全部 AI 精选，可按分级、类型筛选，按关键词搜索。
MosaicLeaks: Can your research agent keep a secret?
ServiceNow 的企业文章，指出深度研究智能体把本地私有文档与网页检索等外部工具结合时，外部查询可能泄露敏感信息。文章提出含公私信息交替的多跳问题任务 MosaicLeaks，称所测模型经常发生泄露，且仅针对任务表现训练会加剧泄露；同时提出隐私感知训练方法 PA-DR，称其将严格链成功率从 48.7% 提升到 58.7%，并将答案/完整信息泄露从 34.0% 降至 9.9%。
Is it agentic enough? Benchmarking open models on your own tooling
文章讨论编码智能体使用软件库的方式，提出库除了正确和快速，还应便于智能体驱动。作者以 transformers 为案例，构建了一个关注“答案如何得出”而不只是最终答案的工具专用评测框架，测量不同模型、库版本和任务下找到答案所需的工作量，并给出完全基于开放模型和 pi 编码智能体的简单实现。
Beyond LoRA: Can you beat the most popular fine-tuning technique?
文章介绍参数高效微调（PEFT）这一降低微调显存需求的技术类别，指出尽管存在数十种方案，多数人只选 LoRA。文章探讨 LoRA 是否真是最佳选择、有哪些工具可辅助判断，以及如何通过拓展 LoRA 之外的选择获益。适合准备在自有数据上微调开放模型、关注 PEFT 方法的读者。
Run a vLLM Server on HF Jobs in One Command
介绍如何用单条命令在 Hugging Face 基础设施上启动私有的、兼容 OpenAI 接口的 LLM 端点，无需自行配置服务器或 Kubernetes，按秒计费。文中给出前提条件（付费方式或预付余额、huggingface_hub >= 1.20.0、本地登录）、以 vllm/vllm-openai 镜像和 hf jobs run 启动并暴露端口的示例命令，并说明适用于测试、评测或批量生成场景，同时提示需要托管式生产服务时应考虑 Inference Endpoints。
Accelerating Transformers Fine-Tuning with NVIDIA NeMo AutoModel
介绍 NVIDIA NeMo 框架中的开源库 NeMo AutoModel，它构建于 Transformers v5 之上，新增 Expert Parallelism、DeepEP 融合 all-to-all 分发和 TransformerEngine 内核，并借助 v5 的动态权重加载支持更多模型系列。文中称在微调 MoE 模型时相比原生 Transformers v5 训练吞吐提升 3.4–3.7 倍、GPU 显存减少 29–32%，且沿用相同的 from_pretrained() 接口，只需增加一行 import。
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。