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 上的下载、点赞与衍生模型数据。报告显示公开模型仓库从 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，但 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。
推荐理由：Hugging Face 用平台下载、点赞与衍生模型数据，给出开源模型生态在规模、许可与采用上的半年变化。
Hugging Face 博客指出，AI 的下一个真正约束是 GPU 利用率而非智能本身。GPU 按日历小时计费，产出却只按计算小时累积，两家 GPU 预算相当的公司会因利用率差异而拉开差距。企业自购 GPU 本地部署可把按 token 线性增长的 API 成本换成固定资本支出，但集群上线后的问题变成如何让它们保持忙碌。
UC Berkeley 团队提出，随着推理成本从 2023 年初 GPT-4 级约 $30/百万 token 降至如今不到 $1、部分低于 $0.10，数据系统面临三大新挑战。
Google DeepMind 发文回顾 AlphaGo 击败围棋世界冠军十周年，称其标志着现代 AI 时代的开端。此后该技术路线催生了 AlphaFold 2，预测出科学界已知的 2 亿个蛋白质结构并开源，2024 年 Demis Hassabis 与 John Jumper 因此获诺贝尔化学奖。
Hugging Face 博客系列第三篇指出，开源已成为中国 AI 机构近期的主流路线，DeepSeek 是 Hugging Face 上关注度最高的组织，Qwen 位列第四。
中国开源模型近一年几乎一致转向 MoE 架构，Kimi K2、MiniMax M2、Qwen3 均采用该路线，以在算力约束下平衡能力与成本。开源方向从文本扩展到多模态与智能体，StepFun 的 Step-Audio-R1.1 语音模型性能超越闭源模型，腾讯开源 Hunyuan Video 与 Hunyuan 3D。
Hugging Face 发布长文分析全球 AI 算力格局的变化，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。
推荐理由：梳理美国出口管制与中国国产芯片、开源模型之间的因果链，并给出从硬件到软件栈的替代进展时间线。
Hugging Face 发布《伦理与社会通讯》第6期，聚焦 AI 数据质量。文章指出高质量数据并非仅指准确或量大，而应契合具体用途，需具备相关性、全面性、时效性并减少偏见。数据质量直接影响模型性能、鲁棒性、效率与公平性，应从 AI 开发全生命周期加以重视。
Hugging Face 发布 2023 年开源 LLM 回顾，梳理了 BLOOM、OPT、GLM-130B 等预训练模型家族。BLOOM 最大版本为 176B 参数，基于 350B token 的 46 种人类语言和 13 种编程语言数据训练；Meta 的 OPT 最大版本为 175B 参数，训练数据 180B token。
Hugging Face 发布 Ethics and Society Newsletter 第二期，讨论机器学习中的偏见问题。文章指出偏见是复杂的社会技术问题，单一技术手段难以有效解决，并介绍了团队在数据集与模型等 ML 开发各环节开发的偏见分析工具。
Hugging Face 研究科学家 Sasha Luccioni 在访谈中介绍了她在 Big Science 项目中主持碳足迹工作组的工作，研究范围不止于统计 CO2 排放，还涵盖制造成本乃至一封邮件产生多少 CO2 等维度。
Hugging Face 发布机器学习专家访谈，嘉宾 Margaret Mitchell 曾任 Google 伦理 AI 团队创始人兼联合负责人，现于 Hugging Face 制定伦理 AI 研究协议与包容性招聘体系。她因在微软 Seeing AI 项目中目睹图像数据偏差而转向伦理 AI，指出 ML 团队普遍缺乏相关概念与词汇，且行业"Alpha"文化使女性主导的伦理研究被轻视。
微软和 NVIDIA 发布 Megatron-Turing NLG 530B，号称全球最大最强的生成式语言模型，但复现该实验的基础设施成本接近 1 亿美元。作者质疑这类超大模型趋势：单台 DGX A100 服务器售价 19.9 万美元、功耗最高 6.5 千瓦，而 2019 年马萨诸塞大学研究显示在 GPU 上训练 BERT 的碳排放约等于一次横跨美国的飞行。