Hugging Face Diffusers 支持 T2I-Adapter-SDXL 高效可控图像生成
Hugging Face Diffusers 团队与 T2I-Adapter 作者合作，正式支持适配 Stable Diffusion XL (SDXL) 的 T2I-Adapter。
推荐理由：提供了适配 SDXL 的轻量级控制模型及完整训练推理代码，便于在保持生成质量的同时降低显存与计算开销。
Hugging Face
全部主题Hugging Face 开源社区动态：热门模型与数据集、排行榜变化与开源生态的晴雨表。
最新精选
第 281–300 条 · 共 315 条Hugging Face Blog精选AI 评分7575
Hugging Face Blog精选AI 评分8383 Hugging Face 上线 Falcon 180B 开源大模型
Hugging Face 上线了 TII 发布的 180B 参数开源大语言模型 Falcon 180B，该模型在 3.5 万亿 token 上预训练，性能对标 PaLM-2 Large。文章提供了 Transformers 集成代码、量化部署方案及硬件需求参考。
推荐理由：Hugging Face 上线了 180B 参数开源模型，提供了量化部署指南与硬件需求，方便开发者评估与接入。
Hugging Face Blog精选AI 评分6868 AudioLDM 2 推理加速教程：速度提升十倍
Hugging Face 发布教程，展示如何通过 Flash Attention、半精度、Torch Compile 和高效调度器优化 AudioLDM 2，将 10 秒音频生成时间从 30 秒降至 1 秒。
推荐理由：原文提供了基于 Diffusers 的具体优化代码，可将 AudioLDM 2 推理速度提升十倍，读者可直接复现。
Hugging Face Blog精选AI 评分6868 使用Transformers优化Bark语音生成模型
本文演示了如何利用Hugging Face生态中的BetterTransformer、半精度和CPU卸载技术优化Bark语音生成模型。结合这三种优化手段，Bark-large的显存占用可从5GB降至2GB，推理速度提升约23%。
推荐理由：原文给出了结合BetterTransformer、半精度和CPU卸载的具体代码，读者可直接复用以显著降低Bark模型的显存占用并提升推理速度。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 Swift Transformers 工具链，支持在 Apple 设备上运行 LLM
Hugging Face 发布 Swift Transformers 工具链，包含 swift-transformers 库、swift-chat 演示应用及 Core ML 转换工具，支持在 Apple 设备上本地运行 Llama 2 等大语言模型。
推荐理由：Hugging Face 发布 Swift Transformers 工具链，提供从模型转换到本地推理的完整方案，降低端侧部署门槛。
Hugging Face Blog精选AI 评分7272 Stable Diffusion XL 支持 Core ML 混合位量化，可在 Mac 端侧运行
Hugging Face 与 Apple 联合发布 Stable Diffusion XL 的 Core ML 版本，支持在 Mac 端侧运行。引入混合位调色板量化技术，将模型体积从 4.8 GB 压缩至 1.4 GB，同时保持较高生成质量。
推荐理由：提供了混合位调色板量化技术，在显著压缩模型体积的同时保持生成质量，支持在 Mac 端侧高效运行。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 Agents.js 库
Hugging Face 发布 Agents.js，这是一个面向 JavaScript 的库，用于在浏览器或服务器端为 LLM 提供工具访问能力。该库内置多模态工具，支持自定义 LLM 和工具，并允许传入文件作为输入。
推荐理由：Hugging Face 发布面向 JavaScript 的 Agent 库，提供开箱即用的多模态工具与自定义扩展能力。
Hugging Face Blog精选AI 评分9595 Meta发布Llama 2开源大模型家族
Meta发布Llama 2开源大模型家族，包含7B、13B和70B参数量的预训练及对话微调模型，采用宽松许可允许商用。Hugging Face提供完整集成支持，包括Transformers推理、Inference Endpoints部署及基于PEFT的单卡微调方案。
推荐理由：Meta发布Llama 2并提供Hugging Face集成与微调指南，为开源替代闭源模型提供了具体路径。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 AI WebTV 技术实现与开源实践
Hugging Face 发布 AI WebTV 实验性演示，展示了如何结合 Zeroscope 视频生成模型与 MusicGen 音乐模型构建自动化视频直播流。
推荐理由：文章详细拆解了利用Zeroscope和MusicGen构建自动化视频直播的技术架构与代码实现，提供了可复用的工程实践。
Hugging Face Blog精选AI 评分6868 Hugging Face 研究：基础模型能否像人类一样标注数据
Hugging Face 发布研究，对比人类标注与 GPT-4 对开源模型（Vicuna、Koala 等）的偏好评估，发现 GPT-4 存在显著的位置偏差和长度偏好，且与人类标注的相关性在编码任务中较低。
推荐理由：通过对比人类标注与GPT-4评估结果，揭示了LLM评估中的位置偏差与长度偏好问题。
Hugging Face Blog精选AI 评分8686 Hugging Face 发布 Falcon 开源大语言模型
阿布扎比技术创新研究所（TII）发布 Falcon-7B 和 Falcon-40B 开源大语言模型，采用 Apache 2.0 协议。Falcon-40B 在 Open LLM Leaderboard 上排名第一，以 2800 PF-days 算力超越 LLaMA-65B。
推荐理由：Falcon 40B 以较低算力成本在基准测试中超越 LLaMA-65B，展示了多查询注意力与 RefinedWeb 数据的高效性。
Hugging Face Blog精选AI 评分6565 Safetensors 通过安全审计并将在 Transformers 中成为默认格式
Hugging Face 联合 EleutherAI 和 Stability AI 宣布 safetensors 库已通过 Trail of Bits 的安全审计，确认无导致任意代码执行的严重漏洞。该库将作为核心依赖加入 Transformers 并设为默认保存格式，提供比 pickle 更安全且加载速度更快的张量存储方案。
推荐理由：官方联合第三方完成安全审计并宣布将其设为默认格式，为模型加载提供了安全与性能保障。
Hugging Face Blog精选AI 评分7878 Hugging Face 推出辅助生成技术降低文本生成延迟
Hugging Face 在 Transformers 库中引入辅助生成（Assisted Generation）技术，利用小模型生成候选 token 并由大模型验证，从而减少前向传播次数。该方法在模型显存不足需卸载时最高可实现 10 倍加速，在显存充足时也可获得 2 至 3 倍加速，且支持贪婪解码与采样。
推荐理由：Hugging Face 在 Transformers 中引入辅助生成技术，通过小模型辅助大模型解码，显著降低文本生成延迟。
Hugging Face Blog精选AI 评分7373 Hugging Face 发布 StarChat Alpha 编程助手
Hugging Face 发布基于 StarCoder 微调的编程助手 StarChat Alpha，采用 ChatML 格式与 OpenAssistant 数据集训练，提供代码、数据集及模型下载。
推荐理由：文章展示了基于StarCoder微调出StarChat Alpha的过程，提供了ChatML格式和DeepSpeed训练代码供开发者复用。
Hugging Face Blog精选AI 评分8282 StarCoder 发布：面向代码的大语言模型
Hugging Face 发布 StarCoder 和 StarCoderBase 代码大语言模型，在 HumanEval 等基准上达到开源 SOTA。模型基于 The Stack 数据集训练，提供完整训练数据、PII 移除工具及 BigCode OpenRAIL-M 许可证。
推荐理由：模型在HumanEval等基准上达到开源SOTA，提供完整训练数据与治理工具，适合二次开发。
Hugging Face Blog精选AI 评分6565 StackLLaMA：手把手教你用RLHF微调LLaMA模型
Hugging Face 发布 StackLLaMA 模型及完整训练管线，详细演示了如何结合 SFT、奖励建模和 PPO 算法，利用 PEFT 技术在单卡或集群上对 LLaMA 进行 RLHF 微调，并分享了训练中的稳定性问题与解决方案。
推荐理由：文章完整展示了基于LLaMA 7B、PEFT和TRL库进行RLHF微调的实操流程，包含代码与踩坑经验。
Hugging Face Blog精选AI 评分7070 Hugging Face 详解如何使用 diffusers 训练 ControlNet
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。
Hugging Face Blog精选AI 评分7878 Hugging Face 发布 TRL 与 PEFT 集成，实现消费级显卡微调 20B 大模型
Hugging Face 官方发布 TRL 与 PEFT 的集成，利用 8-bit 量化和 LoRA 适配器，在 24GB 显存的消费级 GPU 上成功微调了 20B 参数的 GPT-NeoX 模型。
推荐理由：官方发布TRL与PEFT集成方案，展示在消费级显卡上微调20B模型的技术路径。
Hugging Face Blog精选AI 评分7272 Hugging Face Diffusers 集成 ControlNet 教程
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 Blog精选AI 评分6868 Hugging Face Diffusers for Mac 1.1 发布，原生 Core ML 加速图像生成
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。