Hugging Face Blog

The model that didn't exist, so you made it yourself

作者借助 Hugging Face 的 ML Intern，用一句话描述需求，在一夜之间得到体积仅 0.8B、可在 CPU 上运行的小型提示词改写模型，输出有效率 99.7%、token 消耗约为教师模型四分之一，整个项目（含教师模型标注 8797 条请求）算力成本仅 16 美元。此后作者又以相同方式做出五个模型，并将全部七份提示词公开在 GitHub 上。

Hugging Face 博客作者 yvrjsharma 因官方 Qwen-Image 2.1 提示词改写器体积过大（9B、约需 20GB 内存、推理耗费数千 token），遂向 ML Intern 描述需求，次日获得一个 0.8B、可跑在 CPU 上的蒸馏版本，输出有效率 99.7%、token 消耗约为教师模型四分之一。该项目算力成本（含用 9B 模型标注 8797 条示例请求）合计 16 美元。随后几天作者以同样方式又制作了五个模型，每个都从 HuggingChat 中开启 ML-intern 的一条消息开始，最终成为 Hub 上带评测模型卡的公开模型。ML Intern 负责规划任务、在花钱前申请预算、先跑小测试再正式训练与评测，并在 Hugging Face 硬件上发布；作者强调提示词中最关键的两行分别要求训练前的基线分数和带检查的冒烟测试，并设定单次花费上限。

Multimodal open d1 decision models for the edge

Liquid AI 发布两款开源决策模型 d1-3B 与 d1-omni-600M，基于其 Liquid Foundation Models 构建，采用单次前向传播直接作答而非逐 token 生成。d1-3B 支持文本与图像输入，在 Decision Index 0.2.1 上位列 10B 以下模型第一，并在 NVIDIA 边缘设备上实现 16 至 50 毫秒级推理。

Liquid AI 发布开源决策模型 d1-3B 和 d1-omni-600M。d1-3B 基于解码器架构的 LFM2.5-VL-3B 训练，接受文本与图像输入；d1-omni-600M 基于双向编码器 LFM2.5-Encoder-350M，额外增加视觉与音频编码器，支持文本加图像或文本加音频，目前为早期研究版本。在 Decision Index 0.2.1 上 d1-3B 得分 48.57，领先所有 4B 与 9B 模型以及 Decider 35B-A3B 的 47.11。两款模型在七个公开数据集上的平均得分分别为 82.9 与 78.4。Liquid AI 与 NVIDIA 合作在 RTX 4090 及 Jetson 系列设备上评估 d1-3B，单次问答耗时低于 50 毫秒。

One Model Family, Two Gold-Level Results: Fine-Tuning Nemotron for IOI and IMO

NVIDIA 团队以 Nemotron 3 为基础，通过监督微调（SFT）、强化学习（RL）与反馈驱动的生成-评估-精炼推理循环，构建面向竞赛的专门化模型。Nemotron-3-Ultra-CC 在 IOI 2026 取得 535.4/600，Nemotron 3 Ultra 系统在 IMO 2026 取得 30/42，双双达到金牌水平。

NVIDIA 在 Hugging Face 博客发布报告，称其团队从 Nemotron 3 基础模型出发，结合监督微调（SFT）、强化学习（RL）与反馈驱动的推理循环，构建了针对竞赛领域的专门化模型。在 IOI 2026 中，参数量 550B（激活 55B）、仅经 SFT 的 Nemotron-3-Ultra-CC 配合 GenCorrect 迭代生成-评估-精炼策略，在与人类选手相同的限时、联网与提交约束下取得 535.4/600（金牌线 361.12，人类最高分 498.27），但该结果属非官方、无监督评测，未计入官方 IOI 排名。在 IMO 2026 中，由 Nemotron 3 Ultra 通用、SFT 与 RL 检查点组成的生成-验证-精炼系统提交的证明由官方 IMO 评分员批改，得 30/42，超过 29 的官方金牌线。

Falcon-Emirati: When an LLM Learns the Dialect, the Culture, and the Nuance

TII 发布 Falcon-Emirati-7B，一个在 Falcon-H1-Arabic 基础上构建的阿拉伯语方言专用模型，专门面向阿联酋 Emirati 方言，目标是像母语者一样理解并生成其词汇、语气与文化语境。

阿联酋 TII 在 Hugging Face 博客上发布 Falcon-Emirati-7B，这是一个基于 Falcon-H1-Arabic 的方言专用模型，专注理解和生成阿联酋 Emirati 阿拉伯语。该模型沿用 Falcon-H1 混合架构，在每个 block 内并行运行状态空间模型（Mamba）与 Transformer 注意力并融合输出，兼顾长序列线性效率与长程依赖精度。Falcon-H1-Arabic 家族覆盖 3B、7B、34B 三种规模，上下文窗口最高达 128K 与 256K token，已在 MSA 与海湾、黎凡特、埃及、马格里布等方言及英文多语数据上训练。团队选择 7B 变体，认为其在方言适配所需的理解深度与训练推理成本之间取得最佳平衡。

The Agent Said It Was Done. The Database Disagreed.

Open-sourcing AstaBrief, the fast report-generation model in Asta

AutoSynthData: Generating Training Data for Enterprise Agents

Introducing Olmo-core 3: Open, scalable training infrastructure for large MoEs

Getting the Source Right, Not Just the Fact: Source-Aware Verification for MCP Agents

Holo4: powering generalist computer-use agents

Accelerating vision-language models with LFM2.5-VL-DSpark

How UK AISI and EvalEval Are Making Benchmark Results Reproducible

Your Agent Aced the Task. Will It Do It Again?

IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license

Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO Steps

本文介绍如何用约 100 步 GRPO 微调 350M 参数的小模型 LFM2.5-350M，使其在 IFStruct 结构化输出基准上的得分从 22.6% 提升到 29.7%，表现可媲美远更大的模型。教程分两部分：微调在免费级 GPU 上运行，评估通过 llama.cpp 在本地 MacBook 完成。

这是一篇面向结构化输出（schema 合规）任务的技术教程，发布于 Hugging Face 平台。作者先通过 llama.cpp 在本地对 LFM2.5-350M 基线模型运行 IFStruct 评测，尝试复现 21.1% 的报告得分，随后用约 100 步 GRPO 微调将得分提升至 29.7%，以论证任务专属微调能让小模型匹敌远更大的模型。微调环节使用适配免费版 Colab 或 Kaggle GPU 的 notebook，评估环节在一台 Apple M5 Max 的 MacBook 上通过 llama.cpp 的 OpenAI 兼容服务器完成。评测使用 IFStruct 的 2000 条测试样本。

Give Your Coding Agents a Memory You Own

Hugging Face 发布本地记忆层工具 funes，可为 Claude Code、Codex、pi、Hermes 等编码智能体持久化并检索会话记忆。funes 是单一二进制，一条命令即可接入 agent，提供 recall 与 get 工具，默认在本地构建 Lance 索引，也可同步到用户拥有的私有 Hugging Face 数据集。

Hugging Face 在官方博客发布 funes，一个面向编码智能体的持久记忆层，支持 Claude Code、Codex、pi 与 Hermes。funes 以单一二进制形式分发，安装后自动构建首个索引、提供 recall 与 get 工具，并以增量方式索引每轮完成的会话。其底层用确定性流水线将各类会话轨迹统一解析为 turn-and-block 结构，经本地固定模型 embedding 后写入 Lance 数据集；查询时融合向量检索与 BM25，用 cross-encoder 重排并按时间远近加权。recall 返回原始文本而非摘要，并精确标注来源 agent、时间戳、会话与轮次；数据默认留在本机，可同步到用户拥有的默认私有的 Hugging Face 数据集。

Training a coding model to paint watercolours with TRL and OpenEnv

Hugging Face 博客作者用 TRL 与 OpenEnv 端到端开源复现了 Surya Narreddi 让语言模型通过 p5.brush 编写 JavaScript 绘制水彩画的项目，参考数据集、RL 环境、训练脚本与模型全部公开在 Hub 上，训练经 HF Jobs 运行，一条命令即可复现。

Surya Narreddi 于8月23日发布语言模型绘制水彩画的视频，模型通过 p5.brush 库编写 JavaScript 作画，视频浏览量超过150万次。Surya 的博客仅介绍早期特写花朵阶段的训练方法且未开放工件，Hugging Face 作者随后从工程侧用 TRL 与 OpenEnv 复现了完整方案。复现项目以 Qwen/Qwen3.5-35B-A3B 为基座模型，采用 LoRA 微调加 GRPO 强化学习，将参考池数据集、RL 环境、训练脚本与训练好的模型全部开源。整套流程依托 HF Jobs 训练、Spaces 部署环境与评分模型、Inference Providers 执行两两评判，用户复制两个 Space 并设置环境变量后即可用一条命令启动训练。

Real-Time Intelligence with IBM Time Series Models on Confluent

IBM 将时间序列基础模型（TSFM）接入 Confluent Cloud，提供流式原生的实时预测、异常检测与优化能力。早期访问已在 AWS 上开放、可通过 Flink 调用，Confluent Platform 版本将随后覆盖本地与混合云部署。

IBM 联合 Confluent 推出基于时间序列基础模型（TSFM）的实时智能能力，方案以流式原生方式托管在 Confluent Cloud、可从 Flink 调用，早期访问先在 AWS 上开放。TSFM 经大规模异构信号一次性训练后可泛化到未见过的序列，覆盖预测、异常检测、优化与语义智能，无需专业数据科学团队。IBM 声称已在自身产品与运营以及水泥、钢铁、纸浆造纸、食品、电信等行业设计伙伴处验证，精度每提升一点价值可达数百万美元、生产力提升 5 至 10 倍，且模型累计下载量已超过 4400 万次。Confluent Platform 版本随后推出，将同一模型与能力带到本地与混合云环境。

BenchMIRT: What are LLM benchmarks actually measuring?

BenchMIRT 是 AllenAI 提出的 LLM 基准审计新方法，在单个提示词层面用多维项目反应理论（MIRT）分离驱动基准分数的潜在能力，并已在 100 个模型、16 个基准、3.4 万余道题上完成训练。

AllenAI 在其 Hugging Face 博客发布 BenchMIRT，一种在单个提示词层面审计 LLM 基准的新方法。它借鉴心理测量学的项目反应理论（IRT）并扩展为多维形式，在模型层和题目层分别估计能力、难度与区分度。团队在 100 个 LLM、16 个基准、超过 3.4 万道题的评测结果上完成训练，其中 6 个基准用于测通用推理，10 个来自 Olmo 3 安全套件。该方法旨在帮助研究者分离单一基准内不同题组实际所测的不同能力。