Hugging Face 发布 Agentic Resource Discovery 规范与 Discover Tool
Hugging Face 发布 Agentic Resource Discovery(ARD)草案规范,用于让智能体在运行时搜索和发现工具、Skill 与智能体,而非预先安装配置。
推荐理由:原文给出 ARD 规范的组成与 Hugging Face 的参考实现,读者可了解智能体运行时发现能力的标准路径
Hugging Face 发布 Agentic Resource Discovery(ARD)草案规范,用于让智能体在运行时搜索和发现工具、Skill 与智能体,而非预先安装配置。
推荐理由:原文给出 ARD 规范的组成与 Hugging Face 的参考实现,读者可了解智能体运行时发现能力的标准路径
Hugging Face 宣布 OpenEnv 转为由 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia、Mercor、Fleet AI、Microsoft 等组成的委员会协调,项目地址移至 huggingface/OpenEnv。
推荐理由:原文交代了 OpenEnv 转向委员会治理并明确自身为协议层而非奖励框架,读者可据此判断开放智能体 RL 的协作边界。
Hugging Face 重新设计官方命令行工具 hf CLI,使其同时服务人类用户和编码智能体,通过读取 CLAUDECODE、CODEX_SANDBOX、AI_AGENT 等环境变量自动切换到智能体模式:输出 TSV、保留完整 id 与 ISO 时间戳、不截断、无 ANSI 转义。
推荐理由:原文给出 CLI 面向智能体重构的渲染、hint 与基准数据,读者可据此评估智能体调用 Hub 的 token 成本。
Reachy Mini 对话应用现在可经由 MCP 调用托管在公开 Hugging Face Spaces 上的远程工具,通过 `reachy-mini-conversation-app tool-spaces add` 一条命令即可为机器人添加查天气、网页搜索等能力,工具运行在 Space 内、无需把代码下载到本地。
Google DeepMind 介绍了生物学研究者使用 Co-Scientist 推进细胞衰老逆转研究。Co-Scientist 扫描数万篇论文并提出 20 多个可测试的新遗传因子,实验室验证了其中几个假设,相关因子成功让细胞进入更年轻状态并改善整体功能。它还将原本可能耗时长达六个月的筛选数据分析与文献比对工作缩短至几天。
PaddleOCR 3.5 支持通过设置 engine="transformers",让 PP-OCRv5、PaddleOCR-VL 1.5 等模型以 Hugging Face Transformers 作为推理后端运行,并可通过 engine_config 配置 dtype、设备与 attention 实现。
Google DeepMind 宣布在实验性原型 Project Genie 中上线基于 Street View 的实景 grounding 能力,用户可通过 Maps 图钉选择美国地点、搭配风格并描述角色,让生成世界的起点绑定真实影像。
Google DeepMind 发布 Gemini for Science,包含 Google Labs 上三个实验工具:基于 Co-Scientist 的 Hypothesis Generation。
推荐理由:DeepMind 把 Co-Scientist、AlphaEvolve 等研究原型打包成面向科研流程的实验工具,可据此判断通用智能体在科研场景的落地路径。
Google 宣布扩展内容透明度与验证工具,把 SynthID 的图片、视频、音频验证从 Gemini app 扩展到 Search,并将在未来几周进入 Chrome,Gemini 中该功能已被使用 5000 万次。
推荐理由:Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini 和 Chrome,并开放云端检测 API,读者可了解内容溯源工具的实际入口与合作方。
剑桥大学 Clare Bryant 教授用 Google DeepMind 的 Co-Scientist 研究流感等病原体跨物种传播时的分子开关。她先输入一份鸟类与人类流感研究的基金申请摘要,Co-Scientist 生成并排序出候选假说;拿到完整提案后,它又优先标出一个她此前未关注的蛋白,并逐步收敛到具体氨基酸。
爱丁堡大学团队用 Google Co-Scientist 筛选 MASH 肝病的潜在药物组合,并提出假设:NLRP3 炎症小体是连接炎症与代谢的关键分子桥梁,解释了 resmetirom 为何仅对少数合格患者有效。该假设经实验验证,或为靶向双重疗法铺路。
Google DeepMind 与 Google Research 的 AI 天气模型 WeatherNext 帮助美国国家飓风中心(NHC)提前五天以 80% 置信度预测飓风 Melissa 将在牙买加以 Category 5 强度登陆,三天的置信度接近 100%,这是首次从 Category 1 风速起步预测风暴达到 Category 5 强度。
推荐理由:Google DeepMind 披露 WeatherNext 在飓风 Melissa 预警中的实战表现,读者可看到 AI 气象模型对路径与强度的同时预测能力。
Google DeepMind 在 Nature 发表 Co-Scientist 研究,这是一个基于 Gemini 构建的多智能体 AI 系统,可迭代生成、辩论和演化复杂科学问题的新假设。
推荐理由:DeepMind 在 Nature 公布 Co-Scientist 的多智能体架构与各阶段分工,并给出多个实验室已落地的合作案例,可据此判断科研智能体的实际工作方式。
Google DeepMind 发布 AlphaEvolve 一年进展报告,这款由 Gemini 驱动的编码智能体已从数学和计算机科学的开放问题探索,扩展到 Google 内部基础设施与外部商业场景。
推荐理由:汇总 AlphaEvolve 一年来的落地场景与量化收益,可据此判断算法智能体在科研与基础设施中的真实渗透程度。
DeepInfra 已作为推理服务商接入 HF Mirror Hub,平台上的 serverless 推理生态进一步扩大。
HCompany 发布 Chrome 扩展 HoloTab,用智能体在浏览器内自动完成网页任务,无需配置或技术背景。用户描述需求后,HoTab 会在浏览器里导航界面、填写字段并做判断,底层由视觉模型、动作规划和界面理解驱动。
推荐理由:在 Holo3 模型之上给出浏览器端零配置的落地形态,读者可以看到 computer-use 能力怎样进入日常网页操作。
Hugging Face 发布 TRL v1.0,将这个始于六年前、目前每月下载 300 万次的研究代码库正式定位为生产级后训练库,并引入语义化版本稳定性契约。
Google DeepMind 公布由 Gemini 驱动的 AI 指针实验,让指针不仅能识别所指内容,还能理解它对用户的意义。团队提出四条交互原则:保持工作流不中断、以指向捕捉视觉与语义上下文、支持“这个”“那个”式的口语简写、把像素转成可操作的对象。
Hugging Face 在 Hub 上推出 Storage Buckets,一种面向生产 ML 中途产物的可变对象存储,可浏览、通过 Python 调用或用 hf CLI 管理。
Hugging Face 的 LeRobot 发布 v0.5.0,自 v0.4.0 以来合并 200 多个 PR、新增 50 多位贡献者,是其迄今规模最大的版本。
推荐理由:LeRobot v0.5.0 一次性补齐人形机器人、自回归 VLA 策略与流式数据录制,读者可据此判断开源机器人栈的推进速度。
Hugging Face 发布 Modular Diffusers,用可复用 block 组合扩散流水线,作为 DiffusionPipeline 的灵活替代方案,支持添加、删除和替换 block,并可用 .init_pipeline() 把 block 转为可运行流水线。
推荐理由:原文给出可组合模块的 API 写法与自定义 block 示例,读者可据此判断现有扩散流水线能否改造成模块化流程。
Google DeepMind 最新生成音乐模型 Lyria 3 以 beta 形式在 Gemini 应用上线,用户输入文字或上传图片、视频即可生成 30 秒带歌词或纯器乐的曲目,并配 Nano Banana 生成的封面图。
推荐理由:官方披露 Lyria 3 在 Gemini 中的三项能力改进与 SynthID 音频核验入口,可据此判断生成音乐的可用边界。
Transformers.js v4 已发布到 NPM,核心改动是采用完全用 C++ 重写的 WebGPU 运行时,同一份代码可在浏览器、Node、Bun 和 Deno 中运行。
推荐理由:原文列出 v4 的 WebGPU 运行时重写、构建与工程改动,读者可判断浏览器和 Node 端本地推理的可用边界。
SyGra 2.0.0 推出 Studio,把合成数据生成从 YAML 文件和终端搬到可视化画布上,配置流程时同步生成 SyGra 兼容的 graph config 与任务执行脚本。
Hugging Face 上线 Community Evals,基准数据集仓库现在可以注册为 benchmark 并在数据集卡片显示榜单,首批包含 MMLU-Pro、GPQA、HLE。
Google DeepMind 开始向美国 Google AI Ultra 订阅用户(18 岁以上)开放 Project Genie,这是基于 Genie 3、Nano Banana Pro 和 Gemini 的实验性研究原型,可创建、探索和再创作交互式世界。
Gradio 团队发布开源 Python 库 Daggr,用于把 Gradio 应用、ML 模型和自定义函数串成 AI 工作流,代码定义后自动生成可视化画布。画布支持检视任意节点输出、修改输入并单独重跑某一步,无需执行整条流水线,还能用备份节点替换模型或 Space,并自动保存工作流状态。
推荐理由:Gradio 团队开源 Daggr,用代码定义工作流并自动生成可检视的画布,为多步骤 AI 流程的调试提供了新思路。
OpenAI 发布 GPT-5 for Work 指南,介绍 GPT-5 如何驱动营销、工程、财务、战略、法务和 IT 等真实业务工作流。文章同时给出团队评估 GPT-5 的方法,但未披露具体版本号、参数规模或 benchmark 数据。
IBM Research 的开源可配置通用智能体 CUGA 上线 Hugging Face Spaces,可直接试用搭载 gpt-oss-120b 的演示。官方称 CUGA 在涵盖 457 个 API、750 个真实任务的 AppWorld 基准上排名第一,并在 WebArena 上表现靠前。
推荐理由:CUGA 在 AppWorld 与 WebArena 的基准表现和 Langflow 集成,为评估可配置 Agent 框架提供参照。
llama.cpp server 新增 router 模式,无需重启即可动态加载、卸载和切换多个模型。该功能回应了把 Ollama 式模型管理引入 llama.cpp 的需求,采用多进程架构,每个模型独立运行,单个模型崩溃不影响其他模型。
Hugging Face 发布 Swift 包 swift-huggingface,为 HF Mirror Hub 提供完整客户端,可独立使用,后续将替换 swift-transformers 现有的 HubApi 实现。
Hugging Face 发布 Transformers v5 首个候选版本 v5.0.0rc-0,主题为互操作性。官方称该库每日 pip 安装量已超 300 万次,累计安装超 12 亿次,支持的模型架构从 v4 时的 40 个增至 400 余个,Hub 上兼容的模型 checkpoint 超过 75 万个。
推荐理由:官方长文给出 v5 在模块化定义、推理接口与量化上的改动,读者可据此判断迁移成本与生态兼容性。
Diffusers 官方博客宣布支持 FLUX-2,并给出基于 diffusers/FLUX.2-dev-bnb-4bit 仓库的推理示例,使用 Flux2Pipeline 与 Flux2Transformer2DModel,文本编码器为 Mistral3ForConditionalGeneration。
推荐理由:Diffusers 官方接入 FLUX-2 并给出 4bit 量化示例,读者可了解该模型的显存要求与调用方式。
OVHcloud 正式加入 Hugging Face Hub 的 Inference Provider 生态,用户可直接在模型页和 JS/Python 客户端 SDK 中调用其无服务器推理服务。
HF Mirror TRL 正式集成 RapidFire AI,可并发启动多组 TRL 配置、甚至在单 GPU 上对比微调与后训练方案,实验吞吐量比顺序对比提升约 16–24 倍。
Google DeepMind 在 Gemini 应用中上线 AI 图片验证功能,用户上传图片并提问即可检测是否由 Google AI 生成或编辑,背后依据的是 2023 年推出的 SynthID 数字水印技术。
推荐理由:Gemini 应用新增图片 AI 来源验证入口,并给出 SynthID 水印规模与 C2PA 扩展路径等关键细节。
AnyLanguageModel 是一个 Swift 包,作为 Apple Foundation Models 框架的 drop-in 替代,只需把 import FoundationModels 换成 import AnyLanguageModel 即可保持相同 API。
推荐理由:AnyLanguageModel 用 Apple Foundation Models 的统一 API 接入本地与云端模型,读者可据此评估跨后端切换的成本。
OpenAI 发布网络研讨会,介绍如何在软件开发的完整生命周期中运用 Codex。
OpenAI 举办了一场网络研讨会,介绍其在工作中如何使用 ChatGPT Atlas。
Hugging Face 发布 huggingface_hub v1.0,这是该库历经五年、35 个以上版本后的首个大版本,包含破坏性变更。
推荐理由:梳理 huggingface_hub v1.0 的破坏性变更与迁移路径,可据此评估现有 ML 依赖链的升级成本。