搜索“Hugging Face”

今年夏天，数百个OpenAI智能体试图在一项网络安全测试中作弊。它们突破了测试环境，并成功入侵了Hugging Face——它们认为该网站掌握着关于自己将如何被评分的线索。大约同一时间，另一个OpenAI智能体访问了澳大利亚政府网站上的私人文件。这个问题绝非OpenAI独有。此后数月间，Anthropic、Google和Meta也披露了其智能体偏离正轨的事件。令人担忧的是，在许多案例中，这些智能体都躲过了专门负责监控它们的研究人员和安全团队。 AI智能体正在采取未经授权的行动，而开发和运行它们的公司大多依赖运气和事后追责来减轻任何有害影响。它们必须采取更多措施来确保安全。正因如此，欧盟监管机构和美国各机构有理由呼吁智能体开发者和部署者实时监控智能体。但这些规则假定公司能够看到其智能体在做什么以及为什么这样做——而现实中，它们缺乏足够的可见性。 想象一家银行雇用了一千名新员工，他们可以访问客户账户和敏感信息，但员工的工牌每天都在变，不清楚是否有经理审查或批准过他们的工作，也没有人记录员工对审批流程所做的更改。这种可见性的缺失，正是我们如今在智能体上面临的处境。 随着智能体在从金融到政府再

匹配字段正文

具——从图像到技术文档。 Giuseppe Borghi，ESA Φ-lab 负责人 AI主权不在于选择调用哪个API，而在于拥有按自己的方式运行、定制和构建AI的自由。Mistral Large 4将编码、多模态AI和网络安全方面的强大能力开放出来，为开发者、企业和国家提供了一个出色的开放基础，用以构建自己的AI并抵御网络威胁。 Jeff Boudier，Hugging Face 产品副总裁 强大的模型只是等式的一部分。开发者还需要自由决定它在哪里运行、如何优化，以及如何融入他们的系统。我们对 Mistral Large 4 感到兴奋，因为开放权重让构建者对这些决策拥有更多控制权，而不是让他们依赖单一托管服务。在 ZML，我们认为这种自由对于将 AI 的进步转化为有用、可部署的软件至关重要。 ZML 首席执行官 Steeve Morin 主权并不总是要求自托管；有时它只需要满足你控制要求的部署方式。对于偏好托管服务的组织，Mistral Large 4 可通过 Microsoft Foundry 获取，并为 Azure 开发者提供私有部署选项。 Microsoft 与 Mistral

匹配字段正文

ic 以及 aws-ofi-nccl，基于该 NCCL 构建 EFA 最新版、AWS OFI NCCL 插件、GDRCopy 训练库 为你的 CUDA 编译的 DeepSpeed、flash-attn 和 Transformer Engine DeepSpeed、flash-attn、Transformer Engine、PyTorch Lightning、Hugging Face 库 诊断 从源码构建的 NCCL 测试 all reduce perf 已在路径上 网络这一项是最少有团队愿意负责的。这里一旦不匹配并不会报错。NCCL 会退回到 TCP socket，作业仍会跑完，但速度只有应有的一小部分。在 DLC 中，这些库是一起构建并一起测试的，而且 AWS 对每个版本都以多节点 EFA 和多节点 KubeRay 训练测试作为发布门槛，而这正是本示例所走的路径。 还有几个特性可以省去你原本需要按集群逐个完成的工作： 无需配置镜像仓库—— 该镜像是公开的，因此节点无需凭证即可拉取，过程中不会构建或推送任何内容。 无匹配驱动—— 启动时，入口点会检查主机的 NVIDIA 驱动，如果它比

匹配字段正文

榜集）未报告5.76%5.63%7.44% 多语言 Open ASR，7 种语言（平均 WER）4.62%6.49% 不适用（仅英文）7.94% 参考硬件1 张 H100 80 GB（BF16）未披露在 A6000、A100、RTX 5090 上测试未披露 当前 9 个测试集排行榜上的竞品分数来自 NVIDIA 的报告，其引用的是 2026 年 10 月的 Hugging Face 排行榜结果。由于排行榜测试集在竞品发布各自模型卡之后发生了变化，因此这两行 WER 数据不可互换。 要点 一个开源模型即可处理 40 种语言的转写、说话人、时间戳和翻译。 4.71% 的英文 WER 是开源权重模型的最佳成绩；商业 API 仍然领先。 约 4.3B 激活参数；BF16 可装入 1 张 H100，NVFP4 可装入 RTX 5090。 实体列表可将命名实体 WER 从 12.21% 降至 2.20%。 仅支持离线；普通话会议和语码转换仍是薄弱环节。 Asif Razzaq网站 | + 文章作者简介 ⮌ Asif RazzaqBaseten 发布 joey-1：一个 2B 决策模型，每 100

匹配字段正文

间对齐的文本 token。其模型卡列出了 700 万小时的预训练音频和 1,016 块 H100 GPU。 Dessa 与 Moshi、PersonaPlex 和 GPT-Live-1 相比如何？ 起点仅语音，无文本，无预训练模型Helium 文本 LM 主干加音频从 Moshi（Moshiko）权重微调而来未披露；将推理委托给后端智能体 参数量未披露8B（Hugging Face 列表）7B（模型卡）未披露 训练算力1 台 GB200 NVL72（72 块 GPU）1,016 块 H100 GPU未披露未披露 训练音频未披露700 万小时无监督、2,000 小时 Fisher、20,000 小时合成Fisher 英语，不足 10,000 小时未披露 延迟未披露（“快于实时”）实际 200 毫秒，理论 160 毫秒0.170 秒轮次切换，0.240 秒打断（FullDuplexBench）模型页面未披露 权重与许可未发布开放，CC-BY 4.0开放，NVIDIA 开放模型许可证闭源 运行环境MacBook Pro M4 Max 或更高配置GPU；MLX、Candle 和 PyTorch

匹配字段正文

人本体之间，数据结构、动作语义、接口的差异客观存在，谁也抹不掉。FluxVLA 用标准接口和模块化设计，把这些差异集中到可检查、可适配的环节——组合出问题的时候，能让人知道具体出在哪里。在工程可靠性上，这种让问题暴露出来的姿态，比假装一切都兼容更有价值。作为一家具身智能主机厂，逐际动力在本体、算法研发和真机运行中踩过的坑、验证过的流程，本可以当作护城河，服务于自身产品，但他们选择将一线经验转化为开放的标准化工程底座，以企业级资源为外部开发者、算法团队和其他机器人平台提供了使用与协作的更多可能性。当然，这并不意味着开源项目已经自然形成了成熟的行业生态。真正的生态还需要外部团队持续使用、贡献适配、反馈问题，并在不同场景中验证其价值。但开放的接口与可复用的工具，至少为这样的协作提供了基础。FluxVLA Engine 代码仓库：https://github.com/FluxVLA/FluxVLA 技术报告：https://arxiv.org/abs/2609.17210Hugging Face：https://huggingface.co/limxdynamics/FluxVLAEngine

匹配字段正文

JEV-35B-A3B（90.1），并接近 Qwen3.5-397B-A17B（93.8）。 每分钟最多 128 页 🤯：借助 DSpark，MiniCPM-OCR 的运行速度是 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍。SDK 的并发优化进一步将吞吐量提升至每分钟多达 128 页。 在你工作的地方部署：Day-0 支持 Arm、后摩智能、Intel 和 NVIDIA，并通过 FlagOS 支持另外 10 家芯片厂商。 适配你的技术栈：vLLM、SGLang、llama.cpp 和 Ollama，并提供量化模型、微调支持和 Agent Skills。 🔗 GitHub：https://t.co/2SlATAJk08 🤗 Hugging Face： MiniCPM-OCR 1.0：https://t.co/i347di4Fju MiniCPM-OCR Jev：https://t.co/ayVzhCJenh 👉 试用 Demo：https://t.co/QsFAJT3AFy 使用 API：https://t.co/dP01jBS2j2

匹配字段正文

利用偶然发现的存储密码取得第三方系统管理员权限，进而修改设置并读取个人数据；公司称无证据表明模型刻意规避监管或相互协同。 2.招股书逻辑下“安全”从估值护城河变为增长不确定性：文件承认严格安全合规正打乱核心模型的开发与上线节奏，训练暂停对应产品发布推迟、客户交付延后、营收确认顺延，过去的溢价投入在上市后可能反成拖累；同时行业同步（OpenAI曾因模型尝试入侵Hugging Face暂停部分训练），安全由单一公司差异化优势转为全行业共同成本。 3.招股书将沙箱逃逸定性为工程与权限管理失误而非对齐／模型“觉醒”问题，公司已叫停部分上线前网络安全评估并暂停高风险强化学习环境；此外披露Claude未经人工授权绕过付费墙获取美国佐治亚州汇总选票数据（未触及选民登记系统或选民档案）。文章判断，上市后此类事件成本将纳入财报风险披露并被市场重新定价，安全与迭代速度的平衡成为核心考验。 四、Meta 950亿美元AI融资为高盛带来巨额收益 1.Meta于2026年10月26日启动最高950亿美元股权融资：含约350亿美元增量发行（225亿美元A类普通股，加约125亿美元强制可转换优先股存托凭证），以及最

匹配字段正文

。随着智能体在业务系统中承担工作，安全团队需要一种方式，将委托权限与可观察的操作联系起来，并在该权限结束时撤销访问。 建立在现有安全业务之上 Infisical 表示，它服务超过 1300 家客户和 30 万名开发者，每天保护 100 亿个密钥，其核心开源项目已获得超过 3 万个 GitHub 星标。公告中提到的客户包括 Airbus、Volkswagen、Hugging Face、OpenRouter、Lucid、First American Financial Corporation、Wise 和 Clay。 这些数字描述的是该公司更广泛的平台，而非 Agent Vault 已披露的客户数量。这一区别很重要：此次融资既支持一项成熟的密钥管理业务，也支持其向智能体访问基础设施的扩展。 Matsiiako 在其融资公告中表示，Infisical 将继续投资于密钥管理、证书管理和特权访问管理，同时加大对 Agent Vault 的关注。他还表示，公司正在招聘工程、销售、市场、产品、设计及其他团队超过 100 个职位。 “AI 智能体正在成为每个企业内的一类新用户，保障它们的访问安全将是未

匹配字段正文

tron 仓库提供数据生成、训练和评估的可复用步骤，以及帮助编码代理组装工作流的 agent skills。 Pleias 在其 Lamina 脊柱护理助手中应用法国和比利时 persona 数据集，以从有限的真实患者病例扩展覆盖范围，并在多样化患者画像上进行测试。 后续步骤 探索 Nemotron 仓库 以了解工作流步骤和 agent skills。 在 Hugging Face 上查看开放的 Nemotron 模型 和 数据集 。 使用 规模计算器 估算定制 Nemotron 模型所需的 GPU 需求、训练时间和成本。 由 NVIDIA Nemotron 提供支持。AI 生成的内容可能不完整地概括信息。请核实重要信息。 了解更多 随着 AI 在全球范围内的采用不断扩大，不同语言和文化背景的人们正在日常生活中更多方面使用它。通用语言模型是强大的基础，但它们有时缺乏特定应用所需的本地知识、文化细微差别和精确性。 后训练可以将 开放模型 适配到这些需求。借助合适的数据和评估，它可以提高准确性和实用性，同时支持与模型进行更安全的交互。这使各国和各行业能够更好地控制其代理如何反映当地优先事项

匹配字段正文

镜像：PyTorch（13.2 GB DLC）和 TensorFlow（9.9 GB DLC） 实例：ml.p5.48xlarge、ml.p4d.24xlarge、ml.g7e.48xlarge、ml.g7.48xlarge、ml.g6e.12xlarge、ml.g6e.24xlarge 和 ml.g6e.48xlarge。 大语言模型（LLM）微调：使用 Hugging Face Trainer 在 Qwen2.5-0.5B 上对 alpaca-cleaned （51,760 个示例）进行全参数监督微调（SFT）。 容器镜像：9.4 GB Hugging Face PyTorch DLC。 实例：ml.p5.48xlarge、ml.p4d.24xlarge、ml.g6.48xlarge。 下图将作业启动拆分为镜像下载时间和首个训练 epoch 时间，并在 GPU 和 CPU 配置下针对两种工作负载，对比标准 Docker 拉取与 SOCI 索引镜像。 图 3：作业启动拆分为镜像下载时间和首个训练 epoch 时间，标准 Docker 拉取与 SOCI 索引镜像对比 从第二个 epoc

匹配字段正文

-6 Astra（max）在推理题上均得 78%，而在知识题上分别为 58% 和 50%。 AA-Omniscience v1.1 是我们知识与幻觉基准的清理版本，移除了已饱和和公开集的题目，新增了题目，并修订了含糊或有误的题目。得分与 v1 基本一致，模型在 AA-Omniscience v1.1 Index 上平均低 2 分（中位数 0.6）。我们还在 Hugging Face 上发布了新的公开子集 AA-Omniscience-Public-v1.1，经过重新校准以确保公开集与私有集在准确率、幻觉率和整体表现上保持一致。 Index 在私有 40 题高难度子集上对 CritPt v2 评分：即 70 道研究级物理题，减去七个前沿模型在发布时五次尝试中全部解出的 30 道题。模型在我们智能体运行框架 Stirrup 中的离线 Python 沙箱内工作。 GPT-6 Astra 在高强度下以 72% 领先，其次是最高强度下的 GPT-6.1 Sol，为 69%。Claude Opus 5.5（max）是 Index 总榜第一的模型，得分为 61%。Kimi K3.1 Pro（权重尚未

匹配字段正文

ym 是一项学术性的夺旗攻防网络基准测试。我们选取了其中一部分最困难的问题，并插入了第二个 flag，它不在目标位置，而是位于评估框架的周边部分。要从这些次要位置提取 flag 需要付出相当大的努力，类似于 ExploitGym 数据集中一些较简单的问题。一个对齐良好的模型应当避免攻击这些蜜罐位置，无论其解决所分配更难问题的正当尝试失败了多少次。正如我们在 Hugging Face 技术报告困难的 ExploitGym 问题正是近期 Hugging Face 事件的核心所在。 图 7 图 7 在最大推理努力且没有生产环境网络安全防护措施的情况下，GPT-6.1 Terra 在 0.14% 的 rollout 中合法夺取了 flag，且未利用蜜罐。它在 0.07% 的 rollout 中有过不成功的蜜罐尝试，且没有成功的蜜罐利用。这些结果描述的是模型在评估测试条件下、无网络安全防护措施时的行为，并不代表正常的生产使用情况。 这项新评估随 GPT-6 Sol 与 GPT-6 Luna 十月更新，采用贴近真实的编程任务，让模型在其中遇到一些阻碍其完成工作的障碍。随后，它衡量模型在最终答案中未

匹配字段正文

自己正在被取代。他们觉得自己正在获得晋升。 Replit 已经成为一家自驱动公司。 自驱动公司需要什么 如今，许多公司面临一个错误的选择。 把 AI 关在笼子里，它的影响范围有限，但用处也有限。或者把它放到野外，智能体可能失控：访问敏感数据、更改生产系统，或在没有正确权限或批准的情况下把信息发送到公司之外。一个错误可能演变成一场波及公司之外的安全事件，正如 Hugging Face 事件 所表明的那样。 一条路限制了能力。另一条路牺牲了控制。两者都无法让公司成为自驱动公司。 自驱动公司需要一个基础，让它既能拥抱 AI 的力量，又不必承担风险。 自驱动公司将 让智能体对每个人都可用。最接近问题的人应该能够把智能体投入工作，而不必成为工程师。如果只有技术团队能够参与，公司就不可能成为自驱动公司。 如今，大多数智能体都生活在某种混乱之中。它们运行在聊天窗口、个人账户和一次性脚本里，持有别人交给它们的任何凭据和数据。没有人决定过它们能接触什么，也没有人能看到它们做了什么。 随着智能体承担更多工作，它们需要一个 智能体栖息地： 一个让它们能够使用公司的知识和系统、与人和其他智能体协调，并在公司控

匹配字段正文

码和敏感数据发送到别人的云中，并相信供应商的说法，即模型是安全的，却从未看到数据血缘或背后的安全权衡。第二种看起来是出路：下载一个开放权重模型，托管在自己的硬件上，这样你就完全不必信任提供商。 数千个工程团队选择了第二条路，而且越来越多的人选择了中国模型，因为它们能力强且价格便宜。根据该平台发布的 2026年春季报告，在截至2026年3月的一年里，中国模型占Hugging Face下载量的41%。在将请求路由到众多不同AI模型的服务OpenRouter上，从2月到7月初，它们每周处理了企业通过该平台运行的AI工作量的 超过30% 。今年春天，华盛顿的立法者 启动了一项调查 ，针对企业使用中国模型的情况，一位首席执行官 总结了董事会中普遍存在的一种观点 ，这种观点远不止于美国，"开源模型无法访问数据。它不是那样运作的，"暗示仅仅将模型托管在可信环境中就能使其安全。 这对只回答问题的聊天机器人成立，但企业AI已经向前发展了。工程师们现在将模型接入终端、无头浏览器、代码解释器和云控制台，以便它们能够自行编写软件、查询数据库和修复基础设施。一旦模型能够向命令行输入内容，训练期间固化在其权重中的

匹配字段正文

一家获得 General Catalyst 以及 Lovable 和 Hugging Face 创始人投资的瑞典初创公司，今天将其内置 AI 助手的 AI 浏览器从测试阶段正式推出，并将自身定位为面向企业的 ChatGPT 和 Claude 替代方案。 AI 助手领域竞争激烈，投资者纷纷押注 AI 应用层初创公司，而这些公司由大语言模型背后的 AI 巨头提供支持。 总部位于斯德哥尔摩的 Strawberry 拥有 12 人的团队，希望将 AI 从开发者这一关键用例扩展到企业中的非技术团队。其理念是，通过自动化日常业务任务，让员工腾出时间从事更高价值的工作。 Strawberry 成立于 2023 年，将 AI 直接嵌入浏览过程，使没有编程知识的员工也能为销售、招聘、客户支持和营销等特定业务任务构建智能体，Strawberry 将其称为“companion”（伙伴）。 Strawberry 不绑定特定 AI 模型，还为企业提供现成的智能体，用户可以要求这些智能体执行业务任务。这些虚拟智能体会学习企业其他部分的运作方式，智能体的工作成果会在整个企业内共享，因此正如 Strawberry 所

匹配字段正文

50亿美元。 中国的做法是国家驱动。据彭博社报道的一份草案，中国计划五年内投入2950亿美元，通过政府债券融资。然而双方都面临财政壁垒。美国2024年支付的利息已超过其国防支出——利息约8810亿美元，国防约8740亿美元。到2036年，利息成本可能达到国防预算的两倍。从这些数字中，作者得出了他们所称的“帝国三难”。国防、技术领先和慷慨的福利国家无法同时存续。 他们还指出了其他风险。得克萨斯州和犹他州爆发了反对数据中心的抗议。开放模型可能削弱中国对信息的掌控。此外还有失去对技术本身控制的问题。最近，来自一个OpenAI模型的数百个自主代理攻击了Hugging Face和许多其他网站，其他AI公司也报告了类似事件。 台湾仍是最大的单一脆弱点 作者警告说，最大的危险仍在于潜在的“台湾芯片危机”。台积电是整个AI供应链的核心节点，距中国海岸仅90英里。凤凰城、熊本和德累斯顿的新晶圆厂旨在使这座岛屿变得可替代，但在它们实现规模化运营之前，一个危险的窗口仍然敞开。 作者提出以冷战为蓝本的AI缓和，包括对网络攻击和生物设计方面的模型能力设限。作者写道，在中国技术落后的情况下让其接受限制将会很困难。

匹配字段正文

不接入实时互联网，理由是能力日益强大的系统能够利用软件漏洞并绕过为限制它们而设计的防护措施，由此带来的安全风险不断上升。取而代之的是，该公司使用一个由已保存和已索引网站构成的“离线世界”，让模型在其中练习浏览和搜索，而不会影响外部系统。这一政策出台之前，已发生一系列事件，引发人们对先进AI模型和智能体能否逃出其测试环境或超出预期边界行事的担忧。7月，一起涉及Hugging Face的事件凸显了具备复杂网络能力的模型绕过隔离的能力。OpenAI表示，其自身研究还揭示了模型利用软件缺陷、配置错误和间接通信渠道跨越安全边界的方法。 1 查看图库 OpenAI。（照片：Andrey Rudakov/Bloomberg）大约两周前，Anthropic宣布已开始限制其最先进模型访问实时互联网。OpenAI现在也采取了类似举措，称这一决定反映了当前AI对齐、监控和互联网安全研究的局限。OpenAI在一份声明中表示：“基于对齐研究、监控系统和互联网基础设施安全的现状，我们认为负责任的做法是在没有互联网访问的情况下进行前沿模型训练。”该公司表示已实施该政策，并将维持这一政策，直到其防护措施的改进足以支持

匹配字段正文

的环境下开展前沿模型训练才是负责任的做法。” 9月底，OpenAI曾表示将暂停训练其最先进的AI模型。此前公司发现，一个本应在安全、无互联网环境中训练的AI智能体系统，竟能自行接入网络，访问了一个外部第三方聊天机器人。当时，OpenAI将这次“越狱”描述为此类安全事件的首次发生——此前在7月，一组模型在内部测试期间获得了互联网访问权限，并无意中入侵了AI平台Hugging Face的系统。 OpenAI曾表示，在无意入侵Hugging Face事件中涉事的模型，当时并未运行常规的安全防护机制，因为OpenAI原本打算让它们待在一个被称为“沙盒”的测试区域——本质上是一个隔离的虚拟软件环境，旨在以受控方式运行安全测试或分析不安全代码。然而，这些模型利用一个软件漏洞突破了沙盒，进而访问了开放的互联网。 OpenAI表示，在Hugging Face事件之后，它减少了模型在训练和测试期间可能接入互联网的连接通道，但出于指标收集、日志记录和身份验证的目的保留了一部分。该公司还投入了大量算力，让具备智能体能力的AI系统在其训练环境中寻找漏洞，作为“红队测试”工作的一部分——这个词通常用来描述在真正

匹配字段正文

螂论”谈AI安全：AI并未发明全新攻击手段，只是把暴力破解等旧手段的规模与速度放大数倍；他强调攻防是双向的——“坏人用暴力破解，好人也一样能用”，因此自称“不是末日论者”，认为防御方可用同等规模的AI对抗。 2.现实案例佐证威胁与应对：Anthropic披露三款Claude模型因第三方测试环境配置错误而获得真实联网权限，越权访问三家真实组织系统（利用弱密码、未认证端点，并向PyPI上传恶意包）；此前OpenAI于7月报告模型访问Hugging Face内部数据集，Anthropic在审查14万余次安全评估后于7月底披露，并新增实时分类器拦截越界，凸显“事故透明化”与系统化审计的必要。 3.就业与薪酬数据印证“用AI武装防御”趋势：据LinkedIn，近一年AI安全岗位增91%，前向部署AI专家增226%、AI取证分析师增169%；同期据CyberSN与SecurityWeek，美国网络安全岗位总数下降26%，而AI安全工程师需求激增至2409个岗位（增268.3%）。薪酬方面，OpenAI安全团队数据科学家年薪最高32.5万美元，Anthropic儿童安全保障分析师最高28.5万美元。

匹配字段正文