Hugging Face 发布 cuda-kernels 智能体技能，让 Claude 和 Codex 编写生产级 CUDA 内核
Hugging Face 发布一个随 kernels 库分发的智能体技能，教编码智能体编写可集成进 transformers 和 diffusers 的生产级 CUDA 内核。
推荐理由：原文给出技能安装方法、覆盖内容和 H100 实测数据，读者可以照此让编码智能体生成并发布 CUDA 内核。
教程实践
全部主题拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
最新精选
第 21–40 条 · 共 100 条Hugging Face Blog精选AI 评分6767
Hugging Face Blog精选AI 评分6767 Hugging Face 发布 upskill 工具：用 Claude 生成 CUDA 内核技能并迁移给开源模型
Hugging Face 发布 upskill 工具，用 Claude Opus 4.5 生成和评估 agent 技能，再供更小、更便宜或本地模型使用。流程为用 Claude Code 完成任务并导出 trace、从 trace 生成 SKILL.md 技能文件并自动生成测试用例，然后用 upskill eval 对比模型有无技能的表现。
推荐理由：原文给出了用大模型生成技能再迁移到小模型的完整流程和实测数字，方法可直接复用于领域任务。
Hugging Face Blog精选AI 评分6464 Transformers v5 重构分词器：架构与训练词表分离、单文件单后端
Hugging Face 博客详解 Transformers v5 对分词器的重新设计：将分词器架构（normalizer、pre-tokenizer、算法类型、post-processor、decoder）与训练好的词表和 merges 分离，类似 PyTorch 分离模型结构与权重。
推荐理由：文章来自 transformers 团队，解释 v5 将分词器架构与训练词表分离的设计，便于读者直接检查组件或训练自定义分词器。
Hugging Face Blog精选AI 评分7272 Hugging Face Skills 教程：让 Codex 端到端完成模型微调实验
Hugging Face 发布教程，展示如何用 Hugging Face Skills 让 OpenAI Codex 端到端完成机器学习实验，覆盖数据验证、硬件选择、提交 Hugging Face Jobs、用 Trackio 监控训练、维护训练报告以及用 lighteval 评测。
推荐理由：官方教程给出让 Codex 端到端跑完微调、评测和 GGUF 导出的完整流程与成本参考，方法可直接迁移到自己的实验。
Hugging Face Blog精选AI 评分7474 Hugging Face 发布 Skills 让 Claude 等编码智能体完成开源模型微调
Hugging Face 推出 hf-llm-trainer 技能，让 Claude Code、Codex、Gemini CLI 等编码智能体可自动选择 GPU、生成脚本、向 Hugging Face Jobs 提交微调任务并用 Trackio 监控进度，完成后模型自动推送到 Hub。
推荐理由：官方发布了让 Claude Code 等编码智能体端到端微调开源模型的 hf-llm-trainer 技能，覆盖 GPU 选择、任务提交到监控的完整流程。
Hugging Face Blog精选AI 评分6464 Hugging Face 发布开源 OCR 模型选型指南
Hugging Face 发布开源 OCR 模型指南，新增 Chandra 和 OlmOCR-2 及其 OlmOCR Benchmark 得分。
推荐理由：指南基于 OlmOCR Benchmark 等公开基准对比了 9 个开源 OCR 模型的格式、大小与成本，并给出按使用场景选型的具体方法。
Hugging Face Blog精选AI 评分7373 Hugging Face 详解 transformers 为支持 OpenAI GPT-OSS 所做的效率升级
Hugging Face 发文介绍为支持 OpenAI GPT-OSS 对 transformers 库的多项升级，包括从 Hub 下载预编译内核、原生 MXFP4 量化、张量并行与专家并行、动态滑动窗口 KV 缓存、Continuous Batching 和更快的模型加载。
推荐理由：Hugging Face 官方详解为支持 gpt-oss 对 transformers 做的各项升级，多数特性可复用到其他模型。
Hugging Face Blog精选AI 评分6464 Hugging Face ZeroGPU Spaces 如何用 PyTorch 预编译提速图像视频生成
Hugging Face 发文介绍如何在 ZeroGPU Spaces 中用 PyTorch ahead-of-time 编译优化生成式 demo，指出 torch.compile 与 ZeroGPU 短生命周期进程不兼容，需先导出再用 spaces.aoti_* API 编译加载。
推荐理由：原文给出 ZeroGPU 上 AoT 编译的完整步骤和 FP8、动态形状等进阶技巧，读者可以直接迁移到自己的 Spaces demo。
Hugging Face Blog精选AI 评分6767 Hugging Face 详解 Parquet 内容定义分块（CDC）如何配合 Xet 存储层降低数据传输量
Hugging Face 宣布 Parquet 内容定义分块（CDC）已在 PyArrow 和 Pandas 中可用，通过 use_content_defined_chunking=True 参数启用，可与其 Xet 存储层配合仅传输变化的数据块。
推荐理由：官方用七类数据变更场景实测 Parquet CDC 与 Xet 的去重效果，读者可据此评估迁移到 CDC 写入对上传下载的实际收益。
Hugging Face Blog精选AI 评分6767 Hugging Face 详解如何用 Diffusers 和 PEFT 加速 Flux LoRA 推理
Hugging Face 发布教程，介绍结合 Flash Attention 3、torch.compile 和 FP8 量化的 Flux.1-Dev LoRA 推理优化配方，在 H100 上相对基线取得 2.23x 加速，并支持 LoRA 热切换而不触发重编译。
推荐理由：原文给出可直接复用的 LoRA 推理优化配方和 H100、RTX 4090 两套实测延迟数据，并说明热切换避免重编译的限制。
Hugging Face Blog精选AI 评分6363 Hugging Face 教你用 QLoRA 在消费级显卡上微调 FLUX.1-dev
Hugging Face 发布教程，展示用 QLoRA 配合 diffusers 在单张 GPU 上以约 9GB 峰值显存微调 FLUX.1-dev 学习 Alphonse Mucha 画风，700 步在 RTX 4090 上约 41 分钟完成，标准 BF16 LoRA 则需 26GB。
推荐理由：官方博客给出完整的 QLoRA 微调配方和实测显存与耗时数据，方法可直接迁移到消费级显卡上的 FLUX.1-dev 定制训练。
Hugging Face Blog精选AI 评分6464 Hugging Face Kernel Hub 五分钟入门教程
Hugging Face 官方博客介绍 Kernel Hub，开发者可通过 kernels 库的 get_kernel 一行代码加载预编译的优化计算内核，自动匹配 Python、PyTorch 和 CUDA 版本。
推荐理由：原文给出从加载到基准测试的完整可复现步骤，读者可据此评估把优化内核接入自己模型的实际收益。
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。
Hugging Face Blog精选AI 评分7171 Hugging Face 发布 Python 版 Tiny Agents：用约 70 行代码构建 MCP 驱动的 Agent
Hugging Face 发布 Python 版 Tiny Agents，将 huggingface_hub SDK 扩展为 MCP Client，用约 70 行代码即可构建可调用 MCP 工具的 Agent。
推荐理由：官方博客展示了 MCP Client 如何让约 70 行 Python 代码搭起可调用工具的 Agent，核心思路可迁移到自己的项目。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 nanoVLM：用纯 PyTorch 从零训练视觉语言模型的最简代码库
Hugging Face 发布 nanoVLM，一个纯 PyTorch 的轻量工具包，可在免费 Colab 上启动视觉语言模型训练，灵感来自 Andrej Karpathy 的 nanoGPT。
推荐理由：原文拆解了 nanoVLM 的架构、训练与推理全流程，代码轻量可读，适合想从头理解 VLM 训练机制的读者上手实践。
Hugging Face Blog精选AI 评分6262 Hugging Face Diffusers 量化后端实战：以 Flux-dev 为例对比 BnB、torchao、Quanto、GGUF 与 FP8
Hugging Face 发布 Diffusers 量化后端解读文章，以 black-forest-labs/FLUX.1-dev 为例实测 bitsandbytes、torchao、Quanto、GGUF 和 FP8 Layerwise Casting 五种方案。
推荐理由：文章系统对比了 Diffusers 各量化后端在 Flux-dev 上的内存、速度与画质差异，并给出选型建议和可复现代码。
Hugging Face Blog精选AI 评分6868 Hugging Face 盘点视觉语言模型年度进展：更好、更快、更强
Hugging Face 发布长文，回顾 2024 年 4 月以来视觉语言模型（VLM）的关键变化与趋势。
推荐理由：Hugging Face 系统梳理了过去一年 VLM 的新架构、多模态 RAG、智能体与安全模型，可作为领域入门与选型参考。
Hugging Face Blog精选AI 评分6868 如何用 Gradio 构建 MCP Server
Hugging Face 官方博客介绍如何用 Gradio 将 Python 函数构建为 MCP 服务器，只需安装 gradio[mcp] 并在 .launch() 中设置 mcp_server=True，即可让 LLM 通过 Claude Desktop、Cursor、Cline 等 MCP Client 调用该应用作为工具。
推荐理由：官方教程演示只需在 launch 中设 mcp_server=True 即可把任意 Gradio 应用变成 MCP server，含资源和鉴权等进阶用法。
Hugging Face Blog精选AI 评分7272 Hugging Face 发布 Tiny Agents：用 50 行代码实现基于 MCP 的 Agent
Hugging Face 发布 Tiny Agents 教程，展示在 InferenceClient 之上实现 MCP 客户端后，Agent 本质上只是一个 while 循环，全部代码约 50 行 TypeScript。
推荐理由：作者把 MCP 客户端到 Agent 的实现压缩成约 50 行 TypeScript，并提供可运行的开源代码，适合想理解 Agent 与 MCP 基本结构的开发者直接上手。
Hugging Face Blog精选AI 评分7979 Sentence Transformers 官方教程：如何训练和微调 Reranker 模型
Hugging Face 发布 Sentence Transformers 训练和微调 reranker（Cross Encoder）模型的详细教程，覆盖数据集、损失函数、训练参数、评估器和 CrossEncoderTrainer 五个组件，并介绍 mine_hard_negatives 挖掘难负样本。
推荐理由：教程给出完整可复现的 reranker 微调配方和评测数据，读者可据此在自己领域训练出超过通用大模型的小型 reranker。