Hugging Face 发布 nanoVLM，一个用纯 PyTorch 训练视觉语言模型（VLM）的轻量工具包，可在免费 Colab 上启动训练。其视觉骨干采用 Google 的 SigLIP 编码器，语言骨干沿用 Llama 3 架构，两者通过 Modality Projection 模块对齐，训练目标为视觉问答。
推荐理由：官方给出 nanoVLM 的架构选择与训练流程，读者可据此在免费 Colab 上跑通一个 VLM。
微软在 Build 大会上宣布扩大与 Hugging Face 的合作，Azure AI Foundry 的 Hugging Face Collection 现已提供 10,000+ 开源模型，可一键部署到 Azure 安全基础设施，覆盖文本、音频和图像任务。
Falcon-Edge 系列发布，基于 BitNet 架构，提供 1B 和 3B 两种规模，每种规模都有 base 与指令微调版本，权重以三值格式（{-1, 0, 1}）提供。
推荐理由：Falcon-Edge 用一次预训练同时产出 bfloat16 与三值量化版本，并给出可直接微调的权重与工具包，读者可据此判断 1.58bit 模型的落地路径。
Hugging Face 宣布将 Transformers 打造为跨框架的模型定义中枢，模型架构只要被 Transformers 支持，就能在生态其他工具中获得支持。目前 Transformers 已支持 300+ 模型架构，平均每周新增约 3 个，并与 vLLM、SGLang、TGI 等推理引擎及 llama.cpp、MLX 打通互操作。官方还计划简化建模代码、弃用冗余组件，降低社区贡献门槛。
推荐理由：Hugging Face 官方说明 Transformers 将作为跨框架的模型定义中枢，读者可据此理解模型一次贡献、多引擎复用的生态走向。
Hugging Face 与 Kaggle 推出集成，Kaggle 用户可直接在平台上发现并使用 Hugging Face 模型，如在 Qwen/Qwen3-1.7B 等模型页点击“Use this model”选择 Kaggle 即可生成含加载代码的 Notebook。
Hugging Face 在 Inference Endpoints 上线新版 OpenAI Whisper 部署方案，基于 vLLM 实现，性能较此前版本最高提升 8 倍，转录质量无损。
Hugging Face 发布博客盘点过去一年视觉语言模型的关键变化，涵盖 any-to-any、推理、小尺寸、MoE 解码器、视觉语言动作模型等新趋势。
Hugging Face 的 LeRobot 项目正推动社区共建机器人数据集，将其定位为机器人领域的“ImageNet”，目前 Hub 上的 lerobot 数据集数量快速增长，贡献主要集中在 So100 和 Koch 机械臂。项目通过简化录制流程、打通上传至 Hugging Face Hub、降低硬件成本来扩大数据多样性，并指出数据整理（curation）是下一阶段的核心挑战。
Intel 发布权重仅训练后量化方法 AutoRound，通过符号梯度下降联合优化权重舍入与裁剪范围，支持 INT2-INT8 低比特量化。在 INT2 下其相对精度最高达主流基线 2.1 倍，量化 72B 模型在 A100 上仅需 37 分钟（light 模式）。
ServiceNow 开源实验性 RL 实现 PipelineRL，通过训练中 inflight 权重更新，在不停推理的前提下持续保持最优 batch size，缓解高吞吐推理与 on-policy 数据采集之间的取舍。
Gradio 不只是构建 UI 的 Python 库，而是通过 UI 和 API 与机器学习模型交互的框架。所有 Gradio 应用自带 API，提供 Python（gradio_client）和 JavaScript（@gradio/client）官方 SDK 及 cURL 访问，并自动生成 REST 端点和 API 文档。
Protect AI 与 Hugging Face 合作半年，截至 2025 年 4 月 1 日已扫描 Hugging Face Hub 上 141 万个仓库中的 447 万个模型版本，在 5.17 万个模型中识别出 35.2 万个不安全或可疑问题。
Hugging Face 宣布收购已成立 9 年的开源机器人公司 Pollen Robotics，这是其第五次收购，此前曾收购 Gradio 和 XetHub。
推荐理由：Hugging Face 收购 Pollen Robotics 并开卖 Reachy 2，可看到开源机器人从代码库走向硬件销售的具体路径。
Hugging Face 与 Cloudflare 达成合作，FastRTC 开发者用 Hugging Face token 即可接入 Cloudflare 的 WebRTC 基础设施。
Hugging Face 与 MBZUAI 合作推出 Arabic-Leaderboards Space，统一阿拉伯语 AI 评测入口，目前上线 AraGen-03-25 和 Arabic Instruction Following 两个榜单。
Meta 发布 Llama 4 Maverick（约 400B 总参数）与 Llama 4 Scout（约 109B 总参数），两者均为 17B 激活参数的 MoE 模型，原生支持文本与图像输入，并已在 Hugging Face Hub 上线。
推荐理由：Hugging Face 官方给出 Llama 4 两款 MoE 模型的架构细节与部署入口，可据此判断长上下文与多模态的落地条件。
Hugging Face 的 Gradio 月活开发者已超过 100 万，Automatic1111、Oobabooga 的 Text Generation WebUI、Dall-E Mini 和 LLaMA-Factory 等热门开源项目均基于它构建。
Hugging Face 将已有 3 年历史的 NLP Course 更名为 LLM Course，并新增微调 LLM、构建 Deepseek R1 等推理模型的章节。
Hugging Face 将密钥管理从 AWS 单云方案迁移至 Infisical，以支撑其 Hub 上超 400 万构建者的多云端（Azure、GCP）环境。团队通过 Infisical Kubernetes Operator 自动同步密钥更新，并借助 Okta 集成实现细粒度 RBAC，取代了不安全的本地 .env 文件。工程师仍偏好手动重新部署，以应对每分钟超 1000 万请求的高流量场景。
Hugging Face 通过 PR #3091 将 Intel Gaudi 硬件支持原生集成进 Text Generation Inference（TGI），取代此前独立维护的 tgi-gaudi 分支，覆盖 Gaudi1、Gaudi2、Gaudi3 全线硬件。
DeepSeek 本周在 Hugging Face Hub 上线 DeepSeek-V3 0324，架构与初代 DeepSeek-V3 相同，但改用 MIT 许可，重点提升指令遵循、代码与数学能力。
推荐理由：梳理 DeepSeek-V3 0324 的基准提升与 MIT 许可变化，并给出本地部署与安全使用的具体路径。
Sentence Transformers 库可用于微调 reranker（Cross Encoder）模型，使其在自有数据上超越所有现有方案，也能从零训练出强力的新 reranker。
Hugging Face 博客介绍了如何在本地通过 LM Studio 和 VS Code 的 Continue 扩展运行 OlympicCoder 7B 编程模型，推荐使用 4bit GGUF 量化版本。该模型在 LiveCodeBench 评测中表现优于 Claude 3.7 Sonnet 和 GPT-4o，基于 CodeForces-CoTs 数据集优化，适合处理竞赛类编程难题。
Hugging Face 于 3 月 14 日向白宫 OSTP 的 AI 行动计划 RFI 提交回应，主张开放 AI 系统与开放科学是提升性能、采用率与安全性的基础。
Hugging Face 的 Xet 团队将首批 Model 和 Dataset 仓库从 LFS 迁移到 Xet 存储，迁移了 4.5 TB 数据，约 6% 的 Hub 下载流量转到 Xet 基础设施。
推荐理由：Hugging Face 官方复盘 Xet 存储首次迁移，给出块级去重带来的上传下载变化与迁移中的工程取舍。
NVIDIA 在 GTC 2025 上发布三项面向物理 AI 的开源成果：世界基础模型 Cosmos Transfer、Physical AI Dataset 以及人形机器人基础模型 NVIDIA Isaac GR00T N1。
推荐理由：NVIDIA 一次性开源世界模型、数据集与人形机器人基础模型，读者可据此判断物理 AI 开发可用的工具链起点。
Google 发布 Gemma 3 系列开放权重模型，提供 1B、4B、12B、27B 四种规模，含预训练与指令微调版本。4B、12B、27B 支持图像与文本输入及 140 多种语言，上下文窗口从 Gemma 2 的 8k 提升至 128k，1B 版本为纯文本、32k 上下文。
推荐理由：梳理 Gemma 3 的四种规模、多模态与 128k 上下文改动，并给出 transformers、MLX、llama.cpp 的落地路径。
Hugging Face 的 Open R1 项目发布第三期更新，聚焦复现 DeepSeek-R1 配方中的竞赛编程代码推理部分。
推荐理由：Open R1 公开了 CodeForces-CoTs 数据集、IOI 基准与 OlympicCoder 模型，并给出五条蒸馏训练经验，可迁移到自己的代码推理训练流程。
Hugging Face 的 LeRobot 团队与 Yaak 联合发布 L2D（Learning to Drive），称其为全球最大的开源自动驾驶数据集，包含 90+ TB 多模态数据、5000+ 小时驾驶记录，来自德国 30 座城市的 60 辆驾校车辆。
推荐理由：L2D 以 90TB 多模态驾驶数据补齐端到端自动驾驶训练集缺口，并直接接入 LeRobot 训练管线。
Hugging Face 发布教程，演示如何用 React Native 和 llama.rn（llama.cpp 的绑定）构建 Android/iOS 应用，从 Hugging Face hub 下载 GGUF 模型并在设备本地离线运行。
Cohere For AI 发布 Aya Vision 系列 8B 和 32B 参数视觉语言模型，覆盖 23 种语言，并以开放权重形式发布。
推荐理由：官方披露了 8B 与 32B 两个开源权重的多语言视觉语言模型，并给出与更大规模模型的对比胜率，便于判断小参数多模态模型的当前水位。
Hugging Face 宣布与 JFrog 合作，将 JFrog 扫描器集成到 Hugging Face Hub，用于检测模型权重中的恶意代码。相比仅对模块名做模式匹配的 picklescan，JFrog 会解析并分析模型权重中的代码，以减少误报。所有公开模型仓库在推送文件后将自动被扫描，目前已扫描数亿个文件。
Hugging Face 博客介绍如何用 Arize Phoenix 为 smolagents 构建的 Agent 做追踪与评估，通过 OpenTelemetry 和 OpenInference 自动捕获每次 Agent 调用。
Hugging Face 发布 FastRTC，一个用 Python 构建实时音频和视频 AI 应用的实时通信库。它内置自动语音检测与轮次切换、WebRTC 版 Gradio UI、WebSocket 支持，并可通过 fastphone() 获取免费电话号码接入音频流。库还提供语音转文字、文字转语音和停用词检测等工具，可挂载到任意 FastAPI 应用部署。
推荐理由：FastRTC 把 WebRTC 实时音视频通信封装成 Python 库，读者可据此判断实时语音应用的搭建门槛变化。
Hugging Face Diffusers 团队实验性推出 Remote VAE，将扩散模型的 VAE 解码过程委托给远程 Inference Endpoints，以降低高分辨率图像和视频生成对消费级 GPU 的显存压力。
Google 发布 SigLIP 2 系列多语言视觉语言编码器，在 SigLIP 的 sigmoid loss 基础上加入解码器、自蒸馏 Global-Local loss 与 Masked Prediction loss 等训练目标。
推荐理由：梳理 SigLIP 2 相比 SigLIP 新增的训练目标与 naflex 动态分辨率变体，便于理解视觉编码器的演进方向。
Hugging Face 发布 SmolVLM2 系列视频理解模型，提供 2.2B、500M 和 256M 三种参数规模，并称 500M 与 256M 是迄今最小的视频语言模型。
推荐理由：官方给出三种参数规模与 Video-MME 表现，可据此判断小模型端侧视频理解的实际可用边界。
Google 发布 PaliGemma 2 Mix，这是基于 SigLIP 和 Gemma 2 的 PaliGemma 2 视觉语言模型系列的微调版本，覆盖 OCR、长短图像描述、视觉问答、目标检测与图像分割等任务。模型提供 3B、10B、28B 三种参数规模和 224、448、896 三种分辨率，支持 HF Transformers 与 JAX 框架，并已上线演示。
Hugging Face Hub 新增 Hyperbolic、Nebius AI Studio 和 Novita 三家无服务器推理提供商，支持 DeepSeek-R1、Flux.1 等模型，并已集成 JS 和 Python 客户端 SDK。用户可在账户设置中配置自有 API key 直连提供商，或经 HF 路由计费；PRO 用户每月获 2 美元推理额度。
Hugging Face 用 Math-Verify 重新评测了 Open LLM Leaderboard 上提交过的全部 3751 个模型，替换掉此前无法正确解析答案格式、SymPy 表达式和等价比较的旧评测器。
推荐理由：官方复盘了旧数学评测的解析缺陷，并给出重评后榜单变化，可据此理解基准分数差异的来源。