OpenAI发布了改进版Codex，该AI系统可将自然语言转为代码，并通过API开启私测。

Triton 1.0发布，这是一个开源的类Python GPU编程语言，让无CUDA经验的研究者也能编写高效GPU代码，性能媲美专家手写代码。

论文提出一种在互联网上协作训练语言模型的新范式，允许多方在不共享原始数据的前提下联合训练模型，兼顾隐私与模型性能。

spaCy正式入驻Hugging Face Hub，用户可直接在Hub上访问其预训练模型、配置文件和词汇表，并通过spacy-huggingface-hub插件一键加载模型。

文章深入讲解扩散模型的原理、发展及关键技术，涵盖score-based生成建模、classifier-free guidance、latent diffusion等重要进展，并介绍GLIDE、Imagen、LDM等代表性模型。

本文介绍如何利用 Amazon SageMaker 快速部署 Hugging Face 的 AI 模型，涵盖从模型选择、环境配置到推理服务上线的完整流程，并提供最佳实践和性能优化建议。

论文《Evaluating large language models trained on code》提出CodeXGLUE基准，系统评估代码大模型在代码生成、翻译、修复等任务上的性能，涵盖多个数据集和指标，为AI编程模型提供标准化评测框架。

介绍 Hugging Face Hub 上的 Sentence Transformers 库，涵盖其文本嵌入模型的使用、微调及在语义搜索、聚类等任务中的应用。

研究表明，通过在小型精选数据集上微调，可有效改善语言模型在特定行为价值观上的表现。

文章介绍如何结合 GPT-Neo 和 Hugging Face 的加速推理 API 实现高效的少样本学习，涵盖技术实现、性能优化及实际应用示例。

对比表示学习旨在构建嵌入空间，使相似样本靠近、不相似样本远离，广泛应用于视觉与语言任务的自监督学习中。

本文介绍如何利用 Gradio 2.0 快速构建界面，调用并组合多个 Hugging Face 模型，实现多模型协同的 AI 应用原型开发。

本文探讨在CPU上高效部署和扩展BERT模型推理的方法，涵盖优化策略与性能调优技巧。

🤗 Accelerate 是 Hugging Face 推出的开源库，简化多GPU/TPU训练流程，让开发者无需修改代码即可高效扩展模型训练，支持FP8、分布式推理等前沿功能。

本文介绍如何利用 Hugging Face Transformers 与 Amazon SageMaker 对 BART/T5 模型进行分布式训练，以实现高效文本摘要任务。

文章深入解析 BigBird 模型采用的块稀疏注意力机制，如何在保持性能的同时降低计算复杂度，适用于长序列建模。

超过300款应用通过API集成GPT-3，实现搜索、对话、文本补全等AI功能，展示其在实际产品中的广泛应用。

Amazon SageMaker 与 Hugging Face 深化集成，用户可在 SageMaker 上更便捷地训练、部署 Hugging Face 的开源大模型，简化 AI 模型开发流程。

文章探讨降低语言模型毒性的三种方法：训练数据收集、毒性内容检测和模型去毒，旨在提升AI模型在现实应用中的安全性。

作者分享在 Google Cloud 上部署无服务器化 Transformers 模型推理管道的实践经验，涵盖 Cloud Run、Vertex AI 和优化技巧。