全部 AI 精选，可按分级、类型、是否付费、收录时间筛选，按关键词搜索。
Introducing the FFASR Leaderboard: Benchmarking ASR in the Real World
介绍首个开放的远场 ASR 基准 FFASR 排行榜，基于 14 个模拟房间进行社区驱动的评测，并与真实测量结果对照验证。文中指出所有提交模型在低信噪比下的远场 WER 明显高于同等语音内容的近场 WER，并说明其方法包括混合波模拟、仿真到真实验证、测试中的移动声源切分、留出音频和统一评测硬件，还提供平均 WER 与 RTFx 的帕累托前沿图。后续计划加入多人对话、麦克风阵列和回声消除。
Shipping huggingface_hub every week with AI, open tools, and a human in the loop
介绍 Hugging Face 生态基础 Python 客户端 huggingface_hub 的发布流程改造：从每 4 至 6 周发布一次改为通过单个 GitHub Actions 工作流每周发布，构建时使用开源工具与开放权重模型，并在需要判断的环节保留人工介入。文中回顾了原先部分自动化、多为手工的发布步骤，并称读完可据以搭建自己的流程。适合开源项目维护者阅读。
PP-OCRv6 on Hugging Face: 50-Language OCR from 1.5M to 34.5M Parameters
介绍 PaddleOCR 通用 OCR 模型系列最新一代 PP-OCRv6，面向文档、截图、多语言图像、数字显示屏、工业标签和场景文字等检测与识别任务。模型按 tiny、small、medium 三档从 1.5M 扩展到 34.5M 参数，其中 small 与 medium 支持 50 种语言。文中给出 PaddleOCR 内部多场景基准上的成绩（medium 档检测 Hmean 86.2%、识别准确率 83.2%，相比 PP-OCRv5_server 检测提升 4.6 个百分点），并说明可通过 PaddlePaddle、Transformers 或 ONNX Runtime 集成，另提供在线演示。适合关注 OCR 部署的开发者参考。
Why Specialization Is Inevitable
Dharma-AI 团队发布于 Hugging Face 博客的文章，发表于 2026 年 6 月 30 日，作者包括 Erick Lachmann 等。文章解读了 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 于 2026 年发表的论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，从优化理论、演化生物学、竞争市场和机器学习的角度论证它们对专业化给出相同预测。适合关注 AI 系统设计原则与相关论文解读的读者。
DiScoFormer: One transformer for density and score, across distributions
介绍 Allen AI 提出的 DiScoFormer，用于从一组数据点中恢复其来源分布，同时估计分布密度与得分（对数密度的梯度），并跨不同分布工作。文章说明密度与得分在扩散生成模型、贝叶斯采样和等离子体等粒子模拟中的作用，并指出传统方法如核密度估计在泛化性与准确性之间存在取舍。文首附技术报告链接（arxiv.org/abs/2511.05924）。适合关注生成模型与分布估计的研究者阅读。
🤗 Kernels: Major Updates
这是 Hugging Face 于 2026 年 7 月 6 日发布的博客，作者为 Sayak Paul、Daniël de Kok、David Holtz，介绍 🤗 Kernels 项目在重新设计后的多项更新，包括 Hub 上新增的“kernel”仓库类型（可查看某个内核支持的加速器、操作系统和后端版本）、安全改进、改版后的命令行工具、更多框架与后端覆盖，以及为智能体内核开发打基础等内容。文章提到该项目旨在标准化自定义内核的打包、分发与使用。适合使用或开发自定义算子的机器学习工程读者。
ScarfBench: Benchmarking AI Agents for Enterprise Java Framework Migration
来自 IBM Research，介绍用于评测 AI 智能体能否迁移企业级 Java 框架的基准 ScarfBench。文章指出应用现代化迁移是企业软件工程中规模大、成本高的活动，而现有软件工程基准多聚焦缺陷修复与代码生成，框架迁移还需保持行为一致、适配构建系统和处理运行时依赖。文中提供 GitHub 仓库链接。
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。