ARC 发布 Claude 与 GPT-4 危险能力评测进展
ARC 作为第三方评估方与 Anthropic、OpenAI 等实验室合作，在受控环境中测试前沿模型自主获取资源、逃避人工监督的危险能力。结论是被测的 Claude 和 GPT-4 版本均未能产出可信的完整自主复制计划，执行中易出错、有幻觉、难以在多副本间分派任务，但能部分完成浏览网页、雇佣人类代办、制定长期计划等子任务。
推荐理由：ARC 公布了危险能力评测的动机、方法与结论，读者可以了解模型自主复制能力的评估方式。
全部 AI 动态
METR：Research精选AI 评分7070
LangChain：Blog精选AI 评分6060 LangChain 发布 LLM 与 SQL 结合的实践指南
LangChain 与社区成员 Francisco Ingham、Jon Luo 发布 LLM 与 SQL 结合的实践指南，并宣布 3 月 22 日举行一小时网络研讨会。
推荐理由：LangChain 团队系统整理了让 LLM 生成有效 SQL 的三类问题与对应解法，方法可直接迁移到自己的 Text-to-SQL 场景。
Hugging Face 社区博客精选AI 评分6666 Hugging Face 讲解如何在 24GB 消费级 GPU 上用 RLHF 微调 20B 大语言模型
Hugging Face 发布博客，讲解如何在 24GB 消费级 GPU 上用 RLHF 微调 20B 参数大语言模型，文中涉及 TRL 与 PEFT（见原文链接 https://huggingface.co/blog/trl-peft）。正文抓取失败，仅标题可用，更多细节以原文为准。
Hugging Face 社区博客精选AI 评分6565 Hugging Face 教程：用 AI 在 5 天内开发农场游戏（第一篇，美术风格）
Hugging Face 发布系列教程第一篇，讲解如何用 Stable Diffusion 为 Unity 农场游戏确定美术风格。文章涵盖用 Automatic1111 WebUI 本地部署或在线运行的方法、借助 lexica.art 优化提示词的技巧，以及用概念图指导 Unity 场景搭建、材质、灯光和后期处理的完整流程。
推荐理由：系列第一篇给出用 Stable Diffusion 生成美术概念图并落地到 Unity 场景的完整步骤，方法可直接迁移到游戏开发流程。
Hugging Face 社区博客精选AI 评分6161 如何用 Hugging Face Transformers 运行 CLIPSeg 进行零样本图像分割
Hugging Face 发布教程，讲解如何用 🤗 transformers 运行 CLIPSeg 实现零样本图像分割。
推荐理由：教程结合示例代码讲解 CLIPSeg 的文本与图像提示用法，还给出粗标注后在 Segments.ai 精修的可迁移流程。
Hugging Face 社区博客精选AI 评分6969 Hugging Face 图解 RLHF：用人类反馈强化学习微调语言模型的完整流程
Hugging Face 发布长文图解 RLHF，将其拆为预训练语言模型、训练奖励模型、用 PPO 强化学习微调三个核心步骤，并解释 KL 惩罚如何防止策略偏离初始模型产生胡言乱语。文章还盘点 TRL、TRLX、RL4LMs 等开源工具，指出人类偏好数据成本高、标注不一致以及 PPO 之外优化器等仍待探索的方向。
推荐理由：原文系统拆解 RLHF 三阶段流程与 KL 惩罚等细节，并盘点开源工具与局限，适合作为理解该技术的入门框架。
Hugging Face 社区博客精选AI 评分6060 Hugging Face 教程：用 Time Series Transformer 做概率时间序列预测
Hugging Face 发布教程，讲解如何用其 Transformers 库的 Time Series Transformer 从零训练单变量概率时间序列预测模型，涵盖 GluonTS 数据转换、DataLoader 构建、40 个 epoch 的训练及 generate() 自回归推理。
推荐理由：教程展示了完整的代码训练流程，并在 Monash 基准上给出可对照的 MASE 结果，便于读者迁移到自己的时间序列数据。
Hugging Face 社区博客精选AI 评分7676 如何在 Apple Silicon 上用 Core ML 运行 Stable Diffusion
Hugging Face 与 Apple 合作，将 Stable Diffusion v1.4、v1.5、v2 base、v2.1 base 转换为 Core ML 版本并发布在 Hugging Face Hub，可在 Apple Silicon 的 CPU、GPU 和 Neural Engine 上运行。
推荐理由：Hugging Face 官方整理了 Core ML 版 Stable Diffusion 的下载、Python 与 Swift 推理方法，读者可按机型选变体并迁移到自定义模型。
Hugging Face 社区博客精选AI 评分6666 Hugging Face 发布 Document AI 实践指南：六大用例与开源模型选型
Hugging Face 发布 Document AI 指南，梳理 OCR、文档图像分类、版面分析、文档解析、表格识别和 DocVQA 六大用例及对应开源模型与指标。
推荐理由：原文系统梳理了 Document AI 六类用例及对应开源模型、指标与许可证，团队可直接按图索骥选型并自建方案。
Hugging Face 社区博客精选AI 评分7676 Hugging Face 分享用 Dreambooth 微调 Stable Diffusion 的实验结论与调参建议
Hugging Face 发布教程，基于多组实验总结用 Dreambooth 微调 Stable Diffusion 的推荐设置，并提示 🧨 Diffusers 提供官方训练脚本。
推荐理由：原文基于多组实验给出 Dreambooth 微调 Stable Diffusion 的超参数建议，可帮助读者降低过拟合并提升生成质量。
Hugging Face 社区博客精选AI 评分6868 Hugging Face 发布 Whisper 多语言 ASR 微调教程
Hugging Face 发布使用 🤗 Transformers 对 Whisper 进行多语言语音识别（ASR）微调的分步教程。
推荐理由：完整给出从数据准备到训练和 Gradio 演示的代码流程，仅用 8 小时印地语数据把 WER 从 63.5% 降到 32%，方法可直接迁移到其他语言。
Hugging Face 社区博客精选AI 评分6060 Hugging Face 教程：从 PyTorch DDP 到 Accelerate 再到 Trainer 掌握分布式训练
Hugging Face 发布教程，以 MNIST 训练示例讲解三种抽象层级的分布式数据并行训练：PyTorch 原生 torch.distributed 与 DDP、Accelerate 的轻量封装、Transformers 的 Trainer API。
推荐理由：教程用同一个 MNIST 示例逐级展示三种分布式训练写法，读者可以按抽象层级选择适合自己项目的方案。
Hugging Face 社区博客精选AI 评分6060 Hugging Face Diffusers 教程：用 JAX/Flax 在 TPU 上运行 Stable Diffusion
Hugging Face Diffusers 自 0.5.1 版本起支持 Flax，官方博客教程演示如何用 JAX/Flax 在 Google TPU 上运行 Stable Diffusion 推理。
推荐理由：Hugging Face 官方教程，演示在 TPU 上用 JAX/Flax 跑 Stable Diffusion，8 卡并行约 7 秒生成 8 张图，可直接复现。
Hugging Face 社区博客精选AI 评分7171 Hugging Face 讲解 Accelerate 如何借助 PyTorch 加载和运行超大模型
Hugging Face 发布博客讲解 Accelerate 如何加载和运行超出单机内存的超大模型。核心做法是用 PyTorch meta device 创建空模型、用 infer_auto_device_map 自动计算 GPU、CPU 与磁盘的设备分配，并按分片加载权重，通过 hooks 在每次前向传播前后搬运权重。
推荐理由：原文逐层拆解 Accelerate 借助 PyTorch meta device 与分片加载运行超大模型的机制，并给出可在免费 Colab 复现的做法。
Hugging Face 社区博客精选AI 评分8888 Hugging Face 教你用 🧨 Diffusers 运行 Stable Diffusion 并自定义生成管线
Hugging Face 发布教程，讲解如何用 🧨 Diffusers 库运行 CompVis、Stability AI 和 LAION 推出的文生图模型 Stable Diffusion v1-4。
推荐理由：来自 Diffusers 团队的第一手教程，同时讲清 latent diffusion 三大组件原理，代码示例可直接复用于文生图管线。
Hugging Face 社区博客精选AI 评分7979 Hugging Face 详解 LLM.int8() 8 位量化在 transformers 中的集成与使用
Hugging Face 与 bitsandbytes 合作，将 LLM.int8() 8 位矩阵乘法完整集成到 transformers 和 accelerate 库，使 BLOOM-176B 等大模型推理显存占用减半且无性能下降。
推荐理由：文章由集成团队亲自讲解 LLM.int8() 的原理、异常值处理和 transformers 集成细节，并附基准数据与代码示例。
Hugging Face 社区博客精选AI 评分6161 Hugging Face 用 TensorFlow 与 XLA 加速文本生成，部分场景提速超 100 倍
Hugging Face 宣布 🤗 transformers 的 TensorFlow 文本生成现可通过 XLA 编译加速，某些场景提速超过 100 倍，在多数基准中比 PyTorch 更快，最高快达 9 倍。
推荐理由：Hugging Face 官方讲解如何用 jit_compile=True 加速 TensorFlow 文本生成，给出编译缓存机制、padding 技巧和实测数据，方法可直接复用。
Hugging Face 社区博客精选AI 评分6262 Hugging Face 教程：如何在 Twitter 上做情感分析（含代码与无代码方案）
Hugging Face 发布入门教程，讲解如何用 Inference API 对 Twitter 推文做情感分析，分 coder 与非 coder 两条路径。
推荐理由：教程同时给出代码和无代码两条路径，用 Tweepy 加 Inference API 分析 Notion 相关推文，方法可直接复用到其他品牌。
Hugging Face 社区博客精选AI 评分7373 Hugging Face 详解扩散模型：逐行实现 The Annotated Diffusion Model
Hugging Face 发布教程，基于 Ho et al. 2020 的 DDPM 论文和 Phil Wang 的实现，用 PyTorch 逐步拆解并实现去噪扩散概率模型。
推荐理由：原文从数学推导到完整 PyTorch 代码逐段拆解 DDPM，读者可以照此动手实现一个可训练的扩散模型。
Hugging Face 社区博客精选AI 评分6060 Hugging Face 深度强化学习课程 Unit 2 第二部分：Q-Learning 原理与从零实现
Hugging Face 深度强化学习课程发布 Unit 2 第二部分，讲解 Q-Learning 算法、Q-Function 与 Q-Table，以及 Epsilon Greedy 策略和 TD 更新，并区分 off-policy 与 on-policy。
推荐理由：课程官方教程用迷宫示例逐步拆解 Q-Learning 算法和 Q 表更新，读者可跟着 Colab 从零实现第一个 RL 智能体。
Lilian Weng：Lil'Log精选AI 评分5757 数据不足情况下的学习第二部分：主动学习
监督学习任务的性能依赖于高质量标注数据，但获取大量标注样本成本高昂。主动学习是一种在标注预算有限、但允许投入部分人工标注资源的条件下，应对标注数据不足的范式。其核心思路是智能地选择最具信息量的样本进行标注，以在有限预算内最大化模型性能的提升。该方法旨在解决当面临标注数据受限时，如何通过策略性采样来高效利用标注资源的问题。
推荐理由：这是 Lilian Weng 数据不足系列的第二篇，把主动学习的核心采样策略和实际权衡讲得很清楚，做数据标注和 ML 工程的同学值得复习一遍。
Hugging Face 社区博客精选AI 评分6565 如何用 Transformers 的不同解码方法生成文本
Hugging Face 发布教程，讲解在 Transformers 中使用不同解码方法进行语言生成。文章覆盖多种 decoding 方法的选择与使用方式，原文正文未能抓取，仅标题可用。
推荐理由：原文系统讲解 Transformers 中不同文本解码方法的用法与差异，读者可按需选择生成策略。
Lilian Weng：Lil'Log精选AI 评分5757 进化策略
进化策略是一种在目标函数解析形式未知或无法直接计算梯度时，用于优化模型参数的黑箱优化算法。它作为随机梯度下降的替代方案，适用于多种优化场景。文章介绍了模拟退火、爬山法、Nelder-Mead方法等经典进化策略，并探讨了该方法在深度强化学习中的应用。通过评估目标函数值而非依赖梯度信息，进化策略为复杂优化问题提供了有效路径。
推荐理由：这篇五年前的进化策略入门，至今仍是理解黑箱优化的最佳起点，Lilian Weng的笔法清晰，做RL的朋友可以当字典翻。
OpenAI：官网动态精选AI 评分6868 OpenAI 发布深度强化学习教育资源 Spinning Up in Deep RL
OpenAI 发布 Spinning Up in Deep RL，一套旨在让任何人学会成为深度强化学习熟练从业者的教育材料。资源包含清晰的 RL 代码示例、教育性练习、文档和教程。
推荐理由：OpenAI 自家发布的深度强化学习教育资源，代码示例、练习和教程齐全，适合想系统入门深度 RL 的开发者按图索骥。
Lilian Weng：Lil'Log精选AI 评分5555 策略梯度算法
该文章系统梳理了策略梯度算法的发展脉络，深入解析其工作原理，并详细介绍了从基础到前沿的多种算法，包括PPO、SAC、TD3、IMPALA等主流方法。文章自2018年起持续更新，陆续新增了D4PG、SVPG、PPG等新算法，并补充了关于PPO的最新讨论。文中还提供了韩语及中文等多个语言版本的翻译，便于不同读者参考。
推荐理由：这篇是当年策略梯度方法的“圣经”级综述，现在看虽然有些过时，但想理解PPO、SAC的来龙去脉还得从这儿啃起。