全部 AI 精选，可按分级、类型筛选，按关键词搜索。
Run AI workloads on any cloud, store on Hugging Face: zero-egress storage with SkyPilot
Hugging Face 与 SkyPilot 团队合写的博客，发布于 2026 年 7 月 7 日。文章说明可通过一个 hf:// URL 和已有的 HF_TOKEN，用 store: hf 将 Hugging Face Bucket（读写）或任意模型、数据集、Space 仓库（只读）以 MOUNT 或 COPY 方式挂载进 SkyPilot 任务，从而把计算放到有 GPU 的任意云上；文中称 Hugging Face 不收取出网费用。
PRX Part 4: Our Data Strategy
Photoroom 的 PRX 系列第四篇，前几篇分别涉及模型架构、训练设计和 24 小时速通，本篇聚焦数据。文中概述其数据流水线：从公开和内部数据集的混合中汇集训练数据，用 VLM 重新为图像生成描述，并转化为可流式读取的语料用于训练 PRX；还介绍了以覆盖面和多样性为目标的预训练数据原则，以及作者会做得不同的地方。
Hugging Face Models on Foundry Managed Compute
微软发布于 Hugging Face 博客的企业类文章，发表于 2026 年 7 月 7 日。文章介绍在 Microsoft Build 2026 上宣布的 Foundry Managed Compute 以及 Foundry 上的 Hugging Face 模型集合：这是一份每周更新、可一键部署的开放权重模型目录，权重预先存放在 Azure 中，运行时由微软构建和扫描，并沿用 Foundry 的安全、治理、可观测性和计费机制。文中还介绍了 Microsoft Foundry 平台的多模型接入与 Foundry Agent Service 等功能。适合关注云平台部署企业 AI 应用的读者。
Profiling in PyTorch (Part 3): Attention is all you profile
这是“Profiling in PyTorch”系列教程的第三篇，发布于 2026 年 7 月 10 日。系列目标是训练读者阅读 profiler 轨迹与表格的能力；前两部分别分析基础数学运算和由多个线性层堆叠成的多层感知机，本篇转向 Transformer 中的注意力算法，并提及注意力的平方级复杂度及若干缓解技巧。适合想学习 PyTorch profiler 使用的读者。
Native-speed vLLM transformers modeling backend
2026 年 7 月 8 日发布的博客，介绍 transformers 作为 vLLM 建模后端的效果：文中称对许多 LLM 架构，该后端速度已与定制 vLLM 实现相当或更快，模型作者可直接借用自己的 transformers 实现获得 vLLM 推理。文中还给出升级 vllm 包的 pip 命令，并说明 transformers 支持 450 多个架构、代码自包含易读，便于移植到 vLLM、SGLang、MLX、llama.cpp 等框架。
Security incident disclosure — July 2026
Hugging Face 于 2026 年 7 月 16 日发布的安全事件披露，说明其检测并响应了一起对部分生产基础设施的入侵。文中称该事件全程由一个自主 AI 智能体系统驱动，并主要以自身 AI 完成检测与分析；攻击者从数据集处理流水线入手，利用远程代码数据集加载器和数据集配置模板注入两条代码执行路径，进而获取节点级权限、搜集云与集群凭证并在内部集群间横向移动。文中还说明已发现对少量内部数据集和若干服务凭证的未授权访问，尚未确认合作伙伴或客户数据是否受影响，未发现公开模型、数据集或 Spaces 被篡改，软件供应链经验证无异常。
Model Routing Is Simple. Until It Isn’t.
IBM Research 作者撰写的企业类文章，发布于 2026 年 7 月 15 日，讨论在智能体系统中构建模型路由的复杂性。作者指出多数路由系统把模型选择当作分类问题，但在实际构建中它更像系统优化问题；文中以在 AppWorld 测试集 417 个任务上用同一 CodeAct 智能体运行的结果为例，说明缓存等因素会使按标价的成本比较失效。
Bringing Nunchaku 4-bit Diffusion Inference to Diffusers
介绍如何在 Diffusers 中使用 Nunchaku 量化检查点的博客，发布于 2026 年 7 月 23 日。文章说明现代文生图模型以 BF16 加载常需 20–30 GB 显存，而 Diffusers 已有的 bitsandbytes、GGUF、torchao、Quanto 等后端多为仅权重量化，可省显存但不一定加速；Nunchaku 背后的 SVDQuant 采用 4 比特权重与激活（W4A4）运行主 transformer 层，在降低内存的同时加速去噪循环，此前需要单独的推理库，现在可直接在 Diffusers 中加载。
Grabette: an open system to record robot-manipulation data
Pollen Robotics 团队发布的博客，发布于 2026 年 7 月 21 日，介绍 Grabette 这一记录机器人操作数据的开放系统。文章认为机器人学习的瓶颈在数据而非模型，提出无需机器人本体，只需人手、夹爪、相机和记录方式即可在几分钟内采集操作任务并自动转换为可供机器人学习使用的数据集，同时邀请用户共同构建开放协作数据集。
The /wayfinder Skill: Navigating the “Fog of War” of Planning
这是 Latent Space 新开设的“技能”系列的开篇，形式为一篇访谈（经压缩整理）。受访者 Matt Pocock 的“AI Skills for Real Engineers”项目在 GitHub 上有超过 22 万星，他最近发布了名为 /wayfinder 的技能，用于帮助用户和其 agent 在项目终点尚不明确时理清方向，即他所说的穿越“战争迷雾”。访谈主要内容是关于 /wayfinder 的目标设定，以及他使用 AFK agent 时在规划阶段遇到的困难。
The Rise of the Forward Deployed Engineer — and How To Do the Job Right
这是 Kepler CEO Vinoo 的客座文章，讨论 FDE（前置部署工程师）这一岗位的兴起，并配有 FDE 与咨询的对比示意图。作者称自己在十余年间于三家机构三次搭建前置部署职能：在 Palantir 从产品研发起步，后被派驻商业、国防与国家安全、医疗、油气等领域，并负责把软件工程师转为 FDE 的轮岗项目 Project Frontline，约 250 人参与；在 Citadel 负责业务工程，客户是投资组合经理；在 Kepler，前置部署职能隶属产品而非销售。文章分享了他所见有效与失效的做法及对趋势的看法。
New insights from Google’s AI & Economy ATLAS
Google 官方博客文章，介绍 AI 与经济 ATLAS 项目新增的数据可视化，使这批全球数据更易浏览和使用，并给出关于科研人员如何使用 AI 的新研究。文中举例称印度创意行业相关的 AI 使用占比高于全球平均，美国在技术类 AI 采用上领先。