回顾过去一年变化：2025 年平台用户增至 1300 万、公开模型超 200 万、公开数据集超 50 万。报告称中国模型在月度与总下载量上超过美国，过去一年占下载量的 41%；机器人数据集从 2024 年的 1145 个增至 2025 年的 26991 个，成为平台上规模最大的数据集类别。
推荐理由：Hugging Face 用平台数据勾勒开源 AI 一年变化，中国模型下载占比与机器人数据集增长是其中两条主线。
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态计算机操作模型，现已上线 Hugging Face，采用 NVIDIA Open Model License。
推荐理由：原文给出模型来源、混合 SSM 架构与吞吐对比数据，读者可据此判断其在长上下文智能体场景的部署取舍。
Hugging Face 在 Hub 上推出 Storage Buckets，一种非版本化的 S3 式可变对象存储，可通过浏览器、Python 或 hf CLI 管理，地址形如 hf://buckets/username/my-training-bucket。
推荐理由：原文给出可变对象存储的定位与 Xet 去重、预热的机制，读者可据此判断它是否适合训练中间产物的存放。
Hugging Face 发布对 16 个开源强化学习库的调研，比较它们如何把推理与训练拆分到不同 GPU 池、用 rollout buffer 连接并异步同步权重。
推荐理由：基于 16 个开源 RL 库的横向对比，梳理异步训练在权重同步、陈旧样本与部分 rollout 上的七类设计取舍。
Hugging Face 发布教程，介绍源自 Snowflake AI Research 的 Ulysses 序列并行如何通过注意力头切分把长序列训练分布到多张 GPU，并已集成到 Accelerate、Transformers Trainer 和 TRL 的 SFTTrainer。
推荐理由：原文给出 Ulysses 序列并行在 Hugging Face 生态的接入方式与实测数据，可据此判断长上下文训练的显存与吞吐取舍。
LeRobot v0.5.0 发布，自 v0.4.0 以来合并 200 多个 PR、新增 50 多位贡献者，首次加入 Unitree G1 人形机器人支持，覆盖行走、操作、遥操作与全身控制。
推荐理由：LeRobot v0.5.0 一次性补齐人形机器人、自回归 VLA 与流式视频编码，可据此判断开源机器人栈的当前边界。
NXP 发布在嵌入式平台部署机器人 AI 的实践指南，涵盖机器人数据集录制、VLA 策略（ACT 和 SmolVLA）微调，以及 NXP i.MX 95 SoC 优化后的实时性能表现。指南以"把茶包放进杯子"任务为例，记录了 120 个 episode，并建议采用 3 摄像头配置（顶部、夹爪、左侧）以平衡精度与延迟。
Hugging Face 发布 Modular Diffusers，用可复用的 block 组合扩散流水线，作为 DiffusionPipeline 的补充方案。
推荐理由：原文给出可组合模块的 API 与自定义块示例，读者可据此判断扩散流水线拆解后如何复用与共享。
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。
Hugging Face 发布教程，介绍如何通过 Claude Code、Codex 等编码智能体，用 Unsloth 和 Hugging Face Jobs 微调 LiquidAI/LFM2.5-1.2B-Instruct。
推荐理由：原文给出可直接复用的 CLI 命令、Skill 安装步骤与按模型规模划分的 GPU 成本表，读者可据此估算小模型微调开销。
IBM Research 与 UC Berkeley 合作，用 MAST（多智能体系统失败分类法）分析 ITBench 中 310 条 SRE 执行轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
推荐理由：IBM 与 UC Berkeley 用 MAST 分类法拆解 310 条 ITBench 执行轨迹，给出不同模型失败模式的差异与对应工程干预方向。
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 发布 cuda-kernels Agent 技能，让 Claude Code、Codex 等编码智能体自动编写生产级 CUDA kernel，并完成 PyTorch 绑定与基准测试。
推荐理由：Hugging Face 把 CUDA kernel 开发经验打包成 Agent 技能，并给出两个真实模型的实测数据，可迁移到其他领域知识封装。
Meta 与 Hugging Face 联合推出开源框架 OpenEnv，用于让智能体连接真实工具与 API 而非模拟环境，采用 Gym 风格 API 和标准 MCP 工具调用接口。
推荐理由：Meta 与 Hugging Face 的 OpenEnv 框架及 Turing 日历环境给出了工具型智能体在权限与多步流程下的实测数据，可据此判断真实环境评测的难点。
Hugging Face 发布 Transformers.js v4，已上线 NPM，可通过 npm i @huggingface/transformers 安装。
推荐理由：原文给出 WebGPU 运行时重写、构建提速与包体积变化等具体数据，可据此判断浏览器端本地推理的工程成熟度。
SyGra 2.0.0 发布 Studio，一个把合成数据生成变成可视化流程的交互环境，画布上搭建的流程会自动生成 SyGra 兼容的图配置和任务执行脚本。
Mistral 发布 Voxtral Transcribe 2，包含批量转写的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime，支持说话人分离、上下文偏置和词级时间戳，覆盖 13 种语言。
推荐理由：官方给出两款语音转写模型的延迟、错误率与每分钟价格，可据此判断实时语音场景的选型成本。
Hugging Face 在 Hub 上线 Community Evals，基准数据集仓库现在可以注册为 benchmark 并自动聚合全站上报的评测结果，在数据集卡片中展示排行榜。
推荐理由：Hugging Face 把评测分数从黑箱榜单搬到 Hub 仓库，读者可据此了解评测结果如何被公开、复现与追溯。
H Company 发布迄今最大的 UI 定位模型 Holo2-235B-A22B Preview，在 ScreenSpot-Pro 上以 3 步智能体模式达到 78.5%、OSWorld G 达 79.0%，创下新 SOTA。
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 公布 PRX 文本到图像模型训练消融实验，基于 1.2B 参数的 PRX-1.2B 在 Flux VAE 潜空间训练 100k 步，数据集为 MidJourneyV6 生成的 100 万张 256×256 合成图像。
Gradio 团队发布开源 Python 库 Daggr，用于把 Gradio 应用、ML 模型和自定义函数串联成 AI 工作流，并自动生成可视化画布。画布可查看任意节点的中间输出、修改输入并单独重跑某一步，无需执行整条流水线，还支持状态持久化和用 backup nodes 替换模型。
推荐理由：Gradio 团队开源 Daggr，用代码定义工作流并自动生成可视化画布，可单独重跑某一步，为多模型串联调试提供了一种轻量方案。
Hugging Face 发布新工具 upskill，用 Claude Opus 4.5 等大模型生成并评测 agent skill，再交给更小或本地模型使用。
推荐理由：原文给出用大模型生成 Skill 再迁移到小模型的可复用流程与评测命令，读者可据此降低推理成本。
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。
Hugging Face 推出 AssetOpsBench，一个面向工业资产生命周期管理的 AI 智能体评测基准，覆盖 2.3M 传感器遥测点、140+ 场景、4.2K 工单和 53 种结构化故障模式。
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。
Overworld 发布实时交互视频扩散模型 Waypoint-1，可通过文本、鼠标和键盘控制，权重已上线 Hugging Face，Small 版为 2.3B 参数。
推荐理由：原文给出模型权重、训练方法和推理库，读者可据此判断实时交互视频生成的技术路线与可用性。
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。
Falcon-H1-Arabic 阿拉伯语模型家族发布，包含 3B、7B、34B 三个参数规模，采用 Mamba 与 Transformer 注意力并行的 Falcon-H1 混合架构。
Hugging Face 博客发布教程，介绍如何用 NVIDIA DGX Spark 配合 Reachy Mini 复现 CES 2026 主题演讲中的桌面智能体，代码已开源。
Hugging Face 发布 8B 参数安全防护模型 AprielGuard，可检测 16 类安全风险及提示注入、越狱、思维链污染、记忆投毒、多智能体攻击等对抗攻击，并覆盖工具调用与推理轨迹等智能体工作流。模型提供推理与非推理两种模式，兼顾可解释分类与低延迟生产部署。
Hugging Face 发布 Transformers v5，将 tokenizer 架构与训练词表分离，类似 PyTorch 分离网络结构与权重，使 tokenizer 可检查、可定制、可从零训练。v5 提供清晰的类层级和单一快速后端，支持 BPE、Unigram、WordPiece 等算法，并可通过 AutoTokenizer 自动选择正确的 tokenizer 类。
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。
IBM 研究团队开源的可配置通用智能体 CUGA 上线 Hugging Face Spaces，演示环境内置一个小型 CRM 系统和 20 个预配置工具，用于销售数据查询与 API 交互。
推荐理由：CUGA 在 AppWorld 与 WebArena 上的成绩和 Hugging Face Space 入口，让读者能判断可配置智能体的落地方式。
llama.cpp server 新增 router 模式，可在不重启服务的情况下动态加载、卸载和切换多个模型。该模式采用多进程架构，每个模型独立运行，单个模型崩溃不影响其他模型；支持自动发现缓存或 --models-dir 目录中的 GGUF 文件、按需加载、LRU 淘汰（默认 --models-max 为 4）以及按请求中的 model 字段路由。
推荐理由：llama.cpp 新增 router 模式，可在不重启服务的前提下动态加载、卸载和切换多个模型，适合本地多模型部署场景。
Hugging Face 发布教程，展示如何让 OpenAI Codex 通过 HF Skills 仓库完成端到端机器学习实验，包括数据校验、硬件选择、提交 Hugging Face Jobs 训练、监控进度、评测并生成训练报告。
推荐理由：原文给出 Codex 调用 HF Skills 完成端到端微调的完整流程与成本区间，可据此判断智能体托管训练实验的可行边界。
Hugging Face 推出 swift-huggingface，一个面向 Hugging Face Hub 的完整 Swift 客户端，可独立使用并即将整合进 swift-transformers 替代现有 HubApi。
Hugging Face 推出 Hugging Face Skills，让 Claude Code 等编码智能体直接提交云端 GPU 微调任务、监控进度并把模型推送到 Hub。
推荐理由：原文给出了一套可复用的技能包与完整操作流程，读者可据此让编码智能体接管微调全流程。