Hugging Face 开源社区动态：热门模型与数据集、排行榜变化与开源生态的晴雨表。
Gradio 2.0 发布，可用 1 行代码加载并使用 Hugging Face Model Hub 上超过 10,000 个模型并生成 GUI。默认走 Hugging Face 托管 Inference API（可自带 API key 或无 key 公共访问），也可 pip install transformers 在本地运行模型。
推荐理由：原文给出用 1 行代码为 Hugging Face 模型搭 GUI 的方法，还支持多模型并行或串联组合，可直接上手复用。
Hugging Face 发布开源库 Accelerate，让 PyTorch 用户只需在训练脚本中添加约五行代码，即可在多 GPU（单机或多节点）、TPU 及混合精度等任意分布式设置下运行，同时保留对训练循环的完全控制。
推荐理由：官方发布 Accelerate 库，用五行代码改造 PyTorch 训练脚本即可适配多 GPU、TPU 和混合精度，附代码示例和 CLI 启动器。
Hugging Face 发布长文解读 BigBird 的块稀疏注意力，说明其如何用全局、滑动和随机三种注意力近似 BERT 的全注意力，从而以更低计算成本处理最长 4096 的序列。
推荐理由：原文用伪代码和图示拆解 BigBird 的全局、滑动、随机三种注意力，读者可以借此理解块稀疏注意力的实现细节。
Hugging Face 与 PyTorch / XLA 集成，让用户在 Cloud TPU 上训练 Transformers 时保持原有 Trainer 接口不变。
推荐理由：原文解释了 PyTorch / XLA 的惰性执行与编译缓存机制，并给出在 Cloud TPU 上训练 Transformers 的完整示例和基准数据。
Hugging Face fellow Stas Bekman 介绍 transformers v4.2.0 起通过 --deepspeed 和 --sharded_ddp 参数实验性支持 DeepSpeed 与 FairScale 的 ZeRO 特性。
推荐理由：作者用同一套 t5 基准实测六种配置，读者可以直接对照表格选择适合自己 GPU 数量的 ZeRO 方案。
Hugging Face 博客系统讲解自回归语言生成的主要解码策略，包括 Greedy search、Beam search、Sampling、Top-K 和 Top-p（nucleus）采样，并用 GPT-2 在 transformers 库中给出可直接运行的代码示例。
推荐理由：原文用 GPT-2 实例逐一演示 greedy、beam、Top-K、Top-p 等解码策略的参数写法与效果差异，方法可直接迁移到自己的生成任务。
Hugging Face 发布教程，演示用 transformers 和 tokenizers 从零训练 84M 参数的 RoBERTa 风格模型 EsperBERTo，并微调到世界语词性标注任务。
推荐理由：Hugging Face 官方教程完整走通从语料、分词器到预训练和下游微调的全流程，步骤和代码可直接复用到其他低资源语言。