资讯流

为谁的安全？拒绝话题中正确的子集，而非整个话题 NeoMME：一种高效的多模态原生多语言编码器 在 100 步 GRPO 内微调 350M 模型以获得更好的结构化输出 为你的编码 Agent 配备一份由你掌控的记忆 使用 TRL 和 OpenEnv 训练一个画水彩画的编码模型

NeoMME: 一个高效的多模态原生多语言编码器 用 100 步 GRPO 微调 350M 模型以获得更好的结构化输出 为你的编码 Agent 配备一个你掌控的记忆 使用 TRL 和 OpenEnv 训练一个会画水彩画的编码模型 基于 Confluent 的 IBM 时间序列模型实现实时智能

NeoMME：一种高效的多模态原生多语言编码器 100 GRPO 步微调 350M 模型以获得更优的结构化输出 为你的编码 Agent 配备一个由你掌控的记忆 使用 TRL 和 OpenEnv 训练编码模型绘制水彩画 基于 Confluent 的 IBM 时间序列模型实现实时智能

NeoMME: 高效的多模态原生多语言编码器 通过 100 步 GRPO 微调 350M 模型以获得更优的结构化输出 为你的编码 Agent 配备一个由你掌控的记忆 使用 TRL 和 OpenEnv 训练一个绘制水彩画的编码模型 基于 Confluent 的 IBM 时序模型实现实时智能

NeoMME：一种高效的多模态原生与多语言编码器 用 100 步 GRPO 微调 350M 模型以获得更好的结构化输出 为你的编码 Agent 配备一个由你掌控的记忆 使用 TRL 与 OpenEnv 训练一个绘画水彩画的编码模型 在 Confluent 上基于 IBM 时序模型实现实时智能

NeoMME：一种高效的多模态原生多语言编码器 以 100 步 GRPO 微调 3.5 亿参数模型以获得更优结构化输出 为你的编码 Agent 提供一个你可掌控的 memory 使用 TRL 和 OpenEnv 训练编码模型绘制水彩画 基于 Confluent 的 IBM Time Series Models 实现实时…

基于 Confluent 的 IBM 时序模型实时智能 BenchMIRT：LLM 基准测试究竟在衡量什么？ 介绍 @huggingface/kernels：200+ 用于本地 AI 的 WebGPU Kernel Open ASR Leaderboard 新增首个全球南方语言 使用 Sentence Transfor…

BenchMIRT：LLM 基准测试究竟在衡量什么？ 推出 @huggingface/kernels：200+ WebGPU 内核，面向本地 AI 开放 ASR 排行榜新增首个全球南方语言 使用 Sentence Transformers 训练与微调多向量 Embedding 模型 Granite 4.2 LLM：其构…

Open ASR Leaderboard 新增首个全球南方语言 使用 Sentence Transformers 训练与微调多向量 Embedding 模型 Granite 4.2 LLM 的构建方法 QuantizationAware Healing：4bit 压缩模型性能超越其全精度原版 连接、运行与部署：Grad…

Open ASR 排行榜新增首个全球南方语言 使用 Sentence Transformers 训练与微调多向量嵌入模型 Granite 4.2 LLM 的构建方式 QuantizationAware Healing：超越全精度原模型的 4bit 压缩模型 连接、运行、部署：Gradio 中的 AI 工作流

Open ASR Leaderboard 新增首个全球南方语言 使用 Sentence Transformers 训练与微调多向量嵌入模型 Granite 4.2 LLMs：它们是如何构建的 QuantizationAware Healing：压缩的 4bit 模型，性能超越其全精度原始版本 连接、运行、部署：Grad…

Open ASR Leaderboard 新增首个全球南方语言 使用 Sentence Transformers 训练与微调多向量嵌入模型 Granite 4.2 LLM：其构建方式 量化感知修复：一个超越全精度原模型的 4bit 压缩模型 连接、运行、部署：Gradio 中的 AI 工作流

使用 Sentence Transformers 训练与微调多向量 Embedding 模型 Granite 4.2 LLMs 的构建方法 QuantizationAware Healing：性能超越全精度原模型的 4bit 压缩模型 连接、运行、部署：在 Gradio 中构建 AI Workflow Hugging …

使用 Sentence Transformers 训练与微调多向量嵌入模型 Granite 4.2 LLMs：构建方式 量化感知修复：一个超越其全精度原始版本的 4 比特压缩模型 连接、运行、部署：Gradio 中的 AI 工作流 Hugging Face Inference Endpoints、Jobs 与 Buck…

Granite 4.2 LLMs：它们是如何构建的 量化感知修复：一个压缩的 4bit 模型，性能超越其全精度原始版本 搭建、运行、部署：Gradio 中的 AI 工作流 Papers with Code 上的搜索是如何由 Hugging Face Inference Endpoints、Jobs 和 Buckets …

测量语音识别中的基准优化 使用 LFM2.5DSpark 实现最高 3.2 倍推理加速 你的 Agent 究竟需要多少内存？ 基于 Sentence Transformers 的多向量（晚期交互）Embedding 模型 同一集群利用率提升 33 个百分点：改变的是顺序

衡量语音识别中的基准优化程度 使用 LFM2.5DSpark 实现最高 3.2 倍推理加速 你的 Agent 究竟需要多少内存？ 基于 Sentence Transformers 的多向量（迟交互）Embedding 模型 同一集群，利用率提升 33 个百分点：改变的只是顺序

衡量语音识别中的基准测试优化 使用 LFM2.5DSpark 实现最高 3.2 倍推理加速 你的 Agent 实际需要多少内存？ 基于 Sentence Transformers 的多向量（晚期交互）嵌入模型 同一集群，利用率提升 33 个百分点：改变的只是顺序

衡量语音识别中的基准优化 使用 LFM2.5DSpark 实现最高 3.2 倍推理加速 你的 Agent 实际需要多少内存？ 基于 Sentence Transformers 的多向量（晚期交互）嵌入模型 同一集群，利用率提升 33 个百分点：变化的只是顺序

使用 LFM2.5DSpark 实现最高 3.2 倍推理加速 你的 Agent 实际需要多少内存？ 基于 Sentence Transformers 的多向量（Late Interaction）Embedding 模型 同一集群，利用率提升 33 个百分点：改变的只是顺序 开源模型现状：2026 年夏季观察

来自量化感知蒸馏的 LFM2.5 Q4_0 检查点 你的 Agent 实际需要多少内存？ 基于 Sentence Transformers 的多向量（晚期交互）Embedding 模型 同一集群，利用率提升 33 个百分点：改变的是顺序 开源模型现状：2026 年夏季观察

你的 Agent 到底需要多少内存？ 基于 Sentence Transformers 的多向量（Late Interaction）Embedding 模型 同一集群，利用率提升 33 个百分点：变化的只是顺序 开源模型现状：2026 年夏季观察 Strands Agents、LeRobot 与 Hugging Fac…

同一集群，利用率提升33个百分点：改变的是顺序 开源模型现状：2026年夏季观察 使用 Strands Agents、LeRobot 和 Hugging Face Storage Buckets 在一个地方完成记录、训练和部署 复现 ICML 2,200 篇论文的收获 推出 OlmoEarth embeddings：从…

开源模型现状：2026 年夏季观察 借助 Strands Agents、LeRobot 与 Hugging Face Storage Buckets，在同一平台完成记录、训练与部署 复现 ICML 2,200 篇论文的总结与收获 推出 OlmoEarth Embeddings：从 OlmoEarth Studio 导出…

开源模型现状：2026 年夏季观察 使用 Strands Agents、LeRobot 与 Hugging Face Storage Buckets，一站式完成录制、训练与部署 复现 ICML 2,200 篇论文的总结与收获 推出 OlmoEarth 嵌入：支持从 OlmoEarth Studio 导出自定义嵌入用于下…

开源模型现状：2026 年夏季观察 借助 Strands Agents、LeRobot 和 Hugging Face Storage Buckets，一站式完成录制、训练与部署 复现 ICML 2,200 篇论文的收获 推出 OlmoEarth embeddings：支持从 OlmoEarth Studio 导出自定义…

使用 Strands Agents、LeRobot 与 Hugging Face Storage Buckets，一站式完成录制、训练与部署 我们从复现 ICML 2,200 篇论文中学到了什么 推出 OlmoEarth embeddings：从 OlmoEarth Studio 自定义导出 embedding 以用于…

推出 OlmoEarth 嵌入：从 OlmoEarth Studio 导出自定义 embedding，用于下游分析 LFM2.5VL3B：为边缘场景带来更优、更快的视觉能力 想要 Agentic Context Engineering（ACE）？我们可以用更少的 token 实现 构建低延迟多语言语音 Agent：基于…

想要 ACE？我们可以用更少的 token 实现 构建低延迟多语言语音 Agent：基于 NVIDIA Magpie TTS 的开放权重与全部署可控方案 让知识蒸馏廉价到足以大规模运行 Meta 携 Muse Glimmer 重磅回归：本地化、agentic、多模态、开源 TutorMoments：AI 导师知道何时该…

构建低延迟多语言语音 Agent：基于 NVIDIA Magpie TTS 的开放权重与完整部署控制 让知识蒸馏足够廉价以支持大规模运行 Meta 携 Muse Glimmer 重磅回归：本地化、Agent 化、多模态、全开源 TutorMoments：AI 导师懂得何时介入、何时克制？ Baseten 上线 Hugg…