全部 AI 动态 · AI 热点

6月30日

03:05

@koltregaskes@koltregaskes

精选

前沿模型成本上升、令牌使用量攀升以及近期禁令，使企业自建AI变得更加必要。通过下载Llama或Qwen等开源模型，使用LoRA在自有数据上微调，部署在自有基础设施，可一次性计算成本取代按席收费。Hugging Face和LoRA已降低技术门槛，关键在于管理层是否将其视为基础设施投资而非普通软件开支。

行业 Llama Qwen LoRA Hugging Face 微调

推荐理由：前沿模型越来越贵还被禁，自己微调Llama或Qwen更可控，一次性投入省月费，数据也安全。

原文

6月29日

13:51

Jasper AI@heyjasperai

Jasper将Hugging Face基础设施用于其MONET系统的数据创建和存储。该方法针对随时间更新的大型训练数据集进行了优化。Jasper团队通过HF实现了更高效的数据管道管理。这一案例展示了HF在训练数据工作流中的实际应用。

技巧 Jasper Hugging Face MONET 数据管道模型训练

推荐理由：看看Jasper怎么用Hugging Face当MONET的数据后台，对做大模型训练数据管道的团队很有启发。

原文

03:06

AK@_akhaliq

百度发布的Unlimited-OCR模型在Hugging Face模型排行榜上位列第一，超越其他模型。该模型专注于OCR文字识别任务，具体基准成绩尚未公布。其排名基于社区下载量和交互数据，反映出较高的关注度。

AI模型 baidu/Unlimited-OCR Hugging Face OCR 文字识别

推荐理由：百度这个OCR模型居然冲到Hugging Face第一了，想搞文字识别的可以看看它有什么本事。

原文

00:16

量子位@听雨

Yuxinlu1在Hugging Face模型排行榜上击败多家大厂模型，登顶多个细分榜单。该账号发布的模型综合得分领先于Meta、Google等公司的开源项目。排行榜显示其推理效率与准确率均达到SOTA水平。

AI模型 yuxinlu1 Hugging Face 模型排行榜开源模型

推荐理由：一个个人开发者干翻大厂，看看yuxinlu1到底做了什么模型这么强

原文

00:01

Clement Delangue@ClementDelangue

Brian Armstrong在推文中分享了Coinbase控制AI成本的实践。他提到，通过将默认模型切换到开源模型如GLM 5.2和Kimi 2.7，91%的员工从未触及使用上限。通过改进缓存，LibreChat的缓存命中率从5%提升到60%。这些措施使AI支出减少近一半，同时token用量仍在增长。他还强调路由优化和精简上下文的重要性。

技巧 Hugging Face GLM 5.2 Kimi 2.7 成本优化缓存

推荐理由：Coinbase创始人Brian Armstrong分享了一套实际操作方案：用更便宜的默认模型、优化缓存和路由，能把AI成本砍半。开源模型GLM 5.2和Kimi 2.7是主角，缓存命中率从5%跳到60%。

原文

00:01

Clement Delangue@ClementDelangue

精选

Hugging Face CEO Clement Delangue认为，当前最危险的AI系统是闭源前沿API模型（如通过编程助手分发的LLM），它们由巨头秘密构建、完全黑箱、控制力集中且分发到数亿用户。而开源模型风险低几个数量级：易于分析、能力较弱、传播更可控，且保护者与攻击者平等获取。监管前沿API只需针对少数巨头，成本低且容易执行；监管开源则会伤害小企业、研究者、大学等群体，并降低透明度。

行业 Hugging Face 开源模型 AI监管前沿模型

推荐理由：Hugging Face CEO直言政府该管闭源API而不是开源模型，点出了监管争论中被忽略的黑箱风险。

原文

6月27日

11:39

marktechpost@Sana Hassan

精选

本教程演示如何从Hugging Face流式加载NVIDIA Open-SWE-Traces数据集，无需本地下载即可在Google Colab中高效处理。内容涵盖多轮智能体对话标准化、代码补丁解析、构建包含轨迹长度、工具使用次数、补丁大小、语言分布及解决结果的分析DataFrame。最后基于成功标签、Token限制、语言过滤和补丁可用性筛选出监督微调子集。

技巧 NVIDIA Open-SWE-Traces Hugging Face 微调编程助手

推荐理由：想自己动手做代码智能体微调数据？这教程手把手教你解析NVIDIA开源的Open-SWE-Traces，连Token预算和工具使用指标都算好了。

原文

6月26日

16:55

Geek@geekbb

精选

NVIDIA 基于智谱 GLM-5.2 模型量化出 NVFP4 精度版本，命名为 nvidia/GLM-5.2-NVFP4。该模型通过 Hugging Face 免费层级 API 提供，限制为每小时 300 次或每天 1,000 次请求。作者认为其性能至少应优于 deepseek-v4-flash。

AI模型 nvidia/GLM-5.2-NVFP4 智谱 NVIDIA Hugging Face 推理模型

推荐理由：NVIDIA 把智谱的 GLM-5.2 量化成 NVFP4 精度，放 Hugging Face 上免费调，还能白嫖，日常推理够用了。

原文

15:09

15:09IT之家（博客/媒体）

73°

高通与Hugging Face宣布扩大合作，将Hugging Face的AI存储和推理服务适配高通Dragonfly数据中心解决方案。百万量级AI模型将通过智能体接入高通平台，加速在终端和数据中心的部署。Hugging Face将为高通芯片客户提供PRO专业版访问权限。双方还计划支持分布式AI框架，使智能体在端、云平台间灵活流转。

行业高通 Hugging Face Dragonfly 智能体 AI生态

推荐理由：高通和Hugging Face联手，让百万级模型能在手机和数据中心跑，开发者还能用上PRO权限，挺实在的合作。

原文

01:15

Hugging Face@huggingface

Hugging Face 通过直播演示如何在本机部署和运行开源 AI 模型。教程覆盖了从模型下载、环境配置到推理执行的完整流程，无需依赖云端服务。适合希望离线使用 LLaMA、Mistral 等模型的开发者。

技巧 Hugging Face 开源模型本地部署推理

推荐理由：想自己跑开源模型？Hugging Face 这场直播手把手教你在本地部署，省去云端费用和延迟。

原文

6月25日

10:09

berryxia@berryxia

PP-OCRv6已正式上架Hugging Face平台。本次更新新增transformers和ONNX Runtime两个推理后端，用户可以通过统一API在不同框架间无缝切换。相比PP-OCRv5，PP-OCRv6在字符识别精度上有进一步提升。该版本尤其适合希望在transformers生态中直接使用高性能OCR的开发者。

AI模型 PaddleOCR PP-OCRv6 Hugging Face transformers OCR

推荐理由：PaddleOCR的PP-OCRv6上HF了，支持transformers和ONNX Runtime双后端，切换框架不用改代码，超实用。

原文

6月24日

11:48

11:48IT之家（博客/媒体）

76°

阿里巴巴千问发布Qwen-AgentWorld，这是首个原生语言世界模型。提供两种规模（35B-A3B与397B-A17B）。模型能同时模拟文本类和GUI类环境，覆盖七大领域。通过三阶段训练（CPT、SFT、RL）构建世界建模能力。在Tool Decathlon、MCPMark和WideSearch基准上验证了可控模拟效果。AgentWorldBench已在Hugging Face发布。

AI模型 Qwen-AgentWorld 阿里千问智能体环境模拟 Hugging Face

推荐理由：阿里千问发布的这个Qwen-AgentWorld模型，能模拟智能体在七个领域的交互环境，还能当环境模拟器或智能体基础模型，挺有意思的。

原文

09:24

AK@_akhaliq

hf-claude 扩展已确认与 GLM 5.2 版本兼容。用户可通过命令“hf extensions install hf-claude”安装该扩展。该扩展为 Hugging Face 生态提供了 Claude 模型的集成支持，让用户能在 GLM 5.2 环境中更稳定地使用 Claude 相关功能。

技巧 hf-claude GLM 5.2 Hugging Face 扩展

推荐理由：用 GLM 5.2 的话，装这个扩展就能跑 Claude，挺方便的。

原文

02:03

Clement Delangue@ClementDelangue

精选

Hugging Face 的数据存储能力正在快速扩张，公共机器人数据集从 2025 年初的 1,000 个增长到了 60,000 个，私有数据集数量是公共的两倍。单个机器人以 140 MB/s 持续记录数据，全天不休。通过从 Hub 直接流式传输并使用预缓存，GPU 吞吐量可从闲置时的 0 MB/s 跃升至约 1,326 MB/s。LeRobot 配合 Hugging Face Storage Buckets 实现了这一优化方案。

AI产品 Hugging Face LeRobot 存储桶机器人数据 GPU流式传输

推荐理由：Hugging Face 悄悄把存储和流式传输做到极致，机器人数据从1千到6万，GPU跑满1326 MB/s，不闲置了。

原文

6月23日

16:51

16:51Hugging Face: Blog（博客/媒体）

精选

Hugging Face将huggingface_hub库的发布频率从每两个月一次提升至每周一次。流程中利用GPT-4自动生成发布说明，通过GitHub Actions运行超过2000项测试，并由人类维护者进行最终审核。该方案使版本迭代速度提升8倍，同时保持稳定性。

技巧 huggingface_hub Hugging Face GPT-4 GitHub Actions 自动发布

推荐理由：Hugging Face分享了他们如何用GPT-4和GitHub Actions把库发布从两个月一次提速到每周一次，还保留了人工把关，挺实用的经验。

原文

6月21日

22:03

Clement Delangue@ClementDelangue

Hugging Face CEO Clement Delangue分析指出，2016-2024年美国在开源AI领域领先，2024-2027年将在通用AI领域领先并受益。2024-2026年中国在开源AI方面领先，2026-2030年未知。他认为开源AI是通用AI的基础，能加速国家技术生态进步，OpenAI/Google从开放科学和开源AI起步，主导了AI领域。Meta由于改变策略，失去了类似机遇。

行业开源AI 通用AI Hugging Face OpenAI Google

推荐理由：Hugging Face老大用历史时间线论证为什么开源先于通用AI，中国和美国在这波AI竞赛里的角色有了新视角。

原文

6月19日

23:57

Thomas Wolf@Thom_Wolf

开源模型生态欢迎新手尝试Opus 4.8级别的模型。GLM-5.2是ZAI org发布的开放权重模型，可通过Hugging Face页面使用。多个供应商竞争价格，智能体价格便宜。模型可本地运行、微调并构建商业应用，无需许可。HuggingChat提供免费聊天界面。

AI模型 GLM-5.2 Hugging Face 开源模型本地部署微调

推荐理由：GLM-5.2达到Opus 4.8水平，免费、可本地跑、可微调，比闭源灵活还便宜，快试试！

原文

11:28

marktechpost@Sana Hassan

本文使用Hugging Face加载的Salesforce CodeGen实现端到端工作流。除基础推理外，添加函数提取、语法检查、静态安全检查和单元测试验证。对最佳N个候选项进行重排序，组合多轮程序合成并实验不同提示风格。最后可视化迷你基准测试并将生成的工件导出为可复用文件。

技巧 Salesforce CodeGen Hugging Face Python 代码生成单元测试

推荐理由：手把手教你用Salesforce CodeGen写Python函数，还能自动验证和重排序，适合想提升代码生成质量的开发者。

原文

04:25

Clement Delangue@ClementDelangue

精选

AI模型 Poolside Laguna M.1 Hugging Face 开源模型长上下文

推荐理由：Poolside 把最强的 Laguna M.1 模型完全开放了，256K 上下文，Apache 2.0 许可，直接去 Hugging Face 下载权重用。

原文

00:22

AK@_akhaliq

GLM-5.2 模型在 Hugging Face 的推理提供商上提供免费使用，限时6小时。支持的提供商包括 Zai、Together AI、Novita、Fireworks 和 DeepInfra。用户可通过 Pi、opencode、Codex 或 Claude Code 等编码代理进行配置。该免费服务由 xgo.ing 支持。

AI模型 GLM-5.2 Hugging Face 免费模型推理提供商编码代理

推荐理由：GLM-5.2 现在能免费调用了，6小时内搭配 Pi、Codex 等编码工具就能用，赶紧去试试。

原文

6月18日

15:03

小互@imxiaohu

Apodex 1.0 模型已正式发布，官方介绍页面提供了技术细节。在线体验平台 apodex.ai 可供用户直接试用。模型权重已在 Hugging Face 上开源下载。

AI模型 Apodex 开源模型 Hugging Face

推荐理由：Apodex 发布了 1.0 版本，有在线体验和开源下载，感兴趣可以试试。

原文

13:03

@atomic_chat_hq@atomic_chat_hq

Atomic Chat 正式在 Hugging Face 上线，成为该平台上的 Local App。用户可以直接在本地设备运行 Hugging Face 上的 200,000+ 个开放权重模型，所有处理都在设备端完成，保障隐私。该应用完全开源，无需联网即可使用多种模型。

AI产品 Atomic Chat Hugging Face 本地模型开源模型

推荐理由：Atomic Chat 现在能在本地跑 Hugging Face 上 20 多万个模型，完全离线私密，还开源，搞 AI 的可以试试看。

原文

01:10

Clement Delangue@ClementDelangue

John Sarihan 创立的 Crosby Intelligence 发布了一个新的法律 AI 基准数据集。该基准托管在 Hugging Face 平台上。旨在推动法律领域 AI 的评测与发展。

AI模型 Crosby Intelligence Hugging Face 法律基准法律AI

推荐理由：想看看法律 AI 谁更强？Crosby Intelligence 搞了个新基准，已经在 Hugging Face 上线了。

原文

00:30

Clement Delangue@ClementDelangue

74°

XDOF宣布完成7000万美元融资，投资方包括多家未披露的投资者。该公司由来自Covariant、Meta和Tesla的团队创立，专注于为机器人基础模型构建核心基础设施。同时，他们开源了ABC-130K数据集，这是目前最大的开源遥操作数据集，与UC Berkeley、CMU、MIT和Amazon FAR合作开发。该数据集可帮助研究人员和公司更高效地训练机器人基础模型。

行业 XDOF ABC-130K Hugging Face 开源数据集机器人基础模型

推荐理由：XDOF拿了7000万美金做机器人基础模型，还开源了130K的遥操作数据集，搞机器人训练的朋友赶紧去用。

原文

6月17日

13:28

Geek@geekbb

精选

介绍了一个工具，可在Apple Silicon Mac上通过MLX框架本地运行大语言模型。用户能从Hugging Face搜索并下载模型，用MLX进行离线推理，并启动一个OpenAI兼容的API服务。这样就能用curl或OpenAI客户端库调用本地模型。

技巧 MLX Hugging Face OpenAI兼容API 本地推理教程

推荐理由：想在Mac上本地跑大模型、不用联网？这个工具能从Hugging Face下模型，用MLX推理，还直接开个OpenAI API，当本地服务使。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月14日

10:52

Clement Delangue@ClementDelangue

Hugging Face CEO Clement Delangue 在推文中强调 AI 发展没有必然性，所有人都有选择权。他对比两条路径：封闭 API 导致权力集中，或开源 AI 让所有人参与。他引用 SemiAnalysis 的案例：里约热内卢市基于 Qwen 7/2 后训练了 Rio 3.5 Open 397B 模型，该模型采用 SwiReasoning 框架，动态切换标准链式推理和隐空间推理，通过熵置信信号提升 token 效率。

行业 Clement Delangue Hugging Face 开源模型 Qwen SwiReasoning

推荐理由：开源 vs 封闭，里约市用 Qwen 做示范

原文

6月13日

03:47

Clement Delangue@ClementDelangue

精选

Hugging Face CEO Clement Delangue在推特上回应关于模型基准测试的争议，指出闭源API可以通过回退（fallback）机制提升分数，例如Fable 5模型回退到Opus 4.8可能获得更高总分，即使Opus 4.8平均分更低。他以AA基准中的GPQA Diamond和AA-Omniscience为例，说明模型对不同查询的表现不一致，导致回退策略可能掩盖真实能力。Delangue强调，只有API提供商知道实际路由策略，这使得基准测试缺乏透明度。

行业 Clement Delangue Hugging Face benchmark 透明度闭源API

推荐理由：揭露闭源API的基准测试猫腻

原文

6月12日

20:47

Julien Chaumond@julien_c

oMLX 项目现已支持 Hugging Face 标准缓存模型目录，这意味着用户可以直接使用本地已下载的模型，无需额外配置。该更新由开发者 @jundotkim 实现，旨在简化 MLX 框架下的本地 AI 部署流程。对于使用 Apple Silicon 设备运行本地大模型的用户来说，这一改进显著降低了使用门槛。社区对此反响积极，认为这是提升 MLX 生态易用性的重要一步。

AI产品 oMLX MLX 本地AI Hugging Face 模型部署

推荐理由：对于在 Apple Silicon 上跑本地模型的开发者，oMLX 支持 HF 缓存目录意味着省去模型重复下载和路径配置的麻烦，建议直接更新体验。

原文

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

01:36

Clement Delangue@ClementDelangue

精选

Hugging Face 宣布其存储平台已成为私有和公开模型及数据集的最佳选择，支持中间和最终版本。以 @heyjasperai 为例，他们使用 HF 存储桶存储 Monet 数据集并直接在其上训练模型。这展示了 HF 在 AI 存储和训练工作流中的一体化能力。对于需要管理大型模型和数据集的团队，HF 提供了便捷的存储和训练集成方案。

AI产品 Hugging Face 存储平台数据集模型训练 AI 基础设施

推荐理由：Hugging Face 将存储与训练无缝集成，管理模型和数据集的团队可以直接在平台上完成从存储到训练的全流程，省去多平台切换的麻烦。

原文

00:33

Julien Chaumond@julien_c

Jasper AI 的图像研究高级副总裁在推文中称赞 Hugging Face 的基础设施是“明智之选”。Jasper 将 Hugging Face 作为其 MONET 模型的创建和存储骨干，特别适合处理大规模且随时间更新的训练数据集。这一选择为团队在处理动态大数据集时提供了显著优势。相关案例已在 Hugging Face 的存储测试页面分享。

AI产品 Hugging Face Jasper MONET 存储骨干训练数据集

推荐理由：对于需要处理大规模动态训练数据集的 AI 团队，Hugging Face 的存储方案被 Jasper 验证为高效可靠，值得关注其具体实现细节。

原文

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？

06:14

Sundar Pichai@sundarpichai

Google CEO Sundar Pichai 宣布，Google 的模型权重已在 Hugging Face 上以 Apache 2.0 许可证开源。这意味着开发者可以自由下载、使用和修改这些模型，无需担心商业限制。此举降低了 AI 模型的使用门槛，尤其对研究者和中小团队利好。开源社区可以基于这些权重进行二次开发或集成到自己的应用中。

AI模型开源/仓库 Hugging Face Google 模型权重 Apache 2.0

推荐理由：Google 将模型权重以 Apache 2.0 开源，解决了开发者获取高质量预训练模型的门槛问题，做 AI 应用或研究的团队可以直接下载使用，值得关注。

原文

03:20

Clement Delangue@ClementDelangue

Hugging Face 联合创始人 Clement Delangue 在 X 上发起讨论，询问是否应该尝试训练一个开源 AI 建筑模型。他指出 Hugging Face 拥有丰富的相关数据集，包括 HF、MLintern、transformers、trl 等。该提议引发了社区关注，获得 36 条评论、6 次转发、150 个赞和 4284 次浏览。这表明开源 AI 在建筑领域的应用潜力正受到关注，可能推动建筑行业智能化发展。

行业开源模型建筑行业 Hugging Face 数据集 AI 应用

推荐理由：Hugging Face 联合创始人的提议直击开源 AI 在垂直领域的落地机会，建筑行业的开发者或研究者可以关注这个方向，看看能否用现有数据集推动创新。

原文

03:18

Clement Delangue@ClementDelangue

Google、Hugging Face 与开源 AI 社区联合发起 Gemma 挑战赛，旨在通过数十个智能体协作，让 Gemma 4 E4B 模型运行更快。Hugging Face 的 Hub 正从人类协作平台演变为智能体协作平台，这一赛事展示了 AI 智能体在模型优化中的潜力。挑战赛鼓励开发者参与，推动开源 AI 生态发展。

AI产品智能体开源/仓库 Gemma Hugging Face 模型优化

推荐理由：这是 AI 智能体协作的实战案例，做模型优化或智能体开发的团队值得关注——看看智能体如何像人类一样在 Hub 上合作提速模型。

原文

6月9日

22:43

Clement Delangue@ClementDelangue

Arcee AI 宣布成为首个完全用 Hugging Face 替换 AWS S3 存储其所有模型和数据集的美国主要 AI 实验室，包括公开和私有数据。双方达成数百万美元合作，旨在支持美国开源 AI 发展。此举标志着 AI 基础设施向去中心化、开源生态的转变，Hugging Face 作为存储和分发平台的地位进一步巩固。

行业 Arcee AI Hugging Face AWS S3 开源 AI 基础设施

推荐理由：这对使用 AWS S3 存储 AI 资产的团队是个信号——Hugging Face 正成为更灵活、开源友好的替代方案，做模型部署和数据集管理的开发者值得关注这一趋势。

原文

01:53

Clement Delangue@ClementDelangue

Hugging Face CEO Clement Delangue 在 X 上发文，指出 AI 行业正走向成熟，多模型工作负载成为主流。他预测，未来公司不仅会使用数十个模型，还会针对特定用例进行适配、后训练和优化。最终，模型数量将像代码仓库一样多，因为模型正在成为新的代码。这一观点反映了 AI 从单一模型向多元化、定制化发展的趋势。

行业多模型工作负载模型定制 AI 趋势 Hugging Face 模型即代码

推荐理由：AI 从业者终于可以告别“一个模型打天下”的思维了——多模型工作负载是未来，做模型选型、微调或部署的团队值得关注这个趋势，提前布局。

原文

01:42

Thomas Wolf@Thom_Wolf

精选72°

Hugging Face 与 Mecado 合作推出 CADGenBench，一个用于评估 AI 生成和编辑 CAD 模型的基准测试。该基准测试包含两个任务：从工程图纸生成有效的 3D CAD 模型，以及根据变更请求编辑 STEP 文件。它不依赖特定工具，支持 Fusion、Onshape、build123d、SolidWorks 等多种 CAD 软件，提交格式统一为 STEP 文件。评分维度包括几何精度、拓扑正确性、接口兼容性和 CAD 有效性。基准测试已开源，排行榜实时更新，旨在推动 AI 在工程领域的精确应用。

AI产品 CAD 基准测试工程图纸 3D模型 Hugging Face

推荐理由：AI 终于开始认真对待工程图纸了——CADGenBench 为评估 AI 生成精确 3D 零件提供了标准化工具，做 CAD 开发或工程自动化的团队可以直接用这个基准测试来验证自己的模型。

原文

6月8日

22:52

Philipp Schmid@_philschmid

精选72°

Google 发布了新的 Gemma 4 QAT（量化感知训练）检查点，在保持相似性能的同时，将内存占用降低约 4 倍。该版本引入了一种新的移动端量化格式，将 Gemma 4 E2B 的内存占用降至仅 1GB。QAT 通过在训练过程中模拟低精度运算，实现无损量化，从而得到更小、更快的模型。这些检查点已在 Hugging Face 上提供，可直接运行。

AI模型 Gemma 4 QAT 量化移动端部署 Hugging Face

推荐理由：做移动端或边缘部署的开发者终于可以跑 Gemma 4 了——内存降到 1GB 意味着手机和 IoT 设备也能用，建议直接去 Hugging Face 拉下来试试。

原文

6月6日

05:21

Clement Delangue@ClementDelangue

72°

Hugging Face CEO Clement Delangue通过实测数据反驳了“智能体会绕过所有工具直接调用API”的流行观点。团队在Hugging Face Hub上对Claude Code和Codex进行了约1000次分级测试，发现智能体使用优化过的CLI工具比手写curl或SDK调用节省高达6倍的token，且任务成功率更高（94% vs 84%）。他认为，在token昂贵的时代，抽象层（如CLI、SDK）是智能体的“缓存智能”，能压缩推理链，降低失败率和成本。因此，智能体不会重建一切，而是会倾向于使用最token高效的软件工具。Hugging Face本身已成为智能体使用AI的平台，两个月内收到约4900万次请求。

行业智能体 token成本 CLI/工具 Hugging Face AI开发

推荐理由：这篇实测数据直接打脸了“智能体将消灭所有软件层”的论调，做AI工具和智能体开发的团队值得一看——它告诉你为什么好的CLI和SDK反而更值钱了。

原文

03:05

ollama@ollama

Ollama 宣布 Gemma 4 的量化感知训练（QAT）权重现已可用。这些权重在保持模型质量的同时，显著降低了内存需求。用户可以通过 Ollama 直接运行多个 Gemma 4 变体，包括 e2b、e4b、12B、26B 和 31B 等版本。Google Gemma 团队也在 Hugging Face 上发布了所有 Gemma 4 模型大小及其 drafters 的 QAT 检查点，旨在优化设备端性能。这为在资源受限环境中部署大型语言模型提供了更高效的方案。

AI模型 Gemma 4 量化感知训练 Ollama 模型优化 Hugging Face

推荐理由：QAT 权重让 Gemma 4 在更低内存下运行，适合在本地或边缘设备部署大模型的开发者，可以直接用 Ollama 命令体验。

原文

6月4日

23:42

Clement Delangue@ClementDelangue

Hugging Face 联合创始人 Clement Delangue 分享称，已将 NanoClaw AI 的智能体追踪数据上传至 Hugging Face 平台。他认为所有智能体默认应将追踪数据私有存储在 HF 上，以便用户保留历史记录、进行分析、分享，并用于后训练更好的模型和工具。这一方向旨在提升智能体的可追溯性和数据利用效率，推动 AI 代理生态发展。

AI产品智能体追踪数据 Hugging Face NanoClaw AI 数据存储

推荐理由：智能体开发者终于有了标准化的追踪数据存储方案——NanoClaw AI 与 Hugging Face 的集成让分析、分享和后训练变得简单，做 AI 代理的团队值得关注这个方向。

原文