HuggingFace

Hugging Face：transformers 后端达原生 vLLM 性能

Hugging Face 将 transformers 作为 vLLM 的建模后端大幅优化：通过运行时图分析与代码改写，transformers 后端在多种 Qwen3 模型上已达到或超越原生 vLLM 实现的推理吞吐。模型作者可无需额外移植，即可免费获得原生级别的超快推理性能。

Amazon SageMaker 一键从 Hugging Face 直达

Hugging Face 与 Amazon SageMaker Studio 推出深度链接，一键将 Hugging Face 上选定模型带入 SageMaker Studio 的定制或部署流程，自动配置权限与 GPU 配额可见性，简化从发现到实验与上线的路径。开发者可直接在 Studio 完成微调、训练与部署并即时测试端点。

Hugging Face 携手 SkyPilot 实现跨云零出网存储

Hugging Face 与 SkyPilot 联合推出将 Hugging Face Storage 作为 SkyPilot 的一级后端，通过 hf:// 挂载桶和 Hub 仓库到任意 SkyPilot 任务，读取不计出网费用，从而在多个云与本地集群间自由调度 GPU 计算而无需为跨云读取支付高额流量费。该方案支持懒加载、磁盘缓存与 Xet 增量去重，覆盖训练、调试与推理全流程。

【HUGGINGFACE】LeRobot v0.6：闭环机器人学习

LeRobot v0.6.0 引入能“想象未来”的世界模型策略、多款新视觉-语言-行动（VLA）模型与统一的奖励模型 API，并附带六个仿真基准、部署与训练工具链改进以及更快更丰富的数据集支持，目标是把部署失败转化为训练数据、完成机器人学习闭环。该版本还带来深度感测、自动语言注释、定制视频编码与更精简的安装体验。

【HUGGINGFACE】AI 专精不可避免的逻辑

本文基于 Goldfeder 等（2026）论文，论证在有限资源下专精比普适性更能带来性能优势，汇集优化理论、生物学与市场机制的证据，解释为何 AI 趋向任务定制而非通用化。文章还讨论了负迁移、资源分配与工程实践对系统设计的影响，并提出以专用模型、调度与互补生态来提高效用与可控性。

【HUGGINGFACE】在模型页展示统一评测结果

Hugging Face 已实现 Every Eval Ever (EEE) 与 Community Evals 的互通，允许将结构化评测记录同时链接到模型页面与基准榜单，从而把完整可复现的评测元数据与可见的模型分数关联起来，提高评测可比性与透明度。转换器会把 EEE 的 JSON 转为 Hugging Face 期望的 YAML、校验哈希并在提交前审计冲突，当前支持 MMLU-Pro、GPQA、HLE 与 GSM8K 等基准。