Hugging Face 开源社区动态：热门模型与数据集、排行榜变化与开源生态的晴雨表。
LeRobot 发布 v0.6.0，围绕机器人学习闭环引入世界模型策略（VLA-JEPA、FastWAM、LingBot-VA）、新一批 VLA（GR00T N1.7、MolmoAct2、EO-1、EVO1、Multitask DiT）以及统一奖励模型 API（Robometer、TOPReward）。
推荐理由：原文给出世界模型策略、奖励模型 API 与六个仿真基准的完整清单，读者可据此判断机器人学习闭环的现有工具面。
AWS 开源的 Strands Robots SDK 将 LeRobot 相关的数据录制、策略推理和机器人抽象封装成 AgentTools，可组合成单个 Strands agent，把 Hub 上的数据集一路走到物理机器人。
推荐理由：完整走通从 Hub 数据集到真机的一条 Agent 流水线，说明仿真与硬件数据共用同一格式后，训练脚本可以不加改动地互换使用。
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
Google DeepMind 发布实验性开源模型 DiffusionGemma，采用文本扩散方式一次性生成 256 个 token，在专用 GPU 上文本生成最高提速 4 倍，单张 NVIDIA H100 上超过 1000 tokens/秒，RTX 5090 上超过 700 tokens/秒。
推荐理由：官方给出 4x 推理加速的实测数字与本地低并发场景边界，读者可据此判断它适合哪些交互式工作流。
作者让编程智能体调用两个 Hugging Face Space 搭建了一个展示巴黎地标的 3D 高斯泼溅画廊：ideogram4 负责由提示词生成图像，VAST-AI/TripoSplat 负责将单张图像重建成 .ply 格式的 3D 高斯泼溅。
推荐理由：作者以一条可复现的智能体流水线，展示如何用 agents.md 串联两个 Space 完成图像与 3D 生成。
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。
Hugging Face 在 TRL 中提交 PR，用增量权重同步替代异步强化学习中的全量权重传输：两次 RL 优化步之间约 99% 的 bf16 权重字节完全一致，只把变化的元素编码成稀疏 safetensors 文件上传到 HF Bucket，再让 vLLM 拉取。
推荐理由：Hugging Face 把异步强化学习的权重同步从全量广播改成稀疏增量，并给出可下载运行的实现，读者可以据此判断跨机房训练的门槛变化。
Hugging Face 博客发布第二篇高效 LLM 推理系列文章，讲解如何在连续批处理中实现异步化：将 CPU 的批准备与 GPU 的计算解耦，用 H2D、compute、D2H 三个非默认 CUDA 流配合 CUDA event 跨流同步，并处理双缓冲防数据竞争与 carry-over 传递新 token。
推荐理由：以 CPU 与 GPU 串行浪费为主线，给出三流分离与 CUDA event 同步的异步批处理实现思路，可迁移到长序列推理部署优化。
IBM Granite 团队发布 Granite 4.1 系列稠密解码器 LLM，包含 3B、8B、30B 三个规模，基于约 15T token 训练，采用五阶段预训练流程并将上下文窗口扩展至 512K token，全部以 Apache 2.0 许可开源。
推荐理由：原文披露了 Granite 4.1 从预训练到多阶段 RL 的完整训练配方，以及 8B 稠密模型追平上一代 32B-A9B MoE 的对比结果。
DeepSeek 发布 V4，Hub 上有 DeepSeek-V4-Pro（1.6T 总参数、49B 激活）和 DeepSeek-V4-Flash（284B 总参数、13B 激活）两个 MoE checkpoint，均支持 1M-token 上下文窗口。
推荐理由：原文拆解了 V4 混合注意力与工具调用后训练设计，可判断长上下文智能体工作负载的成本取舍。
Hugging Face 发布 Sentence Transformers v5.4，可在同一套 API 下编码和比较文本、图像、音频与视频，用于视觉文档检索、跨模态搜索和多模态 RAG。
推荐理由：官方博客给出 Sentence Transformers v5.4 多模态嵌入与重排序的完整代码用法和模型清单，可直接照抄跑通流程。
Overworld 发布新一代实时视频世界模型 Waypoint-1.5，在 RTX 3090 至 5090 等桌面硬件上可生成最高 720p、60 FPS 的实时环境，并新增面向更广泛消费级硬件的 360p 档位。
推荐理由：Waypoint-1.5 用 720p/360p 双档位和消费级硬件本地运行把实时世界模型从演示推向可用。
TII 的 Falcon Vision 团队发布 Falcon Perception，一个 0.6B 参数的早期融合 Transformer，用自然语言提示做开放词表定位与分割，图像与文本从第一层起共享参数。
推荐理由：原文用 SA-Co 与自建 PBench 的分数拆解了早期融合单骨干相对模块化流水线的收益与短板。
Gradio 发布 gradio.Server，扩展 FastAPI，在原路由基础上叠加 Gradio 的 API 引擎，提供排队、SSE 流式、并发控制和 gradio_client 兼容。
推荐理由：Gradio 新 Server 模式把排队、并发与 ZeroGPU 能力开放给任意前端框架，读者可据此评估自建前端的后端选型。
IBM 发布 Granite 4.0 3B Vision，一款面向企业文档理解的紧凑型视觉语言模型，以 LoRA 适配器形式挂载在 Granite 4.0 Micro 之上，在 Hugging Face 以 Apache 2.0 许可开放。
推荐理由：IBM 以 LoRA 适配器形式发布 3B 文档视觉模型，并给出图表与表格抽取的对比基准，便于判断小模型在企业文档场景的可用性。
NVIDIA 发布一套在单张 GPU 上不到一天完成领域嵌入模型微调的流程，基于 Llama-Nemotron-Embed-1B-v2，无需人工标注。流程用 nemotron-3-nano-30b-a3b 从领域文档生成合成问答数据、挖掘难负样本并做多跳展开，再用对比学习微调，实测 nDCG@10 与 Recall@10 均提升约 10%。
推荐理由：NVIDIA 给出了从合成数据、难负样本挖掘到 ONNX/TensorRT 部署的完整嵌入模型微调配方，附真实评测数字。
Hugging Face 发布 2026 春季开源 AI 生态分析，基于平台数据复盘过去一年竞争格局、地理分布、技术趋势与新兴社区。2025 年平台用户增至 1300 万，公开模型超 200 万个，公开数据集超 50 万个；中国模型占过去一年下载量的 41%，行业开发占比从 2022 年前的约 70% 降至 2025 年的约 37%。
推荐理由：Hugging Face 官方以平台数据复盘开源 AI 一年变化，可用于判断开源生态的重心与集中度。
H Company 发布 Holotron-12B，一个基于 NVIDIA Nemotron-Nano-2 VL 后训练的多模态 computer-use 模型，已在 Hugging Face 以 NVIDIA Open Model License 开放。
推荐理由：Holotron-12B 给出混合 SSM 架构在 Agent 长上下文并发下的吞吐对比，可据此判断 computer-use 模型的部署取舍。
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。