Hugging Face 联创谈 microduck 美国预订量

Hugging Face 联合创始人 Thomas Wolf 宣布与 Baseten 旗下 Baselabs 及 GoodfireAI 合作，推进开源模型的安全与可解释性研究。合作方将把安全研究直接构建进 Baseten 的推理基础设施，包括训练模型遵循明确策略、运行时检测故障，并将信号接入可干预的控制机制，目标向所有客户开放。Wolf 强调开源与安全部署并不矛盾，正如 Linux 所证明的那样。

哇 【引用 @RewardAI_】：推出 OM-1，我们的首个机器人基础模型，零样本泛化到任何机器人：桌面机械臂、工业机械臂和人形机器人。 - 直接从人类操作数据中学习 - 无需遥操作/机器人数据 - 接近人类水平的灵巧度和效率 - 多机器人协作

有趣的端侧本地 AI 智能体系统--似乎在运行一个量化到 4 比特的开源权重 4B 模型（MLX）

今天 Fields Medal 那封信的一些笔记（https://mathandai.org/） 大致是说，AI 模型翻找着解决这些问题，只给出 1 bit 的信号，却扼杀了数学家们在与这些问题搏斗中本可提取出的另外 99 bits 的概念性理解

"我们现在离构建 AGI 近得多了，而在这个过程中，我们并没有学到任何关于智能的根本性新东西"--@RichardMCNgo

Thomas Wolf 表示，若 AI 对 Hodge 猜想的证明是一套解释所有 Hodge 类皆为代数类的通用理论，并需要拓扑/Hodge 理论与代数几何之间的深层新桥梁，那才叫震撼，而不只是 10000 个智能体找到那个反例。

Thomas Wolf 称 DeepSeek V4.1 Flash 重回开源模型榜首且价格极低，并制作视频展示模型推理时前向传播的内部过程。技术报告见 https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf，权重已发布在 https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash。

TRL v1.13 发布！我们的开源 RL 训练库，用于对基础模型进行后训练 本次新版本聚焦"长上下文训练"，新增了一份关于如何用 1M+ token 上下文对模型进行后训练的指南 https://huggingface.co/docs/trl/long_context_training ，以及一如既往的速度和内存使用方面的多项改进 详见 https://github.com/huggingface/trl

DeepSeek 发布 DeepSeek-V4.1-Flash，称其为新架构家族中最小模型，具备原生视觉理解，面向更快推理、更高吞吐和扩展到更大模型而设计。

我们该把 @LeRobotHF 的 SO-100 寄给 @sama 呢，还是送他一台 3D 打印机和舵机，让他自己动手组装？