Hugging Face 推出 BenchMIRT：审计 LLM benchmark 到底在测什么
Hugging Face 发布 BenchMIRT，一种在单条 prompt 层面审计 LLM benchmark 的多维 IRT 方法，可分离同一评测中混杂的不同能力信号。
AI 评分30
AI 评分 30 / 100
#推理与训练方法
#推理与训练方法
今日 4 条Hugging Face Blog
Microsoft Research 微软推出 GigaPath-Flash 与 GigaTIME-Flash：高效病理基础模型迈向人群级发现
微软发布 GigaPath-Flash 和 GigaTIME-Flash，以蒸馏自十亿参数 GigaPath 编码器的 22M 参数 ViT-S 骨干替代原模型，在 PANDA 前列腺分级和 EBRAINS 脑肿瘤分型基准上以约 50 倍更少算力达到原 GigaPath 3% 以内的性能。
AI 评分41
AI 评分 41 / 100
Hugging Face Blog Hugging Face Open ASR Leaderboard 新增首个全球南方语言：印地语与印度英语评测集 Monsoon
Hugging Face 与 Voice Arena 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语由此成为该多语言榜单上的首个印度语言。
AI 评分48
AI 评分 48 / 100
Hugging Face Blog精选 IBM 发布 Granite 4.2 推理模型家族：3B、8B、30B 三档
IBM Granite 团队发布 Granite 4.2，这是其首个稠密、decoder-only 的推理模型家族，包含 3B、8B、30B 三个规模，均以 Apache 2.0 许可开源。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog精选 Multiverse Computing 提出 Quantization-Aware Healing：4-bit 压缩模型在 7/9 基准上超过其全精度版本
Multiverse Computing 发布论文《Quantization-Aware Healing: A Practical Recipe for Recovering Compressed, 4-Bit LLMs》，提出 QAH 方法：在结构压缩并量化后，直接从压缩前的原始全精度模型蒸馏，而非从已恢复的 bfloat16 checkpoint 蒸馏。
AI 评分62
AI 评分 62 / 100
Microsoft Research 微软 Skala 1.1 发布：训练数据增 2.5 倍，已集成 CP2K 并接入 Psi4、FHI-aims、ORCA 和 VASP
微软研究院发布深度学习 DFT 交换关联泛函 Skala 1.1，训练数据量较前代增加 2.5 倍，在 GMTKN55 基准 55 个类别中 32 项排名第一，加权平均误差 2.8 kcal/mol。Skala 现已在 CP2K 中可用，并正集成进 Psi4、FHI-aims、ORCA 和 VASP，同时推出持续追踪各版本计算性能的 living benchmark。
AI 评分38
AI 评分 38 / 100
Hugging Face Blog精选 IBM 研究：你的智能体到底需要多少记忆？
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务评测八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
AI 评分62
AI 评分 62 / 100
Import AI Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开。
AI 评分32
AI 评分 32 / 100
Hugging Face Blog精选 Hugging Face 发布 2026 夏季开源模型观察报告
Hugging Face 发布 2026 年 1 月至 8 月的开源模型生态观察报告，基于 Hub 数据给出六项发现。报告显示模型仓库从 243 万增至 296 万，数据集从 71.1 万增至 100 万，Spaces 从 100 万增至 144 万；85.6% 的模型终身下载量不足 200 次，1.5% 的仓库占据 99.2% 的下载量。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog精选 Hugging Face 复现 ICML 2026 的 2200 篇论文，发现了什么
Hugging Face 在 7 月 15 日至 8 月 2 日举办 ICML 2026 开放复现挑战，1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体提交 6816 份 Trackio logbook，覆盖 2226 篇论文，约占会议论文的三分之一。
AI 评分71
AI 评分 71 / 100
Hugging Face Blog Hugging Face 为 OlmoEarth Studio 推出自定义嵌入向量导出功能
Hugging Face 的 OlmoEarth Studio 现已支持计算并导出嵌入向量，用户可通过 UI 或 API 选择区域、时段、编码器变体和分辨率，获得 Cloud-Optimized GeoTIFF（COG）输出。
AI 评分39
AI 评分 39 / 100
Microsoft Research MindTopo 基准揭示多模态大模型的空间推理短板
Microsoft Research 推出 MindTopo 基准，用于评测多模态大模型在连通性、封闭性、顺序、分离与打结等拓扑概念上的推理与规划能力。测试显示，模型在静态图像识别上表现明显优于交互式规划任务，失败多发生在规划阶段而非感知阶段，且整体远低于人类水平。图像与视频生成仅在单帧关系可见时偶有帮助，跨序列操作时仍不可靠。
AI 评分38
AI 评分 38 / 100
Microsoft Research 微软研究院发布 CARE-X：面向临床可用的放射学 VLM，结合辅助监督、奖励对齐学习与工具增强测量
微软研究院推出研究模型 CARE-X，一个统一胸部 X 光 VLM，可同时完成报告生成、结构化诊断预测与病灶定位，并用强化学习（DAPO）在多任务设置下奖励临床正确性。
AI 评分38
AI 评分 38 / 100
Hugging Face Blog Hugging Face 提出离线 Top-K Logits 与融合分块 KL 损失，大幅降低 LLM 知识蒸馏成本
Hugging Face 发布论文《Efficient Knowledge Distillation for LLMs: Offline Top-K Logits and a Fused Chunked KL Loss》，通过缓存教师模型 top-100 logits 并融合分块计算 KL 损失，将蒸馏峰值显存从约 250GB 降至约 128GB。
AI 评分40
AI 评分 40 / 100
Google DeepMind精选推荐 Google DeepMind 的 WeatherNext 在气旋预报上取得突破并开源模型
Google DeepMind 在 Nature 发表论文，称 WeatherNext AI 模型在预测气旋路径、强度和风场结构上达到 SOTA，平均多出一天预报提前量，三天预报精度相当于此前模型的两天水平，约等于气象领域十年的进展。
AI 评分82
AI 评分 82 / 100
OpenAI News精选 OpenAI 公布数学与理论计算机科学领域的十项进展
OpenAI 公布在数学与理论计算机科学若干长期未解问题上取得的新结果，涵盖几何、密码学与复杂性等方向。
AI 评分62
AI 评分 62 / 100
OpenAI News 如何通过开启两项设置让 GPT-5.6 在 ARC-AGI-3 基准测试中得分翻三倍
开启两项 API 设置后，GPT-5.6 在 ARC-AGI-3 基准测试中的得分提升至原来的三倍。这两项设置分别用于保留推理过程和启用压缩（compaction），在提升得分的同时也改善了效率。
AI 评分40
AI 评分 40 / 100
Berkeley AI Research精选 从 CUDA 到 MLX：K-Search 如何把数十年内核经验带到 Apple Silicon
IBM Research 基于 UC Berkeley Sky Lab 的 K-Search 进化式内核搜索框架，为 Apple Silicon 的 MLX 构建了后端和结构化 CUDA-to-MLX 翻译层，让现有 CUDA 内核作为知识库被自动适配为 Metal 内核。
AI 评分62
AI 评分 62 / 100
Berkeley AI Research Berkeley AI Research 提出 ABBEL：用信念状态监督 LLM 长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，以解决递归摘要带来的性能损失。在 CollabBench 协作编程任务中，基于重构的信念评分将 ABBEL 与全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 长度也显著低于全上下文。
AI 评分34
AI 评分 34 / 100
Berkeley AI Research 智能免费之后怎么办？面向智能体、由智能体运行、由智能体构建的数据系统
伯克利 EPIC Data Lab 提出近零推理成本时代的三大数据系统挑战：为智能体设计（Data Systems For Agents）、运行智能体（Of Agents）、由智能体构建（By Agents）。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不足 $1，部分厂商已低于 $0.10，推理价格年降幅 9x 至 900x、中位数约 50x。
AI 评分38
AI 评分 38 / 100
Hugging Face Blog PRX Part 4：我们的数据策略
PRX 系列第四篇披露其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式训练的语料。团队用 Lance 做数据构建与筛选、MDS 做流式训练，并将文本编码器从 T5Gemma 换成 Qwen3-VL，改为训练中实时计算文本 latent，实测吞吐损失约 3–4%（30 天训练约多花 1 天）。
AI 评分34
AI 评分 34 / 100
Hugging Face Blog精选 NVIDIA NeMo AutoModel 发布，MoE 微调吞吐提升 3.4-3.7 倍
NVIDIA 发布开源库 NeMo AutoModel，基于 HuggingFace Transformers v5 构建，在微调 MoE 模型时相比原生 v5 训练吞吐提升 3.4-3.7 倍、GPU 显存降低 29-32%，且只需改动一行 import。
AI 评分60
AI 评分 60 / 100
Qwen Blog精选推荐 Qwen 发布 Qwen-AgentWorld 语言世界模型，覆盖七大智能体环境并开源 35B-A3B
Qwen 团队发布 Qwen-AgentWorld，一个原生语言世界模型，用单一模型模拟 MCP、Search、Terminal、SWE、Web、OS、Android 七类智能体环境，并同步开源 35B-A3B 版本与 AgentWorldBench 评测集。
AI 评分82
AI 评分 82 / 100
Hugging Face Blog Hugging Face 提出 MosaicLeaks：深度研究智能体会泄露隐私吗？
Hugging Face 发布 MosaicLeaks，用 1001 条多跳研究链评测深度研究智能体的隐私泄露风险，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄露隐私，仅针对任务表现训练会加剧泄露；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，并把答案/全信息泄露率从 34.0% 降至 9.9%。
AI 评分48
AI 评分 48 / 100
Hugging Face Blog精选 Hugging Face 实测：LoRA 之外还有哪些更好的微调技术
Hugging Face 在 PEFT 库中加入统一条件的基准测试，比较 LoRA 与其他参数高效微调技术的表现。
AI 评分62
AI 评分 62 / 100
Google DeepMind精选 Google DeepMind 发布 DiffusionGemma：文本生成最高提速 4 倍
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式并行生成整块文本，在专用 GPU 上推理最高提速 4 倍。该模型为 26B MoE 架构，推理时仅激活 3.8B 参数，量化后可放入 18GB 显存，单张 NVIDIA H100 上超过 1000 tokens/秒，RTX 5090 上超过 700 tokens/秒。
AI 评分71
AI 评分 71 / 100
Google DeepMind精选 Google DeepMind 在塞拉利昂开展 AI 学习效果随机对照试验
Google DeepMind 公布在塞拉利昂开展的预注册随机对照试验结果，使用 Guided Learning 的学生数学成绩比对照组提升 0.258 个标准差，约相当于八周内取得 1.2 至 1.7 年的常规学习进度；教师将 Gemini 融入约一半课程、达到 12 小时目标的班级增益更高，约为 1.8 至 2.5 年。
AI 评分62
AI 评分 62 / 100
Hugging Face Blog 超越聊天机器人：用模型自身失败样本做 DPO，降低 OCR 文本退化
DharmaOCR 团队将 Direct Preference Optimization（DPO）用于结构化 OCR 任务，把正确转录设为 chosen、退化循环设为 rejected，在 SFT 之后追加第二阶段训练，使所有测试模型家族的文本退化率平均下降 59.4%，最高降幅 87.6%（Nanonets-OCR2–3B 从 1.61% 降至 0.20%）。
AI 评分34
AI 评分 34 / 100
Qwen Blog精选推荐 阿里发布 Qwen3.7-Max：面向智能体时代的旗舰模型
阿里 Qwen 团队发布专有旗舰模型 Qwen3.7-Max，定位为智能体基础模型，可通过阿里云 Model Studio 的 API 调用。
AI 评分82
AI 评分 82 / 100
Hugging Face Blog OlmoEarth v1.1 发布：更高效的地球观测模型系列
Hugging Face 发布 OlmoEarth v1.1，通过将 Sentinel-2 各分辨率合并为单一 token 缩短序列长度，在保持 v1 性能的同时将计算成本最多降低 3 倍。该系列包含 Base、Tiny 和 Nano 三种规模，权重与训练代码已开放，微调和推理速度显著提升，但技术报告也提到部分任务出现性能回退。
AI 评分38
AI 评分 38 / 100
Google DeepMind Google DeepMind Co-Scientist 加速逆转细胞衰老的基因研究
Google DeepMind 的 Co-Scientist 正被用于加速细胞衰老研究：它扫描数万篇论文后提出 20 多个新的候选遗传因子，实验室验证其中几个成功将细胞推向更年轻状态并改善整体功能。它还能结合文献分析大规模基因筛选数据，把原本长达六个月的分析缩短到几天。
AI 评分50
AI 评分 50 / 100
Google DeepMind Google Co-Scientist 加速肝病机制发现，锁定 MASH 组合疗法新靶点
爱丁堡大学团队用 Google Co-Scientist 研究 MASH 肝病，该系统整合肝生物学与药理学证据，提出 NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁，该假设随后经实验验证。这一发现有望推动针对 MASH 的靶向双重疗法，并解释药物 resmetirom 为何仅对少数合格患者有效。
AI 评分38
AI 评分 38 / 100
Google DeepMind Google DeepMind 用 Co-Scientist 发现抗肝纤维化药物
斯坦福大学医学院遗传学家 Gary Peltz 团队用 Google DeepMind 的 Co-Scientist 筛选抗肝纤维化药物，其提出的 3 个候选药物中有 2 个在活体人类肝细胞测试中阻断纤维化并促进肝细胞再生，而 Peltz 自己挑选的 2 个药物均无效。
AI 评分48
AI 评分 48 / 100
Hugging Face Blog Granite Embedding Multilingual R2 发布：Apache 2.0 多语言嵌入模型，32K 上下文，Sub-100M 检索质量最佳
Hugging Face 发布两款基于 ModernBERT 的 Apache 2.0 多语言嵌入模型：97M 参数的 granite-embedding-97m-multilingual-r2 在 MTEB Multilingual Retrieval 上得分 60.3。
AI 评分42
AI 评分 42 / 100
Berkeley AI Research 自适应并行推理：高效推理扩展的下一范式
自适应并行推理让模型自行决定何时分解并并行化独立子任务、生成多少并发线程以及如何协调它们，以解决顺序推理随探索量线性增长带来的上下文膨胀、context-rot 和延迟问题。
AI 评分36
AI 评分 36 / 100
Qwen Blog精选 Qwen 开源可解释性模块 Qwen-Scope，覆盖 Qwen3 与 Qwen3.5 共 14 组 SAE 权重
Qwen 团队发布可解释性模块 Qwen-Scope，在 Qwen3 与 Qwen3.5 系列模型的隐藏层插入并训练稀疏自编码器（SAE），自动提取解耦、低冗余的隐藏空间特征。
AI 评分72
AI 评分 72 / 100
Hugging Face Blog精选 Granite 4.1 LLM 是如何构建的：IBM 披露五阶段预训练与多阶段 RL 细节
IBM Granite 团队发布 Granite 4.1 系列稠密解码器 LLM（3B、8B、30B），基于约 15T token 的五阶段预训练流程，上下文窗口最长扩展至 512K token，并以 Apache 2.0 许可开源。
AI 评分62
AI 评分 62 / 100
Qwen Blog精选 Qwen 团队开源 FlashQLA：面向 Gated Delta Network 的融合线性注意力算子库
Qwen 团队开源 FlashQLA，一个基于 TileLang 的 GDN 线性注意力算子库，在 NVIDIA Hopper 上前向比 FLA Triton 内核快 2-3 倍、反向快 2 倍。
AI 评分78
AI 评分 78 / 100
Hugging Face Blog精选推荐 DeepSeek-V4 发布：面向智能体任务的百万 token 上下文
DeepSeek 发布 V4，在 Hub 上提供两个 MoE 检查点：DeepSeek-V4-Pro 总参数 1.6T、激活 49B，DeepSeek-V4-Flash 总参数 284B、激活 13B，均支持 1M token 上下文窗口。
AI 评分87
AI 评分 87 / 100
DeepSeek News精选推荐 DeepSeek-V4 预览版上线并开源：1M 上下文，分 Pro 与 Flash 两个版本
DeepSeek 上线并开源了 DeepSeek-V4 预览版，全系标配 1M 上下文，分为 V4-Pro 与 V4-Flash 两个版本。
AI 评分82
AI 评分 82 / 100