大型科技公司是否有可能將其龐大 GPU 集群上未使用的運算時間「捐贈」給開放科學和開源 AI 開發者？這樣累積起來可能會變成可觀的資源，讓它們得到良好的利用？

Qwen 煮熟了 - 超越 Kimi K2，並且在 25% 的總參數上與 Claude Opus 4 競爭 🤯

這不是一個小更新。這是巨大的！請給我們每個模型都這樣做，Qwen 團隊🙏

我們剛剛釋出了 100 多個中間檢查點以及 SmolLM3-3B 訓練的訓練日誌。 我們希望這對於從事機械解釋、訓練動態、強化學習及其他主題的研究人員有所幫助 :) 訓練日誌： -> 通常的訓練損失（損失的差距是由於混合的變化），梯度範數等。 -> 每層/區塊的指標（l1/l2 範數、平均值、最小值、最大值、峰度） 檢查點： -> 每 40k 步進行預訓練（94.4B 令牌） -> 每 4k 步進行長上下文擴展（9.4B 令牌） -> 後訓練：SFT、中期訓練、APO 湯、LC 專家

500k 範例的多語言後訓練數據，涵蓋 5 種語言：法語、西班牙語、意大利語、德語和葡萄牙語。 為了解決多語言後訓練數據集的不足，我們創建了這些範例，並發現它們在 Global MMLU、Belebele 和 Multi-IF 等基準測試中提高了性能。

非常高興地宣布，我將加入 🤗 @huggingface 擔任專注於 #WebML 的 #機器學習工程師！

1,000,000 🤗

完美的星期天：我剛剛使用 @Kimi_Moonshot 的 Kimi-K2 來為 @Gradio 應用程式進行 vibe coding！🔥 你可以免費使用 @_akhaliq 在 @huggingface 上托管的 "Anycoder" Space。這真的很快！🤗 附註：我知道使用 Gradio 來 vibe coding 另一個 Gradio！這裡的雙關語非常到位！😂

這就是我們決定 (1) 讓 Cline 開源以及 (2) 不將推理轉售納入我們商業模式的原因： 當你控制推理（AI 模型調用）而我們構建了控制系統（指導這些調用的系統）時，雙方都無法隱瞞發生了什麼。 你可以清楚地看到調用了哪些模型，使用了多少上下文，做出了什麼決策。我們無法悄悄降低性能來提高利潤，因為你是直接支付給推理提供者的。 這種分離意味著只有當 Cline 變得更強大時我們才會成功。不是當我們找到巧妙的方法來減少你的代幣使用。不是當我們在不告訴你的情況下路由到更便宜的模型。不是當我們人為限制上下文窗口。 結果是：Cline 為每個任務使用正確的模型（由你定義），通過 MCP 集成你需要的任何工具，並在沒有任意限制的情況下運行。你獲得純粹、未經過濾的 AI 能力訪問。 我們這樣構建是因為當激勵正確對齊時，你不需要信任我們。架構本身保證我們朝著同一目標努力：實現最強大的 AI 編碼體驗。 底線是 Cline 為你提供最佳模型的最佳性能，毫無疑問。

這是您如何在 Cline 中使用 @huggingface 提供者的方式 🤗 （線程）