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