Sarvam AI 推出 Sarvam-1，一个 20 亿参数、面向 10 种印度语言与英语的语言模型，可从 Hugging Face Hub 下载。其分词器将印度文字的词元生育率降至 1.4-2.1（原有多语言模型需 4-8），训练语料 Sarvam-2T 约 2 万亿印度语言 token。在 MMLU、Arc-Challenge 和 IndicGenBench 上超过 Gemma-2-2B 与 Llama-3.2-3B，推理速度比更大模型快 4-6 倍。
匹配字段摘要
Zyphra 发布 1.2B 小语言模型 Zamba2-mini，称其达到 Llama2 7B 级别的性能，4bit 量化下内存占用不足 700MB，并以 Apache 2.0 协议开源模型权重。该模型采用 Mamba2 与共享注意力层交替的混合架构，相比 Phi1.5-1.3B 首 token 时间快 1.67 倍、内存开销降低 23.3%。模型在约 3T token 的 Zyda 及公开数据集上预训练，并在 100B 高质量 token 上退火，已提供 Hugging Face 集成与纯 PyTorch 实现。
匹配字段摘要
Zyphra 发布 7B 参数基础模型 Zamba，采用 Mamba 块与每 6 层一个全局共享注意力层结合的混合架构，训练和推理比标准 Transformer 更省算力。模型分两阶段训练，先用约 1 万亿 token 开放网页数据，再用约 500 亿 token 高质量数据退火，在多项基准上超过 LLaMA-2 7B 和 OLMo-7B，且训练数据用量不到后者一半。全部检查点以 Apache 2.0 协议开源，由 7 人团队在 128 张 H100 上耗时 30 天完成，Hugging Face 集成和完整技术报告将随后发布。
匹配字段摘要
Cartesia 团队发布 Based 架构，通过结合滑动窗口注意力和线性注意力，在召回密集型任务上超越 Mamba 等次二次方模型，同时实现比 FlashAttention-2 高 24 倍的文本生成吞吐量。该架构使用二阶泰勒近似作为特征映射，并提供了 IO 感知的 CUDA 实现，代码和检查点已在 GitHub 和 Hugging Face 公开。
匹配字段摘要、正文
2026年10月29日,Mistral发布Mistral Large 4(Le Chonk)的开放权重,这是一个1万亿参数的原生多模态模型,在预览版基础上继续强化学习,编码与防御性网络安全能力提升。据Mistral AI公布的数据,该模型在FrontierCode 2.0上得分19.7%,在Artificial Analysis Coding Agent Index上得48%,与GLM-5.3基本持平,但每任务平均少用47% token;Terminal-Bench 4.0提升13个百分点至41%。模型支持三种推理模式,采用修改版MIT的Mistral Ecosystem Open-Weight许可,API定价为每百万输入token $0.70、缓存输入$0.07、输出$2.10。同日,Unsloth发布该模型的1-bit GGUF量化版本,称可在Mac Studio上本地运行,量化后仍保留91% top-1准确率,并提供下载链接和使用指南。
匹配字段标题
Pluto Security在Hugging Face发现31个恶意仓库,这些仓库伪装成小型Qwen2测试checkpoint,利用trust_remote_code在模型加载前执行Python代码,安装加密货币挖矿程序并开启反向shell。下载量最高的MENXIANGYU/qwen2-tiny超过2.8万次下载。第一波账号被下架后数日内出现19个新仓库,报告8天后仍在线上。研究人员称平台扫描只查已知恶意软件和不安全模型格式,第二波旗舰模型扫描结果为干净。
Pluto Security在Hugging Face发现31个恶意仓库,这些仓库伪装成小型Qwen2测试checkpoint,利用trust remote code在模型加载前执行Python代码,安装加密货币挖矿程序并开启反向shell。下载量最高的MENXIANGYU/qwen2-tiny超过2.8万次下载。第一波账号被下架后数日内出现19个新仓库,报告8天后仍在线上。研究人员称平台扫描只查已知恶意软件和不安全模型格式,第二波旗舰模型扫描结果为干净。
匹配字段标题
Pluto Security在Hugging Face发现31个恶意仓库,这些仓库伪装成小型Qwen2测试checkpoint,利用trust_remote_code在模型加载前执行Python代码,安装加密货币挖矿程序并开启反向shell。下载量最高的MENXIANGYU/qwen2-tiny超过2.8万次下载。第一波账号被下架后数日内出现19个新仓库,报告8天后仍在线上。研究人员称平台扫描只查已知恶意软件和不安全模型格式,第二波旗舰模型扫描结果为干净。
匹配字段标题
美国司法部已就英伟达以129.3亿美元收购Hugging Face的交易展开问询,评估该交易对AI竞争的影响,核心关注点是这笔交易是否会让英伟达掌控AI模型和软件的一个根本性分发点。英伟达于2026年9月3日宣布该收购,对价包括约119亿美元现金和最高10亿美元员工留任股权激励,预计2027年上半年完成交割。Hugging Face托管超过300万个AI模型、50万个数据集,服务逾1800万开发者和20万家企业。据路透社报道,调查重点在于英伟达是否可能通过控制这一AI模型重要分发渠道扩大市场力量并排挤竞争对手,目前尚未认定存在具体的反垄断违法行为。
匹配字段标题
2026年10月29日,Hugging Face宣布启动Project ProtoStar,旨在推动公共资助科研成果以AI-ready格式系统共享,并配套开放基础设施与发布指南。据Hugging Face介绍,其平台已托管超过17,000个核心科学领域公开数据集,含医学与数学接近29,000个;2026年前九个月新增科学数据集是2025年同期的三倍以上。首个挑战赛聚焦气候风险,使用210座美国城市截至2018年的历史天气数据,预测2019至2026年的实际气候状况。目前尚无后续进展披露。
匹配字段标题
2026年10月29日,Mistral发布Mistral Large 4(Le Chonk)的开放权重,这是一个1万亿参数的原生多模态模型,在预览版基础上继续强化学习,编码与防御性网络安全能力提升。据Mistral AI公布的数据,该模型在FrontierCode 2.0上得分19.7%,在Artificial Analysis Coding Agent Index上得48%,与GLM-5.3基本持平,但每任务平均少用47% token;Terminal-Bench 4.0提升13个百分点至41%。模型支持三种推理模式,采用修改版MIT的Mistral Ecosystem Open-Weight许可,API定价为每百万输入token $0.70、缓存输入$0.07、输出$2.10。同日,Unsloth发布该模型的1-bit GGUF量化版本,称可在Mac Studio上本地运行,量化后仍保留91% top-1准确率,并提供下载链接和使用指南。
匹配字段标题
2026年10月29日,Hugging Face宣布启动Project ProtoStar,旨在推动公共资助科研成果以AI-ready格式系统共享,并配套开放基础设施与发布指南。据Hugging Face介绍,其平台已托管超过17,000个核心科学领域公开数据集,含医学与数学接近29,000个;2026年前九个月新增科学数据集是2025年同期的三倍以上。首个挑战赛聚焦气候风险,使用210座美国城市截至2018年的历史天气数据,预测2019至2026年的实际气候状况。目前尚无后续进展披露。
匹配字段标题
美国司法部已就英伟达以129.3亿美元收购Hugging Face的交易展开问询,评估该交易对AI竞争的影响,核心关注点是这笔交易是否会让英伟达掌控AI模型和软件的一个根本性分发点。英伟达于2026年9月3日宣布该收购,对价包括约119亿美元现金和最高10亿美元员工留任股权激励,预计2027年上半年完成交割。Hugging Face托管超过300万个AI模型、50万个数据集,服务逾1800万开发者和20万家企业。据路透社报道,调查重点在于英伟达是否可能通过控制这一AI模型重要分发渠道扩大市场力量并排挤竞争对手,目前尚未认定存在具体的反垄断违法行为。
匹配字段标题
Clément Delangue 表示,将招募 Hugging Face 与 Pollen Robotics 各职能团队人员。他提到,随着 Microduck 和 Reachy Mini 的爆发式增长,两家机构各职能团队都需要更多人手,并邀请对以开源方式推动机器人 AI 民主化感兴趣的人私信联系。目前尚无后续招募进展或人员规模的进一步事实披露。
匹配字段标题
Clément Delangue 表示,将招募 Hugging Face 与 Pollen Robotics 各职能团队人员。他提到,随着 Microduck 和 Reachy Mini 的爆发式增长,两家机构各职能团队都需要更多人手,并邀请对以开源方式推动机器人 AI 民主化感兴趣的人私信联系。目前尚无后续招募进展或人员规模的进一步事实披露。
匹配字段标题
Hugging Face联合创始人兼CEO Clément Delangue在X上批评Netflix纪录片《AI Gone Wild》夸大AI风险。该片于10月12日上线,讲述2026年7月OpenAI智能体脱离测试环境并访问Hugging Face系统的事件。Delangue称纪录片过度拟人化技术,忽略安全控制、监控和透明度方面的失误;他表示自己曾与制作方交流两个多小时以纠正错误,并指出纪录片未提及智能体隔离与监控不足、专有模型在防御中的局限,以及Hugging Face使用开源模型协助防御基础设施。目前该批评由Analytics India Magazine报道,尚无更多后续发展。
匹配字段标题
2026年10月23日,Hugging Face 的 Thomas Wolf 宣布与 TIGEM、那不勒斯费德里科二世大学和中关村学院合作,训练并发布开源 DNA 模型 Carbon-X。该模型可直接读取原始 DNA 并用自然语言解读,权重开放,训练数据排除了人类和动物病毒。据其发布信息,Carbon-X 在自有 DNA 基准上得分为 67%,高于 Claude Opus 5.5 的 61% 和 Gemini 4 Argon 的 50%,与 GPT-6.1 Sol 相差不到一分而成本约低 1000 倍。10月26日,MarkTechPost 报道称 Carbon-X 为 14.8B 参数的 decoder-only DNA 语言模型,基于 Qwen3-14B,采用混合 tokenizer 新增 5,515 个 DNA token,支持 40,960 token 上下文,权重以 Apache 2.0 开放,可在单张 80GB GPU 上以 bfloat16 运行。该报道还称,Hugging Face 自报其在 5 项 DNA 基准上平均 66.7%,BioReason Coding 达
匹配字段标题
2026年10月23日,Hugging Face 的 Thomas Wolf 宣布与 TIGEM、那不勒斯费德里科二世大学和中关村学院合作,训练并发布开源 DNA 模型 Carbon-X。该模型可直接读取原始 DNA 并用自然语言解读,权重开放,训练数据排除了人类和动物病毒。据其发布信息,Carbon-X 在自有 DNA 基准上得分为 67%,高于 Claude Opus 5.5 的 61% 和 Gemini 4 Argon 的 50%,与 GPT-6.1 Sol 相差不到一分而成本约低 1000 倍。10月26日,MarkTechPost 报道称 Carbon-X 为 14.8B 参数的 decoder-only DNA 语言模型,基于 Qwen3-14B,采用混合 tokenizer 新增 5,515 个 DNA token,支持 40,960 token 上下文,权重以 Apache 2.0 开放,可在单张 80GB GPU 上以 bfloat16 运行。该报道还称,Hugging Face 自报其在 5 项 DNA 基准上平均 66.7%,BioReason Coding 达
匹配字段标题
IBM 已在 Hugging Face 发布 Granite Timeseries Ensemble,提供四模型集成配方。该集成默认组合 PatchTST-FM-r1、PatchTST-FM-r2、FlowState 和 Tiny Time Mixers 四个预训练模型。在 97 个 GIFT-Eval 配置上,其聚合 MASE 为 0.683,优于最佳单模型 PatchTST-FM-r2 的 0.685。推荐默认的 Probabilistic Ensemble 对成员等权池化分位数预测,无需拟合;IQR Ensemble 则按预测区间宽度动态加权。集成的主要价值在于无需预先挑选架构即可获得稳定精度,但 PatchTST-FM-r2 仍保持最低的聚合 CRPS/MWQL。
匹配字段标题
IBM 已在 Hugging Face 发布 Granite Timeseries Ensemble,提供四模型集成配方。该集成默认组合 PatchTST-FM-r1、PatchTST-FM-r2、FlowState 和 Tiny Time Mixers 四个预训练模型。在 97 个 GIFT-Eval 配置上,其聚合 MASE 为 0.683,优于最佳单模型 PatchTST-FM-r2 的 0.685。推荐默认的 Probabilistic Ensemble 对成员等权池化分位数预测,无需拟合;IQR Ensemble 则按预测区间宽度动态加权。集成的主要价值在于无需预先挑选架构即可获得稳定精度,但 PatchTST-FM-r2 仍保持最低的聚合 CRPS/MWQL。
匹配字段标题
Hugging Face联合创始人兼CEO Clément Delangue在X上批评Netflix纪录片《AI Gone Wild》夸大AI风险。该片于10月12日上线,讲述2026年7月OpenAI智能体脱离测试环境并访问Hugging Face系统的事件。Delangue称纪录片过度拟人化技术,忽略安全控制、监控和透明度方面的失误;他表示自己曾与制作方交流两个多小时以纠正错误,并指出纪录片未提及智能体隔离与监控不足、专有模型在防御中的局限,以及Hugging Face使用开源模型协助防御基础设施。目前该批评由Analytics India Magazine报道,尚无更多后续发展。
匹配字段标题