Meta 发布 Gaia2 基准与 ARE 智能体评测环境
Meta 发布 GAIA 的后续基准 Gaia2 以及开源框架 Meta Agents Research Environments（ARE），用于运行、调试和评测智能体。
推荐理由：Meta 发布 Gaia2 基准与 ARE 环境源码，给出多模型在模糊、噪声与时间推理任务上的实测结果，便于对照自身智能体能力。
#Agent
#Agent
今日 22 条Hugging Face Blog精选AI 评分7272
Hugging Face Blog精选AI 评分6060 Hugging Face 分享 gpt-oss 在 transformers 中可用的优化技巧
Hugging Face 介绍其为 OpenAI gpt-oss 系列模型升级 transformers 的相关技术，包括可从 Hub 下载的零构建 Kernels、MXFP4 量化、张量并行、专家并行、动态滑动窗口缓存与连续批处理等。
推荐理由：Hugging Face 公开 gpt-oss 适配 transformers 的升级细节，读者可据此判断量化、并行与缓存优化如何落地。
Hugging Face BlogAI 评分4949 Hugging Face 用 Jupyter Notebook 训练 LLM 推理：Jupyter Agents 微调 Qwen3-4B
Hugging Face 构建 Jupyter Agent，让模型直接在 Jupyter Notebook 中执行代码完成数据分析任务，并以 Qwen3-4B-Thinking-2507 为基线做微调。通过将脚手架精简到约 200 行代码，DABStep 简单任务准确率从 44.4% 提升至 59.7%。该基准上现有最强模型 Claude 4 Sonnet 在困难任务上准确率不足 20%。
Hugging Face BlogAI 评分2929 Hugging Face 推出 TextQuests：LLM 玩文字冒险游戏能有多强？
Hugging Face 发布 TextQuests 基准，基于 25 款经典 Infocom 互动小说游戏评测 LLM 的智能体能力，每局最多执行 500 步，分带官方提示与无提示两轮运行，并用游戏进度和 Harm 两项指标打分。
Ahead of AI · Sebastian RaschkaAI 评分7070 从 GPT-2 到 gpt-oss：架构演进与 Qwen3 对比分析
Sebastian Raschka 通读 gpt-oss-120b 与 gpt-oss-20b 代码和技术报告后，梳理了从 GPT-2 到 gpt-oss 的架构变化，包括移除 Dropout、改用 RoPE、SwiGLU、Mixture-of-Experts、GQA、滑动窗口注意力和 RMSNorm。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布开源无代码数据集工具 AI Sheets
Hugging Face 发布开源无代码工具 AI Sheets，可用 AI 模型构建、转换和增强数据集，支持本地部署或在 Hub 上运行。工具以类电子表格界面操作，通过写提示词新建列，可调用 Hub 上的数千个开放模型（含 OpenAI 的 gpt-oss）或本地模型，单次导入上限 1000 行。
推荐理由：原文给出从建表、加列到导出配置的完整链路，读者可据此判断无代码数据集工作流能省下哪些步骤。
OpenAI News精选AI 评分8484 OpenAI 演示 GPT-5 在办公场景中的应用
OpenAI 发布 GPT-5 办公场景演示，展示该模型如何分析反馈、制定产品计划与原型，并总结后续步骤。
OpenAI NewsAI 评分3333 ChatGPT agent 如何代你完成工作：几分钟生成商业计划
ChatGPT agent 演示了如何自行研究、写代码并在网上执行操作，在几分钟内完成一份商业计划。该 agent 可代用户处理多步骤任务。
Hugging Face Blog精选AI 评分8282 OpenAI 发布开源权重模型系列 gpt-oss
OpenAI 发布开源权重模型系列 gpt-oss，包含 117B 参数的 gpt-oss-120b 和 21B 参数的 gpt-oss-20b，均为采用 MXFP4 4-bit 量化的 MoE 模型，使用 Apache 2.0 许可。
推荐理由：Hugging Face 汇总了 gpt-oss 两个开源权重模型的参数、部署路径与生态适配情况，适合了解本地运行条件。
Hugging Face BlogAI 评分3333 NVIDIA AI-Q Blueprint 基于 Llama Nemotron 登顶 DeepResearch Bench 开源榜首
NVIDIA AI-Q Blueprint 在 DeepResearch Bench 的"LLM with Search"榜单上以 40.52 分登顶，成为得分最高的完全开源许可方案。
Hugging Face BlogAI 评分3030 Consilium：当多个 LLM 协作时
Consilium 是开发者在 Gradio Agents & MCP Hackathon 期间构建的多 LLM 平台，让 AI 模型通过结构化辩论讨论复杂问题并达成共识，支持多数投票和排序选择等决策模式。
Hugging Face BlogAI 评分3737 Hugging Face 推出 FutureBench：用预测未来事件评测 AI 智能体
Hugging Face 发布 FutureBench，通过让 AI 智能体预测真实未来事件来评测其推理能力，避免传统基准的数据污染问题。该基准用基于 smolagents 的智能体抓取新闻生成预测问题，并接入 Polymarket 预测市场，每周分别产出约 5 个新闻问题和 8 个市场问题，答案可随时间验证。
Hugging Face Blog精选AI 评分6666 Hugging Face 发布 ScreenEnv：在 Docker 中部署全栈桌面 Agent
Hugging Face 发布 Python 库 ScreenEnv，可在 Docker 容器中创建隔离的 Ubuntu 桌面环境，用于测试和部署能看、能点击、能与真实应用交互的 GUI（Computer Use）智能体。
推荐理由：Hugging Face 把桌面智能体的沙箱环境做成了可直接 pip 安装的库，读者可据此判断 GUI Agent 的搭建与部署成本变化。
Hugging Face Blog精选AI 评分6060 Hugging Face 发布 ScreenSuite：面向 GUI Agent 的综合评测套件
Hugging Face 发布 ScreenSuite，称其为面向 GUI Agent 最全面的评测套件，整合 13 个基准，覆盖感知、Grounding、单步动作与多步智能体四类能力。
推荐理由：原文给出 13 个基准的构成与纯视觉评测设定，可据此了解 GUI Agent 评测如何统一与本地复现。
Hugging Face Blog精选AI 评分6262 H Company 发布 GUI 自动化 VLM 系列 Holo1 与 WebClick 基准
H Company 发布 Holo1 系列 Action VLM，包括 Holo1-3B 和 Holo1-7B，基于 Qwen2.5-VL 架构并兼容 transformers，同时在 Hugging Face 开源包含 1,639 个类人 UI 任务的 WebClick 多模态定位基准。
推荐理由：Holo1 开源了 3B 和 7B 两档 GUI 定位模型，并给出真实网页任务的成本与准确率数据，便于判断小模型的落地边界。
Hugging Face BlogAI 评分5151 Hugging Face 研究：用结构化输出提升 CodeAgent 执行可靠性
Hugging Face 分享研究，提出让 CodeAgent 以结构化 JSON 同时输出 thoughts 和可执行 code，在 GAIA、MATH、SimpleQA、Frames 等基准上比普通 CodeAgent 平均提升 2-7 个百分点。
Hugging Face Blog精选AI 评分6464 Hugging Face 发布 Python Tiny Agents：约 70 行代码实现 MCP 智能体
Hugging Face 发布 Python 版 Tiny Agents，通过扩展 huggingface_hub 的 MCPClient 让智能体从 MCP 服务器拉取工具并传给 LLM，核心代码约 70 行。
推荐理由：官方教程给出 70 行搭 MCP 智能体的完整配置与代码路径，可直接照此复现。
Hugging Face BlogAI 评分5454 Microsoft 与 Hugging Face 扩大合作，Azure AI Foundry 上线 1 万余个开源模型
Microsoft Build 大会上，Satya Nadella 宣布扩大与 Hugging Face 的合作，Azure AI Foundry 现已提供 1 万余个 Hugging Face 模型，可几次点击部署用于文本、音频和图像应用。
Hugging Face BlogAI 评分2424 Hugging Face 盘点 Vision Language Models 一年进展：更小、更强、更快
Hugging Face 发布博客回顾过去一年视觉语言模型（VLM）的关键变化：Qwen 2.5 Omni 采用 Thinker-Talker 架构，MiniCPM-o 2.6 以 8B 参数覆盖视觉、语音和语言；Moonshot AI 的 Kimi-VL-A3B-Thinking 用 16B 总参数、2.8B 激活参数的 MoE 解码器实现长链式推理。
OpenAI NewsAI 评分3232 OpenAI o3 如何自动化复杂工作流
OpenAI o3 可对复杂任务进行推理，帮助自动化多步骤工作流。该模型面向需要多步推理与流程编排的场景，官方展示了其在这类任务中的应用方式。
Hugging Face BlogAI 评分3434 Qwen-3 的 Chat Template 教会我们的 4 件事
Qwen-3 的 Chat Template 比 Qwen-2.5 和 QwQ 更复杂：通过 enable_thinking 标志可将推理设为可选，设为 false 时模板插入空思考块，让模型跳过逐步推理，而 QwQ 等早期模型强制每轮生成思维链。
Hugging Face Blog精选AI 评分6464 Hugging Face 用 50 行代码实现 MCP 驱动的智能体
Hugging Face 发布 Tiny Agents 教程，演示如何用约 50 行 TypeScript 代码在推理客户端之上实现一个 MCP 驱动的智能体。
推荐理由：文章给出一个约 50 行的 MCP 智能体实现，读者可据此理解工具调用与 MCP 客户端如何拼装成完整智能体。
Hugging Face BlogAI 评分5252 用 Arize Phoenix 追踪和评估 smolagents 智能体
Hugging Face 博客介绍如何用 Arize Phoenix 配合 OpenTelemetry 和 OpenInference，对基于 smolagents 构建的智能体进行追踪与评估。
Hugging Face BlogAI 评分5050 Adyen 与 Hugging Face 发布 DABstep：多步推理数据智能体基准
Adyen 和 Hugging Face 联合推出 DABstep，一个包含 450+ 真实数据分析任务的多步推理数据智能体基准，最强推理型智能体准确率仅 16%。
Hugging Face Blog精选AI 评分6464 Hugging Face 开源 DeepResearch 框架，GAIA 验证集达 55.15%
Hugging Face 用 24 小时复现 OpenAI Deep Research，并开源了所需的智能体框架。该框架基于 smolagents 的 CodeAgent，让智能体用代码而非 JSON 表达动作，在 GAIA 验证集上取得 55.15% 的成绩，高于此前开源框架 Magentic-One 的约 46%；同一设置改用 JSON 写动作后平均降至 33%。
推荐理由：原文给出了复现 OpenAI Deep Research 的开放框架与 GAIA 上的对比数字，可据此了解代码式智能体相较 JSON 方式的差异。
Hugging Face Blog精选AI 评分7171 Mini-R1：用 GRPO 和 Countdown Game 复现 DeepSeek R1 的 aha moment
Hugging Face 博客发布了一篇 RL 教程，用 GRPO 和 Countdown Game、以 Qwen2.5-3B-Instruct 为基座在 4x H100 上复现 DeepSeek R1 的 aha moment。
推荐理由：原文给出了在 4x H100 上用 GRPO 复现 R1 式推理的完整脚本、奖励函数与训练观察，可据此判断 RL 训练的实际收敛过程。
Hugging Face Blog精选AI 评分6060 Hugging Face 在 Hub 上线 Inference Providers 集成
Hugging Face 在 Hub 模型页和 JS/Python 客户端 SDK 中接入 fal、Replicate、SambaNova、Together AI 四家无服务器推理供应商。
推荐理由：平台把四家无服务器推理供应商接入模型页与 SDK，读者可据此比较不同供应商的调用方式与计费路径。
Hugging Face Blog精选AI 评分6767 smolagents 新增视觉语言模型支持
Hugging Face 为 smolagents 加上视觉支持，可直接在智能体流水线中使用视觉语言模型。图像既可以在 run 方法开始时以列表传入，由 TaskStep 的 task_images 属性保存，也可以通过 step_callbacks 在每一步把新截图写入 ActionStep 的 observation_images。
推荐理由：官方给出视觉能力接入智能体管线的两种方式，并附可运行的浏览器智能体示例，便于判断多模态 Agent 的落地路径。
Hugging Face BlogAI 评分2424 Hugging Face 分析：AI 智能体已来，全自主智能体不应被开发
Hugging Face 发布分析指出，AI 智能体的风险随自主性提升而增加，用户让渡的控制权越多、风险越大，因此建议不要开发可自行编写并执行代码的全自主 AI 智能体。文中将智能体自主性划分为从模型不影响程序流程到模型自行编写执行代码的多个等级，认为半自主智能体在自主程度、可用任务和用户控制方式合适时，收益可能大于风险。
Hugging Face Blog精选AI 评分7171 Hugging Face 发布 smolagents：用代码编写动作的轻量智能体库
Hugging Face 发布 smolagents 库，让语言模型具备智能体能力，核心是 CodeAgent——智能体用代码而非 JSON 编写动作，并支持通过 E2B 在沙箱环境执行。
推荐理由：Hugging Face 官方介绍 smolagents 库的 CodeAgent 设计与上手方式，可作为编写代码动作智能体的参考。
Hugging Face BlogAI 评分2626 Hugging Face 推出 AraGen：基于 3C3H 的阿拉伯语 LLM 生成式基准与排行榜
Hugging Face 发布 AraGen，一个面向阿拉伯语 LLM 的生成式任务基准与排行榜，采用基于 LLM-as-judge 的新评估指标 3C3H，从正确性、完整性、简洁性、有用性、诚实性和无害性六个维度打分。AraGen 同时覆盖开源与闭源模型，采用动态评估策略：数据集与评估代码先保密三个月进行盲测，期满后公开并替换为新私有基准，以缓解数据污染。
Hugging Face BlogAI 评分2222 Hugging Face 专家支持案例：用 LLM-as-a-Judge 强化 Farmer.chat 的 RAG 应用
Digital Green 与 CGIAR、Hugging Face 专家支持计划合作开发农业问答机器人 Farmer.chat，基于 RAG 和 GPT-4o 规划智能体回答农户提问，知识库涵盖近 46000 篇农业研究论文。过去一年该机器人已服务超 2 万名农户、处理逾 34 万次查询。为评估回答质量，团队搭建了 LLM-as-a-Judge 评测体系。
Hugging Face BlogAI 评分5353 HuggingChat 推出 Community Tools，可将任意 Space 变身为工具
HuggingChat 发布 Community Tools 功能，用户可以把 HuggingFace 上任意公开 Space 转成模型可直接调用的工具，同时扩展了 HuggingChat 的模态能力，支持理解图像、生成视频和文本转语音模型。
The GradientAI 评分2626 LLM 聊天机器人缺了什么：有目的的对话
The Gradient 文章指出，MMLU、HumanEval、MATH 等基准日趋饱和，但以非交互方式衡量的分数未必转化为用户体验。作者主张用"有目的的对话"重构人机交互，即以目标或意图为中心的多轮交流，并认为这对 SWE-bench 式的代码生成同样必要。
Hugging Face BlogAI 评分5656 Hugging Face Transformers Code Agent 登顶 GAIA 基准
Hugging Face 用 Transformers Agents 库构建的 Code Agent 在 GAIA 基准验证集上取得 44.2%，排名第一，比第二名高 4 个百分点；测试集成绩为 33.3%，排名第二，并在最难的 Level 3 问题上取得最佳平均分。
Hugging Face BlogAI 评分4545 Hugging Face 推出 NPC-Playground：可与 LLM 驱动的 NPC 互动的 3D 演示
Cubzh 与 Gigax 联合在 Hugging Face Spaces 上线 NPC-Playground 3D 演示，用户可直接在浏览器中与 LLM 驱动的 NPC 对话。
Hugging Face Blog精选AI 评分7070 Hugging Face 发布 Transformers Agents 2.0
Hugging Face 发布 Transformers Agents 2.0，在原有 agent 类型外新增可基于历史观测迭代的 agent，并将代码与常用属性设计得清晰、模块化，同时加入 agent 分享功能。
推荐理由：官方给出新 Agent 框架的模块设计与 GAIA 榜单实测，读者可据此比较不同 LLM 引擎的 agent 表现。
Hugging Face BlogAI 评分4444 Hugging Face 开源通用智能体 JAT：一个 Transformer 玩转 157 项任务
Hugging Face 发布通用智能体项目 Jack of All Trades（JAT），基于 GPT-Neo 的 Transformer 架构，用单一网络在 Atari、BabyAI、Meta-World、MuJoCo 四个领域的 157 项任务上达到专家平均性能的 65.8%。
Hugging Face BlogAI 评分3030 Patronus 推出 Enterprise Scenarios Leaderboard：面向真实企业用例的 LLM 榜单
Patronus 团队基于 HF Mirror Leaderboard Template 发布 Enterprise Scenarios Leaderboard。
Hugging Face Blog精选AI 评分6363 开源 LLM 作为 LangChain 智能体评测
Hugging Face 在 LangChain 中集成 ChatHuggingFace 封装，让开源模型可构建 ReAct 智能体，并对比了多个开源模型与 GPT-3.5、GPT-4 的表现。
推荐理由：对比多个开源模型在 ReAct 智能体上的评测结果，并给出 LangChain 接入代码示例。