非常高兴地宣布，我将加入 🤗 @huggingface，担任专注于 #WebML 的 #机器学习工程师！

1,000,000 🤗

完美的星期天：我刚刚使用 @Kimi_Moonshot 的 Kimi-K2 来为 @Gradio 应用程序编写代码！🔥 你可以免费使用 @_akhaliq 在 @huggingface 上托管的 "Anycoder" 空间。速度非常快！🤗 PS：我知道用 Gradio 来编写另一个 Gradio 的代码！这里的双关语非常到位！😂

我们决定 (1) 让 Cline 开源和 (2) 不将推理转售作为我们的商业模式，原因如下： 当你控制推理（AI 模型调用），而我们构建系统（指挥这些调用的系统）时，双方都无法掩盖发生的事情。 你可以清楚地看到调用了哪些模型，使用了多少上下文，做出了什么决策。我们无法悄悄降低性能以提高利润，因为你是直接支付给推理提供者的。 这种分离意味着只有当 Cline 变得更强大时，我们才能成功。不是当我们找到巧妙的方法来减少你的代币使用。不是当我们在不告诉你的情况下转向更便宜的模型。不是当我们人为限制上下文窗口。 结果是：Cline 为每个任务使用正确的模型（由你定义），通过 MCP 集成你需要的任何工具，并在没有任意限制的情况下运行。你获得纯粹、未经过滤的 AI 能力访问。 我们这样构建是因为当激励机制正确对齐时，你不需要信任我们。架构本身保证我们朝着同一个目标努力：尽可能强大的 AI 编码体验。 底线是，Cline 为你提供最佳模型的最佳性能，毫无疑问。

在我们内部的“硬”差异编辑基准测试中，对于之前在差异编辑中失败的前沿模型（在我们更新差异算法之前），Kimi 超过了 Claude 3.5。 在接下来的几周内，看到我们“噩梦难度”基准测试的结果将会很有趣。

我想指出，对于现实世界的任务（而非基准测试），Kimi K2 的表现优于 Gemini。 这是所有 @cline 用户的遥测数据，显示了不同的编辑失败率。注意 Kimi 的失败率约为 6%，这明显优于 Gemini 的 ~ 10% 错误率。 值得注意的是，Kimi 在本周的大部分时间里甚至超过了 Claude 4，达到了低于 4% 的失败率！

在 Hugging Face 🤗 Scott @GoingBallistic5 和我有机会拜访并见到开源 AI 背后的热情思想者之一。 非常感谢 @AractingiMichel、@AdilZtn 和 @huggingface、@LeRobotHF 团队的热情欢迎！ 完整的参观

以下是如何在 Cline 中使用 @huggingface 提供者的方式 🤗 （线程）

🎶 认识音频火烈鸟 3 – 一个完全开放的 LALM，经过声音、语音和音乐数据集的训练。 🎶 处理 10 分钟的音频、长文本和语音对话。非常适合音频问答、对话和推理。 在 @huggingface ➡️ 来自 #NVIDIAResearch.

Smart Turn v2：开源，支持14种语言的本地音频转弯检测。 新的开源、开放数据、开放训练代码的语义VAD模型在@huggingface、@FAL和@pipecat_ai上发布。 - 推理速度提高3倍（在L40上为12毫秒） - 14种语言（比仅支持英语的v1多出13种） - 新的合成数据集`chirp_3_all`，包含约163k音频样本 - 在保留的`human_5_all`测试数据上达到99%的准确率 良好的转弯检测对语音代理至关重要。该模型“理解”语义和音频模式，并减轻语音AI在不必要的转弯延迟与代理在对方未说完之前打断之间的权衡。 @modal_labs和本地训练的训练脚本都在代码库中。我们希望尽可能简化对该模型的贡献或自定义！ 这是一个使用默认设置运行smart-turn模型的演示，旨在总体达到400毫秒的转弯检测时间。您也可以调整设置以提高速度。 您可以通过贡献数据、进行架构实验或清理开源数据来帮助我们！继续阅读...