Real World VoiceEQ 发布，用于评估语音系统识别、生成和响应语音中非文本声学信息的能力。该基准覆盖 40 多个语音模型、15+ 个评测维度和 60 多项指标，并基于超过 1 million 次人类评价构建。研究发现，不同模型在技术准确性、情绪理解、表达能力和稳健性等方面各有侧重，自动评测尚不能替代涉及声学情境和社会理解的人类听评。
推荐理由：该基准以超过 1 million 次人类评价衡量语音交互质量，展示了传统指标难以覆盖的情绪、身份和真实环境表现差异。
Hugging Face Blog 通过 profiler 分析 PyTorch 中的朴素 Attention、原地掩码操作和 SDPA 各后端，展示不同实现的 kernel 与 CPU、GPU 开销。
推荐理由：文章通过逐层对比 profiler trace，解释 Attention 的 kernel、显存流量与 CPU 开销如何变化，为定位 GPU 性能瓶颈提供可复用的阅读方法。
Hugging Face 宣布 transformers 建模后端在 vLLM 中已能为多种 LLM 架构达到或超过自定义 vLLM 实现的吞吐速度。该后端在 Qwen3-4B、Qwen3-32B 和 Qwen3-235B-A22B-FP8 三种部署配置中均达到或超过原生实现速度，并可通过 `--model-impl transformers` 启用。
推荐理由：文章通过 Qwen3 的 4B、32B 和 235B FP8 MoE 对比，说明该后端如何减少模型接入 vLLM 时的重复优化工作。
Hugging Face 与 Amazon SageMaker AI 推出深度链接集成，支持从模型页面一键进入 SageMaker Studio 的微调或部署流程。新建 Studio 环境会自动配置相关权限并保留模型上下文，实例选择界面还会显示 G5、G6 GPU 配额可用性。
Microsoft Foundry 现已预览 Hugging Face Collection，提供每周刷新的开放权重模型目录，并支持一键部署到 Foundry Managed Compute。
推荐理由：文章具体说明了模型筛选、运行时构建、权重托管和自动补丁流程，便于理解开放模型进入企业部署时新增的运维层。
Hugging Face 发布 LeRobot v0.6.0，新增世界模型策略、奖励模型、六个仿真基准和 lerobot-rollout 部署 CLI。数据集支持深度、VLM 自动语言标注和自定义视频编码，数据加载最高提速约 2x；训练新增 FSDP 与 HF Jobs 云训练。
推荐理由：LeRobot v0.6.0 将世界模型策略、奖励模型、统一评测和部署采集串成闭环，并补充数据处理与云训练能力，便于理解机器人学习工作流的变化。
Hugging Face Storage 为 SkyPilot 新增 store: hf 后端，支持用 hf:// URL 将 Bucket 或 Hub 仓库挂载到任务中。
推荐理由：这项集成把模型和数据存储与 GPU 调度解耦，展示了跨云读取不收取 egress 费用及 Xet 增量去重的实际用法。
PRX 团队介绍了其图像生成模型的预训练数据流程：混合公共与内部数据集，使用 VLM 为图像生成长描述，并以 Lance 构建和探索数据、以 Mosaic Data Shards（MDS）供训练流式读取。团队在数亿级数据上采用 JPEG quality 92、分辨率与宽高比分桶、基于 caption 的过滤和感知哈希去重，并选择 Qwen3-VL-8B 作为 captioner。
推荐理由：文章把 PRX 的大规模图像训练数据流程拆成可复用环节，覆盖数据探索、VLM 重标注、格式转换、过滤去重及工程取舍。
Hugging Face 对 Kernels 项目进行了大幅重构，新增 Hub 的 kernel 仓库类型，并默认限制为可信发布者加载 kernel。项目加入代码签名支持，重构 kernels 与 kernel-builder CLI，还扩展了 Torch Stable ABI 和 Apache TVM FFI 支持。
推荐理由：文章集中说明 Kernels 在安全机制、框架兼容和智能体开发流程上的改动，便于开发者判断其对自定义 kernel 构建与分发的实际帮助。
Hugging Face 与 Cerebras 展示了将 Gemma 4 31B 用于实时语音到语音系统的方案。该开放管线依次使用 Nvidia 的 Parakeet 进行语音识别、在 Cerebras 上运行 Gemma 4 VLM 推理，并通过 Qwen3TTS 生成语音。相关架构已用于 Reachy Mini 机器人，配套代码仓库为 huggingface/speech-to-speech。
推荐理由：文章拆解了实时语音到语音管线的模块构成与协作方式，开发者可据此了解低延迟架构的实现路径和代码入口。
ScarfBench 是一个用于评估 AI 智能体执行企业 Java 跨框架迁移的开放基准，覆盖 Spring、Jakarta EE 和 Quarkus。基准包含 34 个应用、204 个迁移任务和约 151K 行代码，要求应用完成构建、部署并通过行为验证；当前最强智能体的行为成功率仍低于 10%。
推荐理由：ScarfBench把企业 Java 框架迁移拆成构建、部署和行为验证，揭示编码智能体在可编译代码之外仍受配置与运行环境依赖影响。
Google Research 发布 TabFM，这一面向表格数据分类和回归的基础模型可通过单次前向传播生成预测，无需手动训练、超参数调优或复杂特征工程。TabFM 采用交替行列注意力、行压缩和 Transformer，并基于数亿个合成数据集训练。
推荐理由：文章解释了 TabFM 如何用交替行列注意力、行压缩和合成数据训练，将表格分类与回归转为零样本推理，并给出 BigQuery 使用入口。
Hugging Face 宣布 Every Eval Ever（EEE）与 Community Evals 实现互通，评测结果可同步显示在模型页面和基准排行榜，并链接回完整的 EEE JSON 记录。
推荐理由：文章说明 EEE 与 Community Evals 如何互通，既把评测分数带到模型页面，也保留生成配置和复现记录等来源信息。
Mistral AI 发布 Mistral Medium 3.5 public preview，这是一款 128B dense open-weight 模型，成为 Mistral Vibe 和 Le Chat 的默认模型。
推荐理由：文章同时交代模型规格、编码基准与部署方式，并说明它如何支撑云端并行编码和多步骤工作流。