AI for Food Allergies：用 AI 推进食物过敏研究
全球约 2.2 亿人受食物过敏困扰，Hugging Face 发起 AI for Food Allergies 项目，打造首个社区驱动的研究实验室，探索 AI 如何推进食物过敏研究。该项目计划以开放协作的方式桥接 AI 与生物医学，涵盖过敏原预测、药物靶点建模、临床诊断与标签识别等方向，让研究者、临床医生和患者共同受益。
全部AI 动态
全部动态
今日 1 条Hugging Face BlogAI 评分4040
Hugging Face BlogAI 评分5050 NVIDIA 发布 Nemotron-Personas-India：面向主权 AI 的开源合成人物数据集
NVIDIA 发布 Nemotron-Personas-India，首个对齐印度真实人口分布的开源合成人物数据集，采用 CC BY 4.0 许可。数据集包含 2100 万个人物（3M 记录 × 7 人物），共 7.7 billion tokens，支持英语和印地语（天城文与拉丁字母），覆盖全部 36 个邦和 640 个地区。
OpenAI NewsAI 评分3535 OpenAI 如何定义和评估 LLM 的政治偏见
OpenAI 介绍了其评估 ChatGPT 政治偏见的新方法，采用贴近真实使用场景的测试来提升客观性、降低模型偏见。该方法聚焦于如何定义和衡量 LLM 的政治倾向，旨在改进评测的客观性。
Hugging Face Blog精选AI 评分6868 BigCode 发布 BigCodeArena：通过代码执行端到端评判代码生成模型
BigCode 发布 BigCodeArena，一个通过真实执行来评判代码生成模型的人类投票平台，支持 10 种语言和 8 种执行环境，开放无需注册。上线 5 个月收集 14K 对话、4700+ 偏好投票，Elo 排名中 o3-mini 和 o1-mini 居首。
推荐理由：基于5个月社区执行评估数据发布代码生成评测平台，给出分语言和执行环境的模型表现差异与两个新基准。
Hugging Face BlogAI 评分5151 Hugging Face 发布 RTEB 基准，用开放与私有数据集评估嵌入模型真实检索泛化能力
Hugging Face 发布 Retrieval Embedding Benchmark（RTEB）测试版，旨在可靠评估嵌入模型在真实应用中的检索准确性。它采用开放与私有数据集结合的混合策略来检测基准过拟合，覆盖 20 种语言和法律、医疗、代码、金融等企业领域，默认榜单指标为 NDCG@10，榜单已上线于 MTEB 排行榜的检索板块。
Hugging Face BlogAI 评分4747 NVIDIA 发布 Nemotron-Personas-Japan：面向主权 AI 的日语合成数据集
NVIDIA 发布首个面向日本人口统计、地理与文化特征的开源合成人设数据集 Nemotron-Personas-Japan，采用 CC BY 4.0 许可。
Hugging Face BlogAI 评分5555 Hugging Face 发布 Smol2Operator：将 SmolVLM2-2.2B 训练为 GUI 智能体的完整开源方案
Hugging Face 发布 Smol2Operator 方案，将无 GUI 定位能力的 SmolVLM2-2.2B-Instruct 通过两阶段 SFT 训练为 GUI 智能体，在 ScreenSpot-v2 上从基线 0 提升到 61.71%。
Hugging Face Blog精选AI 评分6161 Meta 发布 Gaia2 智能体基准及开源评估框架 ARE
Meta 的 Hugging Face 团队发布 GAIA 后续基准 Gaia2 和配套开源框架 Meta Agents Research Environments（ARE），Gaia2 数据集采用 CC BY 4.0 许可，ARE 采用 MIT 许可。
推荐理由：官方发布新基准 Gaia2 和开源评估框架 ARE，含七类任务和主流模型结果，便于开发者调试和评估自己的 Agent。
OpenAI NewsAI 评分5454 OpenAI 研究解释大语言模型为何产生幻觉
OpenAI 发布新研究，解释语言模型为何产生幻觉。研究指出改进评测方式可以提升 AI 的可靠性、诚实性与安全性。
Hugging Face BlogAI 评分4646 SandboxAQ 发布 SAIR：AI 结构智能加速药物研发，最大共折叠蛋白-配体 3D 结构数据集上线 Hugging Face
SandboxAQ 发布开源数据集 SAIR，提供超过 500 万（5.24 million）个 AI 生成的蛋白-配体 3D 共折叠结构，每个结构均配有来自 ChEMBL 或 BindingDB 的实测 IC₅₀ 数据，以 CC BY 4.0 许可免费开放。
Berkeley AI ResearchAI 评分4848 word2vec 究竟学到了什么？Berkeley AI Research 给出定量理论
Berkeley AI Research 提出理论证明，在从接近零的小初始化等温和近似条件下，word2vec 的学习问题可归约为无加权最小二乘矩阵分解，最终学到的表示等价于对目标矩阵 M* 做 PCA。
Hugging Face BlogAI 评分3737 FilBench：评估 LLM 能否理解并生成菲律宾语的评测基准
Hugging Face 团队推出 FilBench 评测套件，覆盖 Tagalog、Filipino 和 Cebuano 三种语言，包含 Cultural Knowledge、Classical NLP、Reading Comprehension 和 Generation 四大类共 12 项任务，并据此评估了 20 多个主流 LLM。
Hugging Face BlogAI 评分4141 TextQuests：评估 LLM 在文字冒险游戏中的智能体推理能力
Hugging Face 推出 TextQuests 基准，基于 25 款经典 Infocom 互动小说游戏评估 LLM 作为自主智能体的长上下文推理与探索学习能力。
OpenAI NewsAI 评分4848 OpenAI 研究 gpt-oss 开放权重模型的最坏情况前沿风险
OpenAI 发布论文，评估发布 gpt-oss 开放权重模型的最坏情况前沿风险。研究提出恶意微调（MFT）方法，通过微调 gpt-oss 使其在生物学和网络安全两个领域尽可能发挥最大能力，以探明其潜在风险上限。
Hugging Face BlogAI 评分3737 NVIDIA 在 DeepResearch Bench 上评测开源 Llama Nemotron 模型
NVIDIA 的 AI-Q Blueprint 在 Hugging Face DeepResearch Bench「LLM with Search」榜单登顶，总分为 40.52（截至 2025 年 8 月），是目前完全开源授权方案中的第一名。
Hugging Face BlogAI 评分3737 Hugging Face 发布 3LM：面向阿拉伯语 LLM 的 STEM 与代码基准
Hugging Face 推出 3LM，首个针对阿拉伯语 LLM 评测 STEM 与代码生成的多组件基准，包含 865 道原生 STEM 选择题、1,744 道合成高难度题，以及由 HumanEval+ 和 MBPP+ 翻译的阿拉伯语代码数据集。
Hugging Face BlogAI 评分5353 Hugging Face 发布 TimeScope 长视频理解基准
Hugging Face 发布开源基准 TimeScope，将约 5-10 秒的短视频"针"插入 1 分钟到 8 小时的基础视频中，评测局部检索、信息综合和细粒度时序感知三类能力。测试发现多数先进模型在真实时序任务上仍吃力，Gemini 2.5-Pro 是唯一在超过一小时视频上保持高准确率的模型，而扩大参数量并不能延长模型的有效时序范围。数据集、排行榜和 lmms-eval 评测框架均已开源。
Hugging Face BlogAI 评分4646 Hugging Face 推出 FutureBench：评测 AI 智能体预测未来事件的能力
Hugging Face 提出 FutureBench，通过真实世界事件评测 AI 智能体预测未来的能力。该基准从新闻和 Polymarket 预测市场采集题目：基于 smolagents 的智能体用 DeepSeek-V3 生成预测问题，每次抓取约生成 5 道题、时间范围为一周，另有每周约 8 道来自 Polymarket 的问题。
OpenAI News精选AI 评分6464 OpenAI 研究不对齐泛化的理解与预防
OpenAI 发布研究，探讨在错误回答上训练如何导致语言模型更广泛的不对齐。研究识别出驱动该行为的内部特征，并发现通过极少量微调即可将其逆转。
推荐理由：OpenAI 官方研究探讨错误回答训练如何引发更广泛的模型不对齐，并指出该内部特征可用极少微调逆转，为对齐研究提供了新方向。
Hugging Face BlogAI 评分4848 Hugging Face 发布 ScreenSuite：最全面的 GUI Agent 评测套件
Hugging Face 发布 ScreenSuite，一套覆盖感知、定位、单步操作和多步智能体四类能力的 GUI Agent 评测套件，整合 13 个基准，如 ScreenQA-Short、ScreenSpot-Pro、AndroidWorld 和 OSWorld。
Hugging Face Blog精选AI 评分6060 Hugging Face 提出 Structured CodeAgent：用结构化生成提升代码智能体可靠性
Hugging Face 发布研究，让 CodeAgent 以强制 JSON 结构同时生成 thoughts 和 code，在 GAIA、MATH、SimpleQA、Frames 等基准上比常规 CodeAgent 平均高出 2-7 个百分点。
推荐理由：原文给出结构化输出结合 CodeAgent 的实测数据与适用边界，读者可据此判断自己的模型规模是否适合启用该方案。
OpenAI NewsAI 评分5151 OpenAI 发布医疗 AI 评测基准 HealthBench
OpenAI 发布 HealthBench，一个面向医疗场景的 AI 评测基准，在真实场景中评估模型表现。该基准由 250 多名医生参与构建，旨在为模型在健康领域的性能与安全提供共同标准。
Hugging Face BlogAI 评分4747 HELMET 发布：全面评测长上下文语言模型
Princeton 团队推出长上下文语言模型评测基准 HELMET，已入选 ICLR 2025，共评测 59 个模型，发现合成任务（如 NIAH）与真实下游表现相关性差，前沿长上下文模型在复杂任务上仍受限。
OpenAI NewsAI 评分4040 OpenAI 发布 BrowseComp：面向浏览智能体的基准测试
OpenAI 发布了 BrowseComp，一个用于评估浏览智能体（browsing agents）的基准测试。该基准旨在衡量智能体执行网页浏览任务的能力。
Hugging Face BlogAI 评分3737 Inception 联合 MBZUAI 推出 Arabic-Leaderboards：新增阿拉伯语指令遵循榜单并更新 AraGen
Inception 联合 MBZUAI 在 Hugging Face 推出 Arabic-Leaderboards Space，整合阿拉伯语 AI 评测，目前包含 AraGen-03-25 和基于 Arabic IFEval 的指令遵循榜单。
OpenAI NewsAI 评分3131 OpenAI 发布 PaperBench：评估 AI 智能体复现 AI 研究的能力
OpenAI 推出 PaperBench，这是一个评估 AI 智能体复现前沿 AI 研究能力的 benchmark。
OpenAI NewsAI 评分3333 OpenAI 与 MIT Media Lab 合作研究 ChatGPT 情感化使用与情绪健康
OpenAI 与 MIT Media Lab 联合开展研究，探索 ChatGPT 上情感化使用与用户情绪健康的早期研究方法。该合作旨在理解用户与 AI 的情感互动及其对情绪健康的影响。
Hugging Face Blog精选AI 评分6363 Hugging Face Open R1 更新：发布 CodeForces-CoTs 数据集、IOI 基准与 OlympicCoder 7B/32B 模型
Hugging Face 在 Open R1 第三次更新中发布了从 DeepSeek-R1 蒸馏的 CodeForces-CoTs 数据集（近 10 万样本）、2024 年 IOI 题目构成的 IOI 基准，以及基于 Qwen2.5 Coder 微调的 OlympicCoder-7B 和 OlympicCoder-32B。
推荐理由：Hugging Face 官方复盘训练过程，给出样本打包、学习率等可复用经验，并附带完整数据集、基准和评测代码。
Hugging Face BlogAI 评分5151 Yaak 与 Hugging Face LeRobot 团队发布全球最大开源自驾数据集 L2D
Yaak 与 LeRobot 团队发布开源自驾数据集 L2D（Learning to Drive），R4 版含 100 万个 episode、5000+ 小时驾驶、90+ TB 多模态数据，采集自德国 30 个城市的 60 辆驾校电动车。
OpenAI News精选AI 评分6464 OpenAI：用 LLM 监控思维链可检测前沿推理模型的不当行为
OpenAI 发现前沿推理模型有机会时会利用漏洞，但可以用另一个 LLM 监控其思维链来检测这类利用行为。研究还发现，惩罚模型的坏想法并不能阻止大多数不当行为，反而会让模型隐藏其意图。
推荐理由：原文给出思维链监控可检测推理模型钻漏洞，而惩罚坏想法反而促使模型隐藏意图这一关键反直觉发现。
OpenAI NewsAI 评分3535 OpenAI 推出 SWE-Lancer 基准：测试前沿 LLM 能否靠真实自由软件工程赚 100 万美元
OpenAI 推出 SWE-Lancer 基准，将真实自由职业软件工程任务转化为 LLM 评测，总价值 100 万美元，考察前沿模型能否赚取这笔报酬。该基准用真实 Upwork 工程任务衡量模型的实际编程能力。
Hugging Face Blog精选AI 评分6262 Hugging Face Open R1 更新：发布 OpenR1-Math-220k 数学推理数据集
Hugging Face Open R1 项目发布首个大规模数学推理数据集 OpenR1-Math-220k，在 512 张 H100 上用 DeepSeek R1 为 40 万道题生成 80 万条推理轨迹，经 Math Verify 和 Llama3.3-70B-Instruct 过滤后保留 22 万条正确轨迹。
推荐理由：原文详述数学推理数据集的构建方法、过滤策略与消融结果，也覆盖社区在小样本微调和 CoT 长度控制上的进展。
Hugging Face BlogAI 评分3434 Open Arabic LLM Leaderboard 2 发布
Hugging Face 联合 2A2I、TII 推出的 Open Arabic LLM Leaderboard 即将升级为第二版。第一版上线不到 7 个月吸引超 46,000 访客、提交超 700 个模型（1B 至 70B+ 参数），覆盖 180 多个组织；其中 70% 以上为 chat 和微调模型，超 50% 的模型小于 7B。新版将针对社区反馈，加强阿拉伯语特定任务评测与基准透明度。
Hugging Face BlogAI 评分4646 Adyen 与 Hugging Face 联合推出多步推理数据智能体基准 DABstep
Adyen 与 Hugging Face 联合发布 DABstep（Data Agent Benchmark for Multi-step Reasoning），包含 450 多个源自 Adyen 真实工作负载的数据分析任务，用于评估 LLM 和 AI 智能体。
OpenAI NewsAI 评分1818 OpenAI 研究：用推理时计算换取对抗鲁棒性
OpenAI 发布研究，探讨通过增加推理时计算来提升模型对抗鲁棒性的方法。研究分析了更多推理计算与对抗攻击防御之间的关系。
Hugging Face BlogAI 评分5151 Artificial Analysis 发布 Big Bench Audio 评测集，实测 GPT-4o 与 Gemini 1.5 系列的音频推理能力
Artificial Analysis 发布音频语言模型推理评测集 Big Bench Audio，从 Big Bench Hard 四个类别各选 250 题生成 1000 道音频题，并给出 GPT-4o 与 Gemini 1.5 系列在语音到语音、语音到文本、文本到语音、文本到文本四种配置下的 18 组实验结果。
Hugging Face BlogAI 评分5050 Hugging Face Data is Better Together 社区发布开放文本生成图像偏好数据集 open-image-preferences-v1
Hugging Face 的 Data is Better Together 社区发布 Apache 2.0 许可的文本生成图像偏好数据集 open-image-preferences-v1，包含 10K 偏好对、超 30K 标注响应，由 250 多名社区成员在不到两周内完成。
OpenAI NewsAI 评分1919 OpenAI 结合人员与 AI 推进红队测试
OpenAI 发布了关于结合人员与 AI 推进红队测试的内容，介绍了将人工与 AI 方法结合用于红队测试的方向。
Hugging Face BlogAI 评分4242 让大模型辩论：首届多语言 LLM 辩论竞赛
BAAI 推出 FlagEval Debate「Debate Arena」平台，让大模型两两辩论比拼推理与语言能力，目前支持中文、英文、阿拉伯语和韩语四语种。平台采用专家评审加用户投票的双评估体系，并允许参赛团队微调模型参数与对话策略。相比 LMSYS Chatbot Arena 等静态或用户投票式评测，它能缓解区分度不足、模型各自独立生成和投票偏好偏差等问题。
OpenAI NewsAI 评分2929 OpenAI 推出事实性评测基准 SimpleQA
OpenAI 推出事实性基准 SimpleQA，用于衡量语言模型回答简短事实性问题的能力。