NVIDIA 在 GTC 2025 上发布三项开源物理 AI 成果：70 亿参数的 Cosmos Transfer 世界模型支持多控制信号生成高保真场景；包含 15TB 数据的 Physical AI 数据集；以及首个通用具身推理模型 Isaac GR00T N1，采用双系统架构支持多平台人形机器人操作。
推荐理由：NVIDIA 开源了 Cosmos Transfer 世界模型与 Isaac GR00T N1 人形机器人模型，为物理 AI 开发提供了关键工具。
Hugging Face 发布文章，通过实测分析10亿级文本分类、嵌入及视觉嵌入推理的成本与延迟。使用Infinity服务器和k6工具，在NVIDIA L4等硬件上寻找最优Batch Size与并发数。结果显示文本分类10亿次成本约253美元，嵌入约409美元，而视觉嵌入因模型复杂和图像Token多，成本高达44496美元。
Hugging Face 发布 TimmWrapper，将 PyTorch Image Models (timm) 集成至 transformers 生态，支持 Pipeline API、Auto Classes、8bit 量化、Trainer 微调及 torch.compile 加速。
推荐理由：Hugging Face 官方发布 TimmWrapper 实现 timm 与 transformers 生态互通，支持量化、微调与编译加速。
Hugging Face 社区发布了面向文本到图像生成的开源偏好数据集，包含 1 万对偏好样本，涵盖多种图像风格与提示词复杂度。数据集采用 Apache 2.0 协议，附带用于数据预处理和后处理的代码，并提供了基于 FLUX.1-dev 模型的 LoRA 微调适配器。
推荐理由：开源了文本到图像生成的偏好数据集及微调代码，为社区提供了可复用的训练素材。
Hugging Face Diffusers 正式支持 Stable Diffusion 3.5 Large，提供 8B 参数模型及少步推理的 Turbo 版本。文章介绍了 QK 归一化与双注意力层等架构变化，并给出了量化推理与 LoRA 微调的实操代码。
推荐理由：文章详细说明了SD3.5 Large的架构变化及Diffusers使用方式，并提供了量化推理与微调的实操指南。
Hugging Face 发布 Gradio 5 稳定版，引入服务端渲染（SSR）实现近乎即时的浏览器加载，并支持基于 WebSockets 和 WebRTC 的低延迟流式传输。新版本更新了组件现代设计，内置 AI Playground 辅助生成应用，并增强了 Web 安全性。
推荐理由：Gradio 5 引入服务端渲染与低延迟流式传输，显著改善 ML 应用性能与实时交互体验。
Mistral AI 发布 Mistral Small v24.09 模型，下调全线模型 API 价格，并推出 la Plateforme 免费层。le Chat 免费开放 Pixtral 12B 视觉能力，支持任意尺寸图片理解。
推荐理由：官方同步更新模型定价与发布新模型，提供了免费层与Apache 2.0授权，便于评估成本与部署方案。
Hugging Face 联合 Albumentations AI 发布 TextImage Augmentation 教程，介绍一种同时修改文档图像和文本的多模态数据增强方法。该方法支持随机插入、删除、替换和停用词插入，可生成合成数据并保留修改后的文本标注，适用于视觉语言模型（VLM）在文档图像上的微调。
推荐理由：提供结合文本与图像修改的文档增强方法，帮助解决视觉语言模型在文档数据上的微调难题。
Hugging Face 宣布举办首届开源 AI 游戏开发大赛，参赛者需在 7 月 7 日至 9 日期间使用 AI 工具制作游戏。参赛作品需支持网页或 Windows 平台，且必须集成至少一个开源 AI 工具。比赛强调利用 Stable Diffusion 等工具加速开发，面向全球开发者免费开放。
Hugging Face 博客介绍了一种结合 OpenVINO NNCF 和 🤗 Optimum 的优化工作流，显著降低了 Stable Diffusion 模型在资源受限 CPU 上的推理延迟。该方案通过量化感知训练（QAT）、知识蒸馏和 Token Merging 技术，实现了 5.1 倍的推理加速和 4 倍的模型体积缩减。
Hugging Face 博客介绍利用 InstructPix2Pix 训练方法对 Stable Diffusion 进行指令微调，使其能根据指令处理输入图像。研究结合 FLAN V2 理念构建数据集，在卡通化、去雨等任务上实现了比预训练模型更忠实的效果。代码、预训练模型及数据集已开源。
在 Intel Sapphire Rapids CPU 上，使用 OpenVINO 将 Stable Diffusion 推理延迟从 32.3 秒降至 16.7 秒，实现 2 倍加速。进一步通过 reshape 固定输入形状，延迟可进一步降至 4.7 秒，带来额外 3.5 倍加速。结合系统级优化，相比上代 Ice Lake CPU 原生推理，整体速度提升近 10 倍。
Hugging Face 博客详解了使用 diffusers 训练 ControlNet 的三步流程：规划条件、构建数据集与模型训练。文章以训练面部姿态控制模型为例，展示了从 FaceSynthetics 数据集准备到使用 A100 进行训练的具体代码与参数配置，并提供了适配 8GB 至 16GB 显存的优化方案。
推荐理由：原文详述了基于diffusers训练ControlNet的三步流程与显存优化技巧，提供了可直接复用的实操指南。
Kakao Brain 与 Hugging Face 联合发布首个开源 ALIGN 模型及 7 亿图文对 COYO 数据集。该模型在多项任务上表现媲美 Google 原版，且训练数据完全公开，支持零样本图像分类与多模态嵌入提取。
Hugging Face 发布教程介绍如何在 Diffusers 中使用 StableDiffusionControlNetPipeline，涵盖边缘、姿态等多种条件控制及多条件组合方法，并演示了通过优化调度器、CPU卸载和xformers实现推理加速与显存节省。
推荐理由：文章详细演示了Diffusers中ControlNet的集成与优化技巧，提供可复用的代码与性能调优方案。
Hugging Face 发布 Diffusers for Mac 1.1，将扩散模型转换为 Core ML 以利用 Apple Silicon 硬件加速。性能测试显示 M1 Max 使用 GPU 最快，标准 M1 使用 ANE 更快，新版本会自动选择最佳加速器。
推荐理由：官方发布 Swift 原生应用并给出多芯片性能数据，可据此判断端侧生成效率。
Hugging Face Hub 已支持图像分类、分割等 8 项核心视觉任务，收录超 3000 个模型与 100 个数据集。Transformers 库提供 Pipelines 推理接口及 Trainer 微调 API，并集成 timm、Diffusers 等第三方库。平台还涵盖 CLIP 等零样本模型支持及 ImageNet-1k 等数据集加载指南。
Stable Diffusion 的 Image2Image 功能可作为辅助工具融入传统 2D 工作流，通过调整 denoising strength 参数控制模型对输入图像的创意修改程度。
Hugging Face Diffusers 正式支持 Stable Diffusion 的 LoRA 微调，训练仅需 11 GB 显存，生成的权重文件仅约 3 MB。该功能支持 Dreambooth 和全量微调，并内置自动记录基础模型元数据以简化推理加载。
推荐理由：Diffusers 原生支持 LoRA 大幅降低显存需求并生成极小权重文件，便于模型分享与复用。
当前文本生成 3D 技术尚未达到实用化标准，无法直接用于游戏开发。尽管 DreamFusion、Point-E 等研究在视图合成方面取得进展，但生成的资产仍需大量后期处理才能就绪。作者建议暂时使用基础几何体代替，并关注 NeRF 转网格或引擎内直接渲染等未来方向。
文章演示了如何利用Hugging Face Datasets和Transformers库构建图像相似度检索系统。通过加载预训练视觉模型提取图像嵌入向量，并使用余弦相似度计算查询图像与候选图像的匹配度。文中提供了完整的Python代码示例，并介绍了使用FAISS进行高效索引和检索的扩展方法。
本文介绍如何使用 ChatGPT 辅助游戏设计，通过提示词获取关于作物多样性、进度系统和社交功能等核心玩法的建议。文章解析了基于 Transformer 架构和 RLHF 技术的语言模型原理，并指出模型虽能加速头脑风暴，但存在幻觉风险，不应作为确定的知识库。
Hugging Face 发布系列教程，展示如何利用 AI 工具在 5 天内开发一款功能完整的农场游戏。教程首日演示使用 Stable Diffusion 1.5 生成等距视角的概念艺术，并指导在 Unity 2021.9.3f1 中搭建场景。该指南面向熟悉 C# 的开发者，涵盖从艺术风格设定到引擎集成的完整工作流。
Hugging Face 官方提供 Stable Diffusion Core ML 转换权重，让 Apple Silicon 用户能直接调用并本地运行。支持 v1.4、v1.5 及 v2 系列模型，提供 Python 和 Swift 两种推理方式，并附带自定义模型转换脚本。
推荐理由：Hugging Face 官方提供 Stable Diffusion Core ML 转换权重，让 Apple Silicon 用户能直接调用并本地运行。
VQ-Diffusion 是由中国科学技术大学和微软开发的条件潜在扩散模型，其噪声和去噪过程在由离散向量组成的量化潜在空间中进行。该模型使用冻结权重的 VQ-VAE 将图像编码为离散 token，并通过预训练的 CLIP 文本编码器和解码器 Transformer 实现条件生成。
本文解析了文档 AI 的六大用例及对应的开源模型方案。LayoutLMv3 在 PubLayNet 基准测试中 mAP 达 0.951，LayoutLM 在 FUNSD 基准上 F1 分数达 90%。文章涵盖 OCR、文档分类、布局分析及解析等任务，指导利用开源模型构建自定义解决方案。
Hugging Face发布基于Diffusers训练Stable Diffusion的Dreambooth技巧。推荐低学习率（如1e-6）配合较多训练步数（人脸约1200步）以避免过拟合；微调文本编码器可显著提升质量，但需24GB显存；过拟合时改用DDIM调度器并增加推理步数能改善效果。
推荐理由：原文基于大量实验给出了Dreambooth微调Stable Diffusion的具体超参数建议和避坑指南。