PyTorch 性能分析（第三部分）：注意力机制全剖析
Hugging Face 发布 PyTorch 性能分析系列第三篇，聚焦注意力机制。文章从朴素注意力实现出发，展示矩阵乘法、缩放、因果掩码等操作在 profiler 中的 kernel 表现，并指出将 masked_fill 改为原地操作 masked_fill_ 可省去每次前向的 Memcpy kernel。所有脚本在 NVIDIA A100-SXM4-80GB 上运行。
#Hugging Face
#Hugging Face
今日 0 条Hugging Face BlogAI 评分2222
Hugging Face Blog精选AI 评分6262 vLLM 的 transformers 建模后端实现原生速度
Hugging Face 宣布 vLLM 的 transformers 建模后端现在在许多 LLM 架构上达到或超过 vLLM 手写实现的速度。该后端通过 torch.fx 做静态图分析并借助 ast 在运行时重写算子、融合为 vLLM 优化内核，模型作者只需加 --model-impl transformers 一个参数即可用上极速 vLLM 推理。
推荐理由：原文给出了让 transformers 模型免改代码即可达到 vLLM 原生推理速度的机制与实测对比，读者可据此判断自建部署的迁移成本。
Hugging Face BlogAI 评分2828 Hugging Face 与 Amazon SageMaker Studio 一键直连集成发布
Hugging Face 与 Amazon SageMaker AI 推出深度链接集成，支持从模型页一键跳转至 SageMaker Studio，模型预加载、环境已配置。
Hugging Face BlogAI 评分5151 微软 Foundry Managed Compute 上架 Hugging Face 模型
微软在 Build 2026 上发布 Foundry Managed Compute 与 Hugging Face 模型集合，把 Hugging Face 生态的开源权重模型纳入 Foundry Model Catalog，每周刷新，可一键部署到托管 GPU 平台。
Hugging Face Blog精选AI 评分7676 LeRobot v0.6.0 发布：世界模型策略、奖励模型 API 与六套仿真基准
Hugging Face 发布 LeRobot 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）、一批新 VLA（GR00T N1.7、MolmoAct2、EO-1、Multitask DiT、EVO1）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 与六套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状与可用入口。
Hugging Face Blog精选AI 评分6161 Hugging Face 与 SkyPilot 联合推出零出网存储集成
Hugging Face 与 SkyPilot 联合发布集成，用户可用一个 hf:// URL 将 Hugging Face Bucket 或模型、数据集、Space 仓库挂载进 SkyPilot 任务，并在 20 多个云、Kubernetes 和本地集群上运行。
推荐理由：原文给出 hf:// 挂载方式与免费出网机制，读者可据此判断跨云训练工作流的存储成本变化。
Hugging Face BlogAI 评分3030 PRX Part 4：数据策略详解
Hugging Face 发布 PRX 系列第四篇，披露其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式语料。训练文本编码器换为 Qwen3-VL 并改为实时计算 latent，仅带来约 3–4% 吞吐损失；图像统一以 JPEG quality 92 编码。
Hugging Face BlogAI 评分3434 Hugging Face 发布 Kernels 项目重大更新：新增 kernel 仓库类型并加强安全
Hugging Face 为 Kernels 项目引入 Hub 上的 "kernel" 仓库类型，并默认只加载受信任发布者的 kernel，其他来源需通过 trust_remote_code 显式开启。同时加入基于 Sigstore cosign 的代码签名，并新增对 Torch Stable ABI 与 Apache TVM FFI 的支持。
Mistral AI精选AI 评分6666 Mistral 发布 Leanstral 1.5 形式化验证模型，Apache-2.0 开源
Mistral 发布 Leanstral 1.5，一个 Apache-2.0 许可、总参数 119B、激活 6B 的形式化验证模型，miniF2F 达到 100%，PutnamBench 解出 587/672 题，FATE-H 87%、FATE-X 34%。
推荐理由：官方给出多基准成绩、训练流程和每解题成本，读者可对照其开源权重与免费 API 判断形式化验证的实用门槛。
Hugging Face Blog精选AI 评分6262 Hugging Face 与 Cerebras 将 Gemma 4 引入实时语音 AI
Hugging Face 与 Cerebras 联合演示了一条实时语音到语音流水线，采用开源可替换的级联架构。语音识别用 Nvidia 的 Parakeet，语言模型用 Google DeepMind 的 Gemma 4 31B 在 Cerebras 上推理，文本转语音用 Alibaba 的 Qwen3TTS。
推荐理由：Hugging Face 与 Cerebras 联合演示开源语音到语音流水线，读者可了解各层组件如何组合与何处替换。
Hugging Face BlogAI 评分2929 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布开源基准 ScarfBench（Self-Contained Application Refactoring Benchmark）。
Hugging Face BlogAI 评分3434 为什么专业化不可避免：优化理论、生物学与机器学习给出的同一答案
Dharmam AI 解读 Goldfeder、Wyder、LeCun 与 Shwartz-Ziv 的 2026 年论文《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，指出专业化是有限资源下的必然结果。
Google Research精选AI 评分6969 Google Research 发布 TabFM：面向表格数据的零样本基础模型
Google Research 发布 TabFM，一个面向表格数据分类与回归的零样本基础模型，将表格预测重构为上下文学习（ICL）问题，无需手动训练、超参数调优和特征工程，单次前向传播即可对未见过的表格生成预测。
推荐理由：TabFM 把零样本思路带到表格分类与回归，读者可据此了解免训练预测在企业数据场景的落地方式。
Hugging Face BlogAI 评分5757 Every Eval Ever 结果接入 Hugging Face 模型页
Every Eval Ever（EEE）与 Hugging Face Community Evals 实现互通，评测结果可以跨平台发布并互相解读。EEE 的标准化 JSON 记录可与 Community Evals 的 YAML 结果对接，提交后分数会显示在模型页和基准榜单上，并带有指向完整 EEE 记录的来源徽章。
Google DeepMind精选AI 评分7474 Google DeepMind 发布 DiffusionGemma：文本生成最高提速 4 倍
Google DeepMind 发布实验性开放模型 DiffusionGemma，基于 Gemma 4 与 Gemini Diffusion 研究，用文本扩散同时生成整块 token，在专用 GPU 上最高提速 4 倍，单张 NVIDIA H100 超 1000 tokens/秒、RTX 5090 超 700 tokens/秒。
推荐理由：原文给出扩散文本生成的速度收益、硬件门槛与质量取舍，读者可据此判断它适合哪类本地推理场景。
Mistral AI精选AI 评分7171 Mistral AI 发布 Voxtral TTS 语音合成模型
Mistral AI 发布首款文本转语音模型 Voxtral TTS，4B 参数，支持英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语共 9 种语言的语音生成。
推荐理由：原文给出了架构、延迟与定价，读者可据此判断它在企业语音工作流中的位置。
Mistral AI精选AI 评分6464 Mistral 发布 Voxtral Transcribe 2 语音转写模型系列
Mistral 发布 Voxtral Transcribe 2，包含面向批处理的 Voxtral Mini Transcribe V2 和面向实时场景的 Voxtral Realtime 两款语音转写模型。
推荐理由：Mistral 一次放出批处理与实时两款语音转写模型，并给出延迟、错误率与单价对比，可据此判断实时语音应用的落地成本。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral 3 系列模型，含 675B 参数 MoE 大模型 Mistral Large 3
Mistral 发布 Mistral 3 系列，包含 3B、8B、14B 三个 Ministral 3 密集模型，以及总参数 675B、激活 41B 的稀疏 MoE 模型 Mistral Large 3，全部以 Apache 2.0 许可开源。
推荐理由：Mistral 3 一次性放出从 3B 到 675B 的全系开源模型，读者可据此判断小模型与 MoE 大模型的分工。
Mistral AI精选AI 评分7171 Mistral AI 与 All Hands AI 发布编码智能体模型 Devstral
Mistral AI 与 All Hands AI 合作发布面向软件工程任务的智能体模型 Devstral，以 Apache 2.0 许可开源。
推荐理由：官方给出 SWE-Bench Verified 46.8% 的横向对比与单卡本地部署门槛，便于判断开源编码智能体的可用边界。
Mistral AI精选AI 评分8282 Mistral 发布 Mistral Small 3.1：128k 上下文、多模态、Apache 2.0 开源
Mistral AI 发布 Mistral Small 3.1，在 Mistral Small 3 基础上提升文本表现、多模态理解，上下文窗口扩展至 128k tokens，推理速度 150 tokens 每秒，以 Apache 2.0 许可证开源。
推荐理由：Mistral Small 3.1 以 128k 上下文和 Apache 2.0 开源发布，读者可据此判断小模型在端侧多模态任务上的可用边界。