Hugging Face
共 7 篇文章
为什么专业化不可避免
优化理论、进化生物学、竞争市场和机器学习都指向同一个结论：在资源有限且存在选择压力时，契合度始终胜过覆盖面。规模化改变了系统能从数据中学到什么，却没有改变「把资源集中在有限任务上优于分散到无限范围」这一事实，因此专业化不是偏好，而是必然结果。
在 Hugging Face 模型页上展示 Every Eval Ever 的评测结果
Every Eval Ever（EEE）与 Hugging Face Community Evals 现已实现互兼容，支持跨平台发布与解读评测结果。EEE 用统一的 JSON schema 记录「谁跑的、哪个模型、如何访问、生成设置、指标含义」，已收录约 22.9 万条评测结果、覆盖 22000+ 模型与 2200+ benchmark。
使用 NVIDIA NeMo AutoModel 加速 Transformers 微调
使用 NVIDIA NeMo AutoModel 加速 Transformers 微调
在 Transformers.js 中试验拟议的 Cross-Origin Storage API
浏览器中的 AI 模型缓存按源隔离，导致不同站点重复下载完全相同的模型文件。拟议的 Cross-Origin Storage (COS) API 通过加密哈希标识文件实现跨源共享存储，Transformers.js 已在库层面试点接入，启用后可直接复用 Xet 追踪模型的 SHA-256 缓存，不支持时自动回退到 Cache API。
借助 AI、开放工具与人工把关，让 huggingface_hub 每周发布
Hugging Face 用开源工具和开放权重模型把 huggingface_hub 的发布节奏从每 4-6 周一次提升到每周一次，单次发布成本约 0.25 美元。核心思路是「模型起草、人类决策」：用 GitHub Actions + OpenCode + GLM-5.2 自动生成发布说明，再用确定性的完整性校验脚本兜住非确定性模型，只在需要判断的环节保留人工审核。
使用本地模型免费对 OpenClaw 仓库进行分类分流
使用本地模型免费对 OpenClaw 仓库进行分类分流
超越 LoRA：你能打败这个最流行的微调技术吗？
Hugging Face PEFT 团队的基准测试显示，LoRA 是最流行的 PEFT 技术且表现不错，但并非总是最优：数学微调基准中 Lily 准确率更高，图像生成基准中 OFT 严格优于 LoRA。切换 PEFT 技术只需改一行配置。