Hugging Face发布GaLore优化器，利用梯度低秩结构投影技术将优化器状态显存占用降低82.5%以上，结合8-bit量化可在RTX 4090等消费级显卡上训练7B参数模型。该方案支持动态子空间切换与层更新，已集成于transformers库，用户可通过pip安装galore-torch并使用galore_adamw等优化器进行微调。
推荐理由：GaLore通过低秩投影显著降低显存占用，配合8-bit优化器可在消费级显卡上训练大模型，提供了可复用的训练方案。
Superhuman 宣布引入 OpenAI 技术，旨在重新构想电子邮件的使用体验。这一合作标志着 AI 在邮件处理领域的应用进入新阶段，通过整合前沿人工智能能力，提升用户的邮件交互效率与智能化水平。
Holiday Extras 在全体团队中部署 ChatGPT Enterprise，每周提升生产力 500 小时。
Salesforce 集成 OpenAI 的企业级大语言模型以改造客户应用。此举旨在通过引入企业级 LLM 提升应用的可信度与安全性。
Hugging Face 推出 Train on DGX Cloud 服务，允许 Enterprise Hub 组织通过 AutoTrain 使用 NVIDIA H100 GPU 微调 Llama、Mistral 等模型。该服务按分钟计费，H100 实例价格为每小时 8.25 美元，支持 1 至 8 卡配置。
Hugging Face 发布 Optimum-Quanto，一个面向 PyTorch 的量化后端，支持 int2/int4/int8/float8 权重与激活量化，无缝集成 transformers 库，支持 CPU/GPU/MPS 设备与 torch.compile。
推荐理由：提供了从动态量化到静态冻结的完整工作流，并原生支持 transformers 集成，便于快速部署。
Hugging Face 发布教程，展示如何利用 Optimum Intel 对 BGE 等 Embedding 模型进行 int8 量化，并在 Intel Xeon CPU 上实现最高 4.5 倍的延迟降低和 4 倍的吞吐量提升。文章提供了集成 fastRAG 框架进行 RAG 检索与重排的具体代码示例。
推荐理由：提供基于 Optimum Intel 量化 BGE 模型的完整代码，展示如何在 Intel CPU 上实现 RAG 检索与重排的低延迟加速。
Hugging Face 发布 WebSight-v0.2 数据集，包含 200 万对真实截图与 HTML 代码，并开源了基于该数据集微调的 Sightseer 模型，可将网页截图转换为包含图片引用的功能 HTML 代码。
推荐理由：Hugging Face 开源了包含 200 万对截图与 HTML 代码的 WebSight 数据集及微调模型，为视觉语言模型生成前端代码提供了高质量数据基础。
OpenAI 与 Healthify 合作，利用 AI 健康教练帮助数百万人实现可持续减重。
OpenAI 与国际新闻机构 Le Monde 和 Prisa Media 达成合作，将法语和西班牙语新闻内容引入 ChatGPT。此举旨在丰富 ChatGPT 的多语言新闻信息源，提升用户对非英语新闻内容的获取能力。
Lifespan 采用 GPT-4 大幅提升健康素养并改善患者预后。该方案通过引入前沿大语言模型技术，从根本上优化了医疗信息传递效率，旨在增强患者对健康状况的理解能力，从而提升整体治疗体验与结果。
Match Group 使用 ChatGPT Enterprise 激发创造力与影响力。
Paradigm 使用 OpenAI 的 API 改善患者获取临床试验的机会。
OpenAI 重申其致力于 OpenAI 使命，并强调在每一步都坚持追求该使命。
UCLA 研究人员发布 ConTextual 数据集，用于评估多模态模型在文本丰富场景下的联合推理能力。该数据集包含 506 条指令，涵盖时间阅读、导航等 8 个场景。实验显示 GPT-4V 表现最佳，但开源模型如 LLaVA-v1.5-13B 和 ShareGPT4V-7B 仍存在显著差距。
Argilla 与 Hugging Face 联合发起 Data is Better Together 项目，通过协作标注构建了包含 10,000 个提示词及其质量评分的 10k_prompts_ranked 数据集。
Hugging Face 发布基于 Optimum Habana 的自定义流水线，支持在 Intel Gaudi 2 上运行 Llama 2 模型。该流水线提供端到端文本生成，兼容 LangChain 并支持 DeepSpeed 分布式推理。用户可通过 `optimum-habana` 仓库中的脚本或 Python 代码快速调用，实现高效的大语言模型部署。
BigCode 发布 StarCoder2 系列开源代码大模型，包含 3B、7B 和 15B 三种参数规模。旗舰版 StarCoder2-15B 基于 4 万亿 tokens 的 The Stack v2 数据集训练，在多项评测中表现匹敌 33B 级别模型。同时开源了 The Stack v2 数据集及全部训练代码。
推荐理由：StarCoder2 提供 3B 至 15B 三种尺寸，15B 模型在多项评测中匹敌 33B 级别模型，为开发者提供了高效的开源代码生成选择。
Hugging Face 发布 TTS Arena，这是一个基于社区投票的文本转语音（TTS）模型排行榜。该工具允许用户提交文本并对比不同模型的合成效果，通过类似 Elo 的算法对 ElevenLabs、MetaVoice、OpenVoice 等模型进行排名。
推荐理由：Hugging Face 推出基于社区投票的 TTS 模型排行榜，为开发者提供直观的比较工具。
Mistral AI 发布最新旗舰语言模型 Mistral Large，该模型原生支持英法西德意五语，具备 32K 上下文窗口、函数调用及 JSON 格式输出能力，在 MMLU 等基准测试中表现优异，并可通过 Azure 获取。同时发布针对低延迟优化的 Mistral Small 模型，两者均支持函数调用与结构化输出功能。
推荐理由：Mistral 发布旗舰模型并公布多项基准测试成绩，同时推出轻量模型与 API 功能，便于开发者评估选型。
Mistral AI 发布首款对话助手 Le Chat，底层支持 Mistral Large、Small 及原型模型 Mistral Next，提供可调节的系统级内容审核机制。同时推出支持私有化部署和细粒度审核的 Le Chat Enterprise 版本，目前面向公众开放 Beta 内测。
推荐理由：官方发布首款对话助手并开放内测，提供企业私有化部署方案，可据此评估其多模型调度与商业落地能力。
本文介绍了针对 AI 生成内容的数字水印技术，涵盖可见与不可见水印、生成时嵌入与生成后处理两种方法，以及 Glaze、Nightshade 等图像防护工具。文章探讨了开放与封闭水印方案的优劣，并展示了 Hugging Face Hub 上用于图像、音频、文本等多模态数据的开源水印工具。
Hugging Face 发布 Gemma 模型 LoRA 微调教程，提供基于 Transformers 和 PEFT 库的完整代码，演示使用 QLoRA 进行 4-bit 量化微调，并介绍在 TPU 上通过 FSDP 加速训练的方法。
推荐理由：文章提供了基于LoRA和QLoRA微调Gemma模型的完整代码，并演示了TPU上的FSDP加速方案。
Hugging Face 发布 Matryoshka Embedding 模型教程，介绍其可变维度特性及在 Sentence Transformers 中的训练与使用代码。实验显示截断维度可大幅加速检索并节省存储，且性能损失极小。
推荐理由：原文详解了Matryoshka Embedding的训练原理与Sentence Transformers代码实现，提供可迁移的降维方法。
Haize Labs 联合 Hugging Face 发布红队测试基准 Red Teaming Resistance Benchmark，旨在评估前沿大语言模型在极端红队攻击下的鲁棒性。该基准通过 AdvBench、AART 等高质量人类攻击数据集，对模型进行压力测试，并依据 OpenAI 使用政策将违规行为细分为暴力、仇恨、欺诈等具体类别。最终得分以模型判定为“安全”的提示词百分比衡量。
Hugging Face 发布 Google Gemma 开源大模型集成指南，提供 2B 和 7B 参数版本。支持 Transformers 和 JAX 权重，兼容 Google Cloud 和 Inference Endpoints 部署，并给出单卡微调示例。
推荐理由：Hugging Face 提供了 Gemma 的完整集成与部署指南，帮助开发者快速上手这款开源模型。
Open Ko-LLM Leaderboard 发布，旨在构建韩国大语言模型评估生态。该平台采用 Ko-MMLU、Ko-ARC 等 5 项专属基准测试，通过私有测试集防止数据污染。上线 5 个月已有超 1,000 个模型参赛，KT 的 Mi:dm 7B 模型表现突出。
🤗 PEFT 新增多种 LoRA 适配器合并方法，包括 cat、linear、svd、TIES 和 DARE 等算法。开发者可使用 add_weighted_adapter() 在推理时动态合并适配器，实现能力组合与优化。
推荐理由：提供了多种 LoRA 合并算法与代码示例，帮助开发者在有限资源下组合模型能力。
Hugging Face 发布教程，展示如何利用 Mixtral 等大模型生成合成数据，微调 RoBERTa 等小型专用模型。在金融情感分析案例中，该方案推理成本降至约 2.7 美元（GPT-4 为 3061 美元），碳排放减少至 0.12 千克，且准确率与 GPT-4 持平。
推荐理由：通过金融情感分析案例，展示了利用开源模型生成合成数据微调专用模型的方法，显著降低推理成本与碳排放。
OpenAI 发布研究论文，探讨在视频数据上大规模训练生成模型。其最大模型 Sora 采用时空 patch 的 Transformer 架构，能够生成长达一分钟的高保真视频，表明扩展视频生成模型是构建通用物理世界模拟器的有前景路径。
推荐理由：文章提出将视频生成模型作为世界模拟器，并展示了Sora生成长视频的能力，为物理世界模拟提供了新路径。
AMD 联合 Hugging Face 推出 Pervasive AI 开发者大赛，提供 AMD Radeon PRO W7900、Ryzen AI 电脑及 Instinct MI210 等硬件供开发者免费使用。
OpenAI 正在测试 ChatGPT 的记忆能力，使其能记住用户讨论过的内容以提供更有用的后续对话，并强调用户完全掌控该功能。
推荐理由：ChatGPT 测试记忆功能并强调用户控制权，提供了解决对话连贯性的新方案。
Hugging Face 在 TGI 1.4.0 版本中引入 Messages API，提供与 OpenAI Chat Completion API 兼容的接口。该功能支持通过 OpenAI 客户端库、LangChain 和 LlamaIndex 直接调用部署在 Inference Endpoints 上的开源模型，简化了从 OpenAI 到开源 LLM 的迁移流程。
推荐理由：提供与 OpenAI 兼容的接口，帮助开发者低成本将应用迁移至 Hugging Face 开源模型。
SegMoE 开源了将多个扩散模型合并为混合专家（MoE）架构的代码与预训练模型，支持 diffusers 并集成于 Hugging Face Hub。该框架通过稀疏 MoE 层替换部分前馈层，发布了 SegMoE-4x2 等版本，旨在结合多个专家模型的优势以提升提示词理解能力。
推荐理由：开源了将多个扩散模型合并为MoE架构的代码与预训练模型，为社区提供了构建高性能图像生成模型的新工具。
NPHardEval 基准测试发布，通过 900 道涵盖 NP-Hard 复杂度类的算法题动态评估大语言模型推理能力。该基准每月自动更新以防止过拟合，采用加权准确率和失败率作为核心指标。实验显示 GPT 4 Turbo 表现最佳，Yi-34b、Qwen-14b 等开源模型在特定问题上具备竞争力。
Hugging Face Text Generation Inference (TGI) 正式在 AWS Inferentia2 和 Amazon SageMaker 上实现通用可用。
Hugging Face 发布基于开源模型的 Constitutional AI 对齐完整教程，包含 SFT 与 DPO 训练配方及 llm-swarm 推理工具。实验显示 Mistral-7B 经 CAI 对齐后在 MT Bench 上保持高有用性，且对 DAN 等越狱攻击具有更强鲁棒性。
推荐理由：提供基于Mistral-7B的Constitutional AI完整复现方案与llm-swarm工具，展示如何在不依赖人工反馈下实现模型自我对齐。
Hugging Face 发布 PatchTST 模型教程，展示如何结合 IBM tsfm 包进行时间序列预测。内容包含在 Electricity 数据集上预训练，以及在 ETTh1 数据集上进行零样本预测、线性探测和全量微调的完整代码与性能对比。
OpenAI 正在开发评估大语言模型协助制造生物威胁风险的蓝图。在包含生物学专家与学生的评估中，GPT-4 仅使生物威胁制造准确率获得轻微提升。该结果虽不足以得出明确结论，但为后续研究与社区讨论奠定了基础。
Patronus 联合 Hugging Face 发布企业场景排行榜，旨在评估语言模型在真实企业用例中的表现。该排行榜涵盖金融、法律、创意写作等 6 项任务，通过准确率、相关性等指标衡量模型性能。为防范测试集污染，部分数据集采用闭源策略。