Scorecard 文件說明如何追蹤 Claude Tag，也就是 Anthropic 讓 Claude 在團隊 Slack workspace 內工作的代理模式

Hugging Face · 2026/08/25 23:14

IBM 在 Hugging Face 發布 Granite 4.2 技術說明

中文摘要

主打這是 Granite 系列第一批 dense、decoder-only 的推理模型，提供 3B、8B、30B 三種尺寸，並以 Apache 2.0 授權釋出。官方稱三款模型從零開始以約 15T tokens 預訓練，採五階段策略並把長上下文延伸到 512K tokens；之後再用思維鏈、推理與 agent 軌跡資料做 SFT，並接上多階段強化學習。8B 與 30B 額外經過 agentic RL，可在沙盒環境中學習呼叫工具、編輯與執行程式、操作終端機與網路搜尋；三款都支援 thinking／non-thinking 切換、low-effort thinking 與原生工具呼叫。

一龍馬判讀

這讓企業與開發者多了一組可商用授權的開源推理模型選項，特別是想在 agent、工具呼叫與長上下文場景自建堆疊的人。限制是目前證據主要來自 IBM 官方技術文，模型能力仍需看第三方基準、實際延遲與部署成本驗證。

原文節錄

Hugging Face

Granite 4.2 LLMs: How They're Built Hugging Face Models Datasets Spaces Buckets new Docs Enterprise Pricing Website Tasks HuggingChat Collections Languages Orga

取得部分原文 · 不代表內容已獨立查證

查看原文

完整收錄文字與來源

Granite 4.2 LLMs: How They're Built

收錄日期: 2026-08-26
來源: 官方 RSS＋Hacker News Algolia API
抓取時間: 2026/08/26 06:00（台北）
來源資料: 官方來源

返回 AI 產業日報列表

Hugging Face · 2026/08/25 19:39

Multiverse Computing 在 Hugging Face 介紹 Quantization-Aware Healing（QAH）

中文摘要

主張針對已結構壓縮、再量化到 4-bit 的大型語言模型，傳統 QAT 或 QAD 的修復方式不夠理想。文中稱他們把 GPT-OSS 120B 壓縮到 60B 參數並量化為 MXFP4 後，用原始未壓縮模型當 teacher 進行 KL logits distillation，而不是從壓縮後的 bfloat16 checkpoint 蒸餾。官方結果宣稱，這個 4-bit 模型在 9 個 benchmark 中有 7 個超過其 full-precision bfloat16 版本，因此形成「更小、更便宜、分數更高」的反常結果。

一龍馬判讀

如果外部可重現，QAH 會改變壓縮模型部署流程：4-bit 不只是省記憶體的妥協，而可能成為二次蒸餾的能力回收階段。風險在於證據來自團隊部落格摘要，benchmark 組成、訓練成本與不同模型架構上的穩定性仍需完整論文與第三方重跑。

原文節錄

Hugging Face

Quantization-Aware Healing: a compressed, 4-bit model that outperforms its full-precision original Hugging Face Models Datasets Spaces Buckets new Docs Enterpri

取得部分原文 · 不代表內容已獨立查證

查看原文

完整收錄文字與來源

Quantization-Aware Healing: a compressed, 4-bit model that outperforms its full-precision original

收錄日期: 2026-08-26
來源: 官方 RSS＋Hacker News Algolia API
抓取時間: 2026/08/26 06:00（台北）
來源資料: 官方來源

返回 AI 產業日報列表

Hugging Face · 2026/08/25 08:00

官方示例涵蓋圖片編輯、媒體工作室、平行 fan-out 圖像生成、Hugging Face dataset 分析，以及在 Space 內用 ZeroGPU 執行自有 GPU 模型

中文摘要

Gradio 發布 gr.Workflow 指南，將 AI app 常見的多步驟 pipeline 變成可視化介面：開發者用 typed nodes 描述 graph，使用者可在拖拉畫布上執行每個節點並查看中間結果。官方示例涵蓋圖片編輯、媒體工作室、平行 fan-out 圖像生成、Hugging Face dataset 分析，以及在 Space 內用 ZeroGPU 執行自有 GPU 模型。每個 workflow 同時也是 REST API，輸出節點會變成 endpoint；節點可連到 Python 函式、Hugging Face Inference Providers、其他 Gradio Space 或 Hub dataset row。

一龍馬判讀

這把原本藏在 Python 腳本裡的 AI 流程攤開，對原型驗證、除錯與展示更友善，也讓非後端團隊較容易理解資料如何流過模型。限制是許多範例依賴 Hugging Face token、Inference Providers、Spaces 或 ZeroGPU，正式產品仍要處理權限、成本、延遲與故障邊界。

原文節錄

Hugging Face

Wire It, Run It, Deploy It: AI Workflows in Gradio Hugging Face Models Datasets Spaces Buckets new Docs Enterprise Pricing Website Tasks HuggingChat Collections

取得部分原文 · 不代表內容已獨立查證

查看原文

完整收錄文字與來源

Wire It, Run It, Deploy It: AI Workflows in Gradio

收錄日期: 2026-08-26
來源: 官方 RSS＋Hacker News Algolia API
抓取時間: 2026/08/26 06:00（台北）
來源資料: 官方來源

返回 AI 產業日報列表

Hacker News · 2026/08/26 05:52