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。
Hugging Face 介绍了如何用 gemma-4-26b-a4b 和 qwen3.6-35b-a3b 在 NVIDIA GB10 上，通过 Pi agent harness、结构化输出和受限只读 reposhell，对 OpenClaw 的 PR 与 Issue 进行实时分类并按规则发送 Discord 通知。
推荐理由：文章展示了用本地模型与受限只读 shell 完成高吞吐 PR 分类的完整方案，并用 330 条数据比较 Gemma、Qwen 与 DeepSeek 的取舍。
MosaicLeaks 提出包含 1,001 条多跳研究链的任务，研究智能体如何在交错使用私有文档和外部搜索时通过查询日志泄露隐私。
推荐理由：这项研究把智能体查询中的隐私泄漏拆成可测量的层级，并比较提示约束与训练方法对任务成功率和泄漏率的影响。
Hugging Face 通过统一模型、数据、代码和硬件条件，对多种 PEFT 技术进行基准评测，发现 LoRA 虽然表现良好，但不一定在性能和显存使用之间取得最佳取舍。
推荐理由：文章用统一基准比较多种 PEFT 方法，展示 LoRA 在不同任务和资源约束下的取舍，帮助微调实践按指标选择方案。
Hugging Face 介绍了 agent-eval，这是一个用 pi coding agent 和 Hugging Face Jobs，在不同模型、transformers 修订版、任务及 bare、clone、skill 三种 tier 下评测智能体工具使用的 CLI。
推荐理由：文章提供了可迁移到其他软件库的 agent-eval 测试框架，用不同模型、版本和工具层级衡量智能体完成任务的成本与路径。
AWS 开源的 Strands Robots SDK 将 LeRobot 的硬件、仿真和策略能力封装为 AgentTools，使一个 Strands agent 可以完成数据记录、推送 Hugging Face Hub、仿真推理、物理机器人部署和多机器人协作。
推荐理由：文章以完整示例展示 Strands Robots 如何复用 LeRobot 的数据格式和策略接口，把仿真、硬件部署与多机器人协作串成一条 Agent 工作流。
Hugging Face 发布基于 Agentic Resource Discovery 规范的 Discover Tool，可通过自然语言搜索动态发现 Skills、ML applications 和 MCP Servers。
推荐理由：Hugging Face 将 Agentic Resource Discovery 规范接入 Hub 和 CLI，展示了如何用自然语言搜索动态发现 Skills、MCP Servers 与其他智能体资源。
Hugging Face 通过 profiler trace 分析 PyTorch 中的 nn.Linear、GeGLU MLP、torch.compile 和 LigerGEGLUMLP。
推荐理由：文章用完整 profiler trace 对比 eager、torch.compile 与 Liger MLP，具体展示了算子融合、HBM 访问和编译开销的差异。
Google DeepMind 发布实验性开放模型 DiffusionGemma，采用文本扩散和 26B MoE 架构，在专用 GPU 上实现最高 4 倍的文本生成速度。
推荐理由：DiffusionGemma展示了文本扩散在本地低并发推理中的速度优势，也明确交代了与标准 Gemma 4 的质量和云端成本取舍。
Hugging Face 展示了一个编码智能体如何串联 ideogram-ai/ideogram4 与 VAST-AI/TripoSplat 两个 Space，把提示词生成的图像转换为 3D Gaussian splat，并部署成可交互的静态画廊。
推荐理由：文章用巴黎、埃及和日本的 3D 地标画廊案例，展示了 agents.md 如何让智能体串联图像生成与 3D 重建 Space。
Hugging Face 介绍了将 GitHub Actions CI 迁移到 Hugging Face Jobs 的方法，通过 jobs-actions-dispatcher 把工作流转为运行在临时 HF Jobs 上的 self-hosted runner。
推荐理由：文章提供了从部署 dispatcher、创建 GitHub App 到修改 runs-on 的完整步骤，并用 Trackio 数据展示 CPU 与 GPU CI 的实际效果。
NVIDIA 发布 Nemotron 3.5 Content Safety，这是一个基于 Gemma 3 4B IT、支持 128K 上下文的多模态多语言安全模型，可在一次推理中评估用户提示、可选图像和助手响应，并按自定义政策输出安全 verdict。
推荐理由：Nemotron 3.5 将多模态、多语言和自定义政策整合到单一推理流程，并开放数据集与审计式推理轨迹，适合了解企业安全模型的落地设计。
Hugging Face 重构官方 hf CLI，使其同时适配人类用户和编码智能体，并在 hf v1.9.0 引入 agent-mode 输出。CLI 可自动识别 Claude Code、Codex 等智能体，提供完整 TSV、JSON、静默输出、下一步命令提示、非交互执行和 --dry-run 等能力。
推荐理由：Hugging Face 通过自动识别智能体、结构化输出和可重试命令，展示了 CLI 如何降低多步 Hub 任务的操作与 token 成本。
Hugging Face 为 Reachy Mini conversation app 加入远程 MCP 工具支持，可从公共 Hugging Face Spaces 安装天气、网页搜索等工具，而无需将代码下载到本地。
推荐理由：文章系统说明了 Reachy Mini 接入远程 MCP 工具的安装、配置与限制，适合了解机器人能力如何在不改本地应用的情况下扩展。
Holo3.1 家族发布，新增对移动环境和 function-calling 协议的支持，并提供 0.8B、4B、9B 和 35B-A3B 四种尺寸。35B-A3B 在 AndroidWorld 上从 67% 提升至 79.3%，同时推出 FP8、Q4 GGUF 和 NVFP4 量化检查点，支持本地与端侧部署。模型已通过 Holo Models API 和 Hugging Face 提供。
推荐理由：Holo3.1同时覆盖网页、桌面和移动环境，并提供多种量化检查点，具体展示了计算机操作智能体走向本地部署的路径。
JetBrains 发布 Mellum2，这是一个从头训练的 12B 参数 MoE 模型，面向文本与代码任务，每个 token 激活 2.5B 参数，并采用 Apache 2.0 许可证。
推荐理由：Mellum2公开了参数规模、激活参数和推理速度等关键信息，可帮助读者判断MoE模型在代码与文本工作负载中的部署取舍。
Hugging Face 发布 PyTorch 性能分析入门指南，使用矩阵乘加示例讲解如何设置 torch.profiler、读取性能表和 Perfetto 轨迹，并追踪从 Python 调用到 CUDA kernel 的调度链。
推荐理由：文章以矩阵乘加为例拆解 torch.profiler 的表格与轨迹，展示如何定位冷启动、调度空隙和 GPU 空闲等性能问题。
Hugging Face 在 TRL 中加入 Delta Weight Sync，仅编码相邻 RL 步骤间发生变化的 bf16 权重，并通过 Hugging Face Bucket 供 vLLM 获取。Qwen3-0.6B 的单步传输量从 1.2 GB 降至 20–35 MB；完整演示将训练器、vLLM 和 Wordle 环境部署在不同机器或 Spaces 上，无需共享集群网络。
推荐理由：Hugging Face 将稀疏权重同步接入 TRL，通过 Hub Bucket 传输变化元素，展示了跨环境部署异步 RL 的工程路径。
Hugging Face 发布 AI Agent 术语词汇表，解释模型、scaffolding、harness 与 agent 的关系，并区分 context engineering、policy、tool use、skills 和 sub-agents。文章还介绍 RL 训练中的 environment、trainer、rollout 与 reward，帮助读者理解部署和训练场景中的常用概念。
推荐理由：文章用统一框架区分模型、scaffolding、harness 与 agent，并延伸到工具、技能和训练术语，适合建立可复用的概念地图。
Hugging Face 发布六个基于 Ettin ModernBERT 编码器的 Sentence Transformers CrossEncoder 重排模型，参数规模从 17M 到 1B，均采用 Apache 2.0 许可证。
推荐理由：六个不同规模的重排模型、训练数据与完整配方一并开放，并给出质量和吞吐对比，便于按部署成本选择方案。
PaddleOCR 3.5 支持将 Transformers 作为运行受支持 PaddleOCR 模型的推理后端，覆盖 PP-OCRv5 和 PaddleOCR-VL 1.5 等 OCR 与文档解析模型系列。
推荐理由：PaddleOCR 3.5 将 Transformers 纳入支持的推理后端，并提供配置示例，适合评估文档解析与现有 PyTorch 工作流的衔接方式。