OpenAI 与 Retro Bio 用 GPT-4b micro 加速生命科学研究
OpenAI 与 Retro Bio 借助专用 AI 模型 GPT-4b micro，设计出用于干细胞疗法和长寿研究的更有效蛋白质。该模型专为生命科学研究打造，目标是加速蛋白质工程等科研环节。
#数据/训练
#数据/训练
今日 1 条OpenAI NewsAI 评分3838
Hugging Face BlogAI 评分5252 NVIDIA 发布 600 万多语言推理数据集 Nemotron Post-Training Dataset V2
NVIDIA 发布 Nemotron Post-Training Dataset V2，将此前的英文推理数据翻译为法语、德语、意大利语、日语和西班牙语五种语言，规模 600 万条。
Hugging Face BlogAI 评分3838 Kimina-Prover-RL：开源 Lean 4 定理证明训练流水线，兼容 Verl
Kimina Prover 团队开源了 kimina-prover-rl 训练流水线，用于在 Lean 4 中训练形式化定理证明模型，基于 DeepSeek-R1 启发的"先推理后生成"范式，并完全兼容开源 Verl 框架。
Hugging Face BlogAI 评分3636 Accelerate ND-Parallel 指南：如何高效进行多 GPU 训练
Hugging Face 在 Accelerate 中联合 Axolotl 集成了 ND-Parallel，让训练脚本可任意组合数据并行、FSDP、张量并行与上下文并行等策略。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布 AI Sheets：用开放 AI 模型处理数据集的无代码工具
Hugging Face 发布开源无代码工具 AI Sheets，可在本地或 Hub 上部署，通过类似电子表格的界面用提示词新建列来构建、转换和丰富数据集。工具可调用 Hub 上数千个开放模型（含 OpenAI 的 gpt-oss），支持模型对比、提示词迭代、数据分类与合成数据生成，并可导出到 Hub 生成可复用配置，配合 HF Jobs 脚本扩展至更大规模数据生成。
推荐理由：Hugging Face 官方开源的无代码数据集工具，读者可了解如何用开放模型批量构建、清洗和评测数据。
Hugging Face BlogAI 评分2222 Hugging Face 发布 3LM：面向阿拉伯语 LLM 的 STEM 与代码基准
Hugging Face 推出 3LM（علم），一个评估阿拉伯语 LLM 在 STEM 与代码生成上表现的多组件基准，包含 865 道原生 STEM 选择题、1744 道合成 STEM 选择题，以及翻译自 HumanEval+ 和 MBPP+ 的阿拉伯语代码任务。
Mistral AIAI 评分3838 Mistral 用 LoRA 微调 Pixtral-12B 提升卫星图像分类能力
Mistral 通过 LoRA 微调 Pixtral-12B，在 Aerial Image Dataset（AID）卫星图像分类任务上较基座模型显著提升，并减少了模型幻觉出的无效类别名。
Hugging Face BlogAI 评分5858 Hugging Face 发布轻量实验追踪库 Trackio
Hugging Face 发布开源免费的实验追踪 Python 库 Trackio，提供本地 Gradio 仪表盘，并可同步到 Hugging Face Spaces 通过 URL 分享。
Hugging Face BlogAI 评分3434 Hugging Face 用 Parquet 内容定义分块加速 Hub 上传下载
PyArrow 和 Pandas 现已支持 Parquet 内容定义分块（CDC），配合 Hugging Face 的 Xet 存储层，可在重新上传、增删列、改列类型、追加行等场景下只传输变更的数据块，大幅降低传输与存储成本。
Mistral AIAI 评分4040 Mistral AI 发布 LLM 环境影响研究报告，推动 AI 全球环境标准
Mistral AI 联合 Carbone 4 和法国生态转型署（ADEME）完成首个 AI 模型全生命周期分析，并公开两项指标：Mistral Large 2 截至 2025 年 1 月训练及 18 个月使用产生 20.4 ktCO₂e。
Hugging Face BlogAI 评分2222 Arc Institute 虚拟细胞挑战赛入门指南：用模型预测 CRISPR 基因沉默效应
Arc Institute 发起 Virtual Cell Challenge，要求参赛者训练模型预测 CRISPR 沉默基因对（部分）未见细胞类型的影响，即"上下文泛化"。
Hugging Face BlogAI 评分5252 Ettin Suite 发布：同配方训练的 SoTA 配对编码器与解码器
Hugging Face 发布 Ettin Suite，这是首个用完全相同数据（2T tokens）、架构和训练配方训练的 SoTA 配对编码器与解码器模型系列，参数规模覆盖 17M 到 1B。
Hugging Face BlogAI 评分3636 Hugging Face 详解高效多模态数据管道：从朴素填充到背包算法
Hugging Face 以 nanoVLM 项目为例，分五个阶段构建高效多模态数据管道，解决 GPU 空转与填充浪费问题。朴素填充阶段约 60% 的 batch 被无用 padding token 占据，随后依次采用受限填充、背包算法打包，并推出支持贪心与 binpack 策略的 ConstantLengthDataset，按 token 与图像数量打包样本。
Hugging Face BlogAI 评分2222 Hugging Face 公布 NeurIPS 2025 E2LM 竞赛：面向大语言模型早期训练评估
Hugging Face 上线 NeurIPS 2025 E2LM 竞赛，征集能在大语言模型早期训练阶段（约 200B tokens 以内）有效区分科学知识信号的评测基准。
OpenAI NewsAI 评分3838 OpenAI 研究错误回答训练如何导致模型失准泛化
OpenAI 研究发现，用错误回答训练语言模型会引发更广泛的失准行为，并识别出驱动这一行为的内部特征，该特征可通过极少量微调逆转。
Hugging Face Blog精选AI 评分6262 TRL 支持 vLLM 共置：训练与推理共享同一批 GPU
Hugging Face 的 TRL 通过 PR #3394 支持 vLLM 的 external launcher，让训练与推理共置在同一批 GPU 上，不再需要单独的 vLLM 服务器进程。
推荐理由：原文给出同卡共置训练与推理的实现方式和多组吞吐对比，读者可据此判断 GRPO 训练的成本变化。
Hugging Face BlogAI 评分1010 Liger GRPO 与 TRL 集成：Qwen2.5-0.5B-Instruct 在 DeepSpeed ZeRO3 下报形状不匹配
用户反馈在 TRL 中使用 Liger GRPO loss 配合 DeepSpeed ZeRO3 训练 Qwen/Qwen2.5-0.5B-Instruct（bf16）时出现形状不匹配错误，报错栈指向 liger_kernel 的 chunked_loss/grpo_loss.py 与 fused_linear_ppo.py。
Hugging Face BlogAI 评分3838 Falcon-Arabic：阿拉伯语语言模型的突破
阿联酋技术创新研究院（TII）发布 Falcon-Arabic，一款基于 Falcon 3 架构的 7B 参数多语言模型，支持阿拉伯语、英语等多种语言，上下文长度 32,000 tokens。该模型在 OALL v2 基准上超越同尺寸及最多 4 倍大的阿拉伯语 LLM，覆盖阿拉伯语 MMLU、Exams、MadinahQA 等任务。
Hugging Face Blog精选AI 评分6262 Falcon-Edge 发布 1B 与 3B 三值语言模型系列
Falcon-Edge 系列发布，基于 BitNet 架构的三值（1.58bit）语言模型，提供 1B 和 3B 两种规模，各有 base 与指令微调版本。该系列采用新的预训练范式，单次训练同时产出 bfloat16 非量化版本、原生 BitNet 模型和便于微调的预量化 BitNet 变体，预训练数据约 1.5 Tera Tokens。
推荐理由：Falcon-Edge 用一次预训练同时产出 bfloat16 与三元量化版本，并给出可直接微调的工具链，读者可据此判断 1.58bit 模型的落地路径。
Hugging Face BlogAI 评分3434 LeRobot 社区数据集：机器人领域的“ImageNet”何时到来、如何实现？
Hugging Face 发文称 LeRobot 社区贡献数据集正快速增长，目标是把泛化当作数据问题，构建开放多样的“机器人 ImageNet”。目前上传数据集多集中在 So100 和 Koch 机械臂，社区案例还包括抽屉操作、国际象棋对局和动物玩偶交互等。文章同时指出，随着数据采集门槛降低，数据整理与策展将成为下一阶段挑战。
Hugging Face BlogAI 评分2626 Intel 推出 AutoRound：面向 LLM 与 VLM 的先进量化工具
Intel 发布权重仅训练后量化方法 AutoRound，通过符号梯度下降联合优化权重舍入与裁剪范围，实现 INT2-INT8 低比特量化。在 INT2 下其相对精度最高达主流基线 2.1 倍，量化 72B 模型在 A100 上仅需 37 分钟。
Hugging Face Blog精选AI 评分6060 ServiceNow 开源 PipelineRL：用 inflight 权重更新加速 LLM 强化学习
ServiceNow 开源实验性强化学习实现 PipelineRL，其核心创新是在 RL 训练中进行 inflight 权重更新，让推理服务器在不停机的情况下接收新权重，从而在保持高推理吞吐的同时让数据接近 on-policy。
推荐理由：ServiceNow 开源 PipelineRL，用 inflight 权重更新缓解推理吞吐与 on-policy 数据采集的矛盾，并给出 7B/32B 实验对比。
Hugging Face BlogAI 评分3939 Hugging Face 发布 HELMET：全面评估长上下文语言模型
Hugging Face 发布 HELMET 基准，用于全面评估长上下文语言模型，覆盖多样性、可控性与可靠性，已评测 59 个近期 LCLM。该基准指出困惑度和 NIAH 等合成任务与真实下游表现相关性差，复杂合成任务（如 RULER MV）相关性更高，并已被 Microsoft Phi-4 和 AI21 Jamba 1.6 采用。
Hugging Face BlogAI 评分2222 Hugging Face 联合 MBZUAI 推出阿拉伯语评测榜单，新增指令遵循基准并更新 AraGen
Hugging Face 与 MBZUAI 合作上线 Arabic-Leaderboards Space，统一收录阿拉伯语 AI 评测，目前包含 AraGen-03-25 和阿拉伯语指令遵循两个榜单。
Hugging Face Blog精选AI 评分7474 NVIDIA 在 GTC 2025 发布 Cosmos Transfer、Physical AI Dataset 与 Isaac GR00T N1
NVIDIA 在 GTC 2025 上开源三项物理 AI 成果：世界基础模型 Cosmos Transfer、Physical AI Dataset 以及人形机器人基础模型 NVIDIA Isaac GR00T N1。
推荐理由：NVIDIA 一次性开源世界模型、数据集与人形机器人基础模型，读者可据此了解物理 AI 开发可用的工具链。
Hugging Face Blog精选AI 评分6767 Open R1 更新：发布 OlympicCoder 代码模型与 IOI 基准
Hugging Face Open R1 项目发布 OlympicCoder-7B 和 OlympicCoder-32B 两个代码模型，基于 Qwen2.5 Coder Instruct 微调，在 IOI 问题上超过 Claude 3.7 Sonnet 等闭源前沿模型。
推荐理由：Open R1 复现 R1 代码推理配方，给出数据集、IOI 基准与 7B/32B 模型，并附训练经验。
Hugging Face Blog精选AI 评分6767 LeRobot 与 Yaak 发布全球最大开源自动驾驶数据集 L2D
Hugging Face 的 LeRobot 团队与 Yaak 联合发布 L2D，号称全球最大的开源自动驾驶数据集，包含 90+ TB 多模态数据、5000+ 小时驾驶记录，来自德国 30 个城市的 60 辆驾校电动车。
推荐理由：L2D 以 90TB 多模态驾驶数据补齐端到端自动驾驶训练集缺口，并给出 LeRobot 接入方式与分阶段发布计划。
Hugging Face BlogAI 评分3838 Hugging Face 与 IISc 合作，推动印度多语言模型构建
Hugging Face 与印度科学研究所（IISc）及 ARTPARK 达成合作，旨在提升印度多模态多语言数据集 Vaani 的可访问性与易用性。Vaani 由 IISc/ARTPARK 与 Google 于 2022 年发起，目标采集超 150,000 小时语音和 15,000 小时转写文本，覆盖全印 773 个地区、100 万人。
Hugging Face BlogAI 评分4040 Hugging Face 发布视频生成数据集构建工具链
Hugging Face 推出面向视频生成模型微调的开源数据集工具链，采用三阶段流水线：用 yt-dlp 下载视频并切分为短片段，再通过 LAION-5B-WatermarkDetection。
Hugging Face Blog精选AI 评分6767 Open R1 发布 OpenR1-Math-220k 数学推理数据集
Open R1 项目发布首个大规模数学推理数据集 OpenR1-Math-220k，在 512 张 H100 上用 vLLM 和 SGLang 本地生成 80 万条 R1 推理轨迹，经 Math Verify 与 Llama3.3-70B-Instruct 过滤后保留 22 万个含正确推理轨迹的问题。
推荐理由：Open R1 项目公开了 220k 数学推理数据集的构建流程与本地生成方案，可了解复现 R1 训练管线的具体做法。
Hugging Face Blog精选AI 评分6262 Open-R1 更新：复现 DeepSeek-R1 评测分数与训练管线进展
Hugging Face 的 Open-R1 项目在启动一周后，复现了 DeepSeek-R1 蒸馏模型在 MATH-500 上的评测分数，例如 DeepSeek-R1-Distill-Qwen-1.5B 得 81.6、7B 得 91.8、32B 得 95.0。
推荐理由：Open-R1 一周内复现了 DeepSeek-R1 蒸馏模型的评测分数，并公开了 GRPO 训练与合成数据生成的具体工程取舍。
Hugging Face Blog精选AI 评分6262 Hugging Face 启动 Open-R1 项目，完整开源复现 DeepSeek-R1
Hugging Face 发起 Open-R1 项目，计划系统重建 DeepSeek-R1 的数据与训练流程，补上官方未公开的数据集和训练代码。项目分三步：从 DeepSeek-R1 蒸馏高质量推理数据集复现 R1-Distill 模型，复现 R1-Zero 所用的纯强化学习流程并整理数学、推理、代码数据集，以及展示从基座模型经 SFT 到 RL 的多阶段训练。
推荐理由：Hugging Face 公开复现 DeepSeek-R1 的三步计划，读者可了解开源推理模型训练链路的缺口与补全路径。
Hugging Face Blog精选AI 评分6262 Hugging Face 发布静态嵌入模型，CPU 训练与推理提速 100 至 400 倍
Hugging Face 发布两个静态嵌入模型 static-retrieval-mrl-en-v1（英文检索）和 static-similarity-mrl-multilingual-v1（多语言相似度），在 CPU 上比 all-mpnet-base-v2、multilingual-e5-small 等常见模型快 100 至 400 倍，同时保留至少 85% 的性能。
推荐理由：原文给出静态嵌入模型的训练配方与两个已发布模型，读者可据此评估 CPU 端检索与相似度任务的落地成本。
Hugging Face BlogAI 评分3434 Hugging Face Open LLM Leaderboard 分析：模型推理的 CO₂ 排放与性能表现
Hugging Face 在 Open LLM Leaderboard 中引入 CO₂ 排放估算，基于 2024 年 6 月以来对 3000 多个模型的评测数据，分析了 2742 个模型的推理碳排放与性能关系。
Hugging Face Blog精选AI 评分6262 如何在 PyTorch 中可视化并理解 GPU 显存占用
Hugging Face 博客发布教程，介绍用 torch.cuda.memory._record_memory_history 记录并可视化 PyTorch 训练时的 GPU 显存占用。文章以 Qwen2.5-1.5B 为例拆解模型参数、优化器状态、激活值、梯度和优化器中间值各占多少显存，并给出总显存估算公式和激活值随参数量线性变化的启发式。作者还提供了一个显存估算小工具。
推荐理由：原文用可视化快照拆解训练各阶段显存占用，并给出可复用的显存估算公式与启发式。
Hugging Face Blog精选AI 评分6262 TII 发布 Falcon3 开源模型家族，含 1B 至 10B 五款模型
阿布扎比 TII 发布 Falcon3 开源模型家族，包含 Falcon3-1B-Base、3B-Base、Mamba-7B-Base、7B-Base 和 10B-Base 五款基础模型。
推荐理由：Falcon3 给出 1B 到 10B 五款开源模型及训练方法，读者可据此判断小模型在数学、代码与推理上的位置。
Hugging Face BlogAI 评分2222 在 GCP 第五代 Xeon 上基准测试语言模型性能
Hugging Face 在 Google Cloud 的 N2（第三代 Xeon）与 C4（第五代 Xeon）实例上基准测试了文本嵌入和文本生成两类智能体 AI 负载。
Hugging Face BlogAI 评分5858 Hugging Face 推出合成数据生成器，用自然语言构建数据集
Hugging Face 发布 Synthetic Data Generator，一个无代码应用，用户用自然语言描述需求即可生成自定义数据集。工具目前支持文本分类和聊天数据集，背后由 distilabel 和免费的 Hugging Face text-generation API 驱动，文本分类和聊天分别约每分钟生成 50 和 20 个样本。
Hugging Face BlogAI 评分3838 Hugging Face 与 Entalpic 联合发布开源材料发现项目 LeMaterial
Hugging Face 与 Entalpic 联合推出开源协作项目 LeMaterial，并首发数据集 LeMat-Bulk，将 Materials Project、Alexandria 和 OQMD 三大材料数据库统一为标准格式，含 6.7M 条数据、7 种材料属性，采用 CC-BY-4.0 许可。
Hugging Face BlogAI 评分3434 Hugging Face 社区发布文本到图像生成开放偏好数据集
Hugging Face 的 Data is Better Together 社区发布 Apache 2.0 许可的文本到图像偏好数据集，覆盖多种图像生成类别并混合不同模型家族与提示词复杂度。数据集基于 Flux 和 Stable Diffusion 模型生成图像，配套提供 flux-dev-lora-finetune 微调模型及 GitHub 上的预处理与后处理代码。