全部资源

聚焦后训练

Focusing on Post-Training

作者说明在预算有限时，为何会优先对现有开放权重模型做后训练而非从头预训练，并以 Fireworks 的 Ember-1 为例：它基于 Kimi K3 后训练生成更短的推理轨迹，据其公告在评测质量相当的情况下约少用 40% 的 token。

从零构建 AI 文本检测器

Building an AI Text Detector From Scratch

一篇教程，从 Substack 上线的 AI 检测功能说起，演示如何实现一个简单的 AI 文本检测器，并把它作为验证器来训练小型语言模型生成可规避检测的文本。文中将其定位为研究 AI 检测器局限、探索数学与代码推理之外基于验证器的 LLM 应用的教学项目，并讨论了检测器在过滤垃圾内容与实际写作辅助方面的用途。

不存在的模型，只好自己做出来

The model that didn't exist, so you made it yourself

这篇 Hugging Face 博客文章讲述作者借助 HuggingChat 中开启的 ML-intern，按需求自动规划、训练、评测并发布模型的过程。文中以把 Qwen-Image 2.1 的 9B 提示词改写模型蒸馏成 0.8B 可 CPU 运行版本为例，称其有效输出率 99.7%，整个项目（含 8,797 条示例标注）算力成本约 16 美元，并提到随后用同样方式又做了五个模型。

介绍 Falcon ASR

Introducing Falcon ASR

这是阿布扎比技术创新研究院（TII）发布的博客文章，介绍其 1.6B 参数语音识别模型 Falcon-ASR。该模型以阿拉伯语（尤其阿联酋方言）为重点，同时支持英语、法语、西班牙语和葡萄牙语，并支持词级时间戳；文中给出了在六个阿拉伯语测试集上平均 20.92% 的词错误率及内部阿联酋方言评测结果。

智能体说完成了，数据库不同意

The Agent Said It Was Done. The Database Disagreed.

这篇微软与 Hugging Face 的联合博客介绍 Microsoft ThinkingBox，它不评估智能体生成的文字，而是依据其在隔离 MCP 工具会话中留下的终端状态和副作用打分，并考察能否连续二十次完成。文中以一个厨房电器配送纠纷的客服场景为例，说明智能体做出多次工具调用并给出回复后，其结果仍需按实际记录核验。ThinkingBox 现可通过 Hugging Face 使用。

AutoSynthData：为企业智能体生成训练数据

AutoSynthData: Generating Training Data for Enterprise Agents

这篇博客介绍 ServiceNow CoreAI 构建的 AutoSynthData，用于把模型在特定企业环境中的能力短板转化为训练数据。它借助目标模型的失败案例和更强教师模型的成功案例确定下一步该学什么，再生成并验证新任务；这些任务需能在环境中完成、接近真实工作请求，并有可靠方式检验智能体是否成功。

开放 TTS 排行榜：面向多语言文本转语音与声音克隆的可扩展评测

Open TTS Leaderboard: Scalable Evaluation for Multilingual Text-to-Speech and Voice Cloning

这篇博客介绍一个聚焦开源与多语言模型的文本转语音排行榜。文中指出 Hugging Face Hub 上已有超过 8000 个 TTS 模型，但评测仍分散且缺乏标准；以人类偏好投票和 Elo 计分的竞技场式排行榜（如 TTS Arena v2、Artificial Analysis Voice Arena）难以跟上模型发布速度，开源模型在其中也相对较少。

Holo4：驱动通用计算机使用智能体

Holo4: powering generalist computer-use agents

这篇博客介绍 Hcompany 的新一代智能体模型系列 Holo4，包含 27B 稠密版和 35B-A3B 混合专家版两种规模，均已在 H Models API 上提供，同时发布 Holotron 3 的更新版本 Holotron4 Nano。Holo4 可通过图形界面、代码、MCP 和 API 等方式与软件交互，经监督学习和强化学习在大量环境与任务上训练，其中部分任务由其 Agentic Task Factory 生成。

TorchNeuron：在 AWS Trainium 上运行 HF 模型前所未有地简单

TorchNeuron: running HF models on AWS Trainium is easier than ever

这是 Hugging Face 博客的一篇文章，介绍为 AWS Trainium 提供 PyTorch 原生后端的 TorchNeuron 插件，支持 eager 模式、torch.compile 以及 FSDP、TP 等原生分布式 API。文章说明 Transformers、Diffusers 和 Kernels 已原生支持该后端，此前 HF 在 Trainium 上依赖基于 PyTorch XLA 的 optimum-neuron；TorchNeuron 自 2026 年 10 月 20 日起进入公开测试，可通过 pip 安装。

欢迎 Beam：一个你可以拥有、定制和扩展的 501B 开放模型

Welcome Beam: a 501B open model you can own, customize, and scale

Hugging Face 博客文章，介绍美国新实验室 Reflection 的首个开源模型 Beam。文中说明其为混合专家模型，501B 参数、每 token 激活 23B，支持文本输入、100 万 token 上下文，采用 Apache 2.0 许可，面向编程与智能体场景，并附带 Rust 推理框架以及 transformers、vLLM、SGLang 支持和微调配方。

Apertus 1.5 发布说明

Apertus 1.5 Release Notes

这是 Swiss AI 团队发布在 Hugging Face 博客上的 Apertus 1.5 发布说明，日期标注为 2026 年 10 月 15 日。文中说明该版本在 Apertus 1.0 的 8B 与 70B 模型基础上继续预训练，新增图像与音频理解、可选思考模式、四倍上下文窗口，并改进了指令遵循与工具使用；模型权重于 2026 年 7 月 24 日以 Apache 2.0 许可发布。

欢迎 Muse Spark Open：来自 Meta 的开放权重前沿多模态混合专家模型

Welcome Muse Spark Open: open-weight frontier multimodal mixture-of-experts model from Meta

这是 Hugging Face 博客上一篇文章（标注日期为 2026 年 10 月 15 日），介绍 Meta 发布的开放权重模型 Muse Spark Open。该混合专家模型约 8160 亿参数、每 token 约 420 亿激活，上下文窗口最长一百万 token，可接收文本、图像、音频和视频并生成文本。文中称其面向智能体式编程训练（阅读代码库、编写与调试代码、调用工具），并说明了如何运行、微调以及作者用它构建的成果。