开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。
Hugging Face 发布开源库 Optimum，目标是让 Transformer 模型在特定硬件上高效训练和推理，并与硬件伙伴合作提供优化工具。首个合作案例是 Intel Neural Compressor，支持后训练量化、量化感知训练和动态量化，文中演示了如何用 Optimum 对 Intel Xeon CPU 上的模型做动态量化。
推荐理由：原文给出 Optimum 的定位、与 Intel Neural Compressor 的量化示例和后续硬件合作计划，读者可评估其对生产部署的用处。
OpenAI 发布开源的类 Python 编程语言 Triton 1.0，让没有 CUDA 经验的研究者也能编写高效 GPU 代码，多数情况下性能与专家手写代码相当。
推荐理由：官方发布 Triton 1.0，说明无 CUDA 经验的研究者也能写出接近专家水平的 GPU 代码，可关注其对研究工作流的影响。
Hugging Face 联合 Yandex Research 等机构介绍 DeDLOC 协同分布式训练方法，可自适应参与者的网络与硬件限制，并用 40 名志愿者通过互联网协同预训练了孟加拉语模型 sahajBERT。
推荐理由：原文给出 DeDLOC 协同训练方法与 sahajBERT 实测结果，读者可据此评估用志愿者算力预训练语言模型的可行性。
Hugging Face 宣布 Hub 集成 Sentence Transformers v2，Hub 上已有超过 90 个预训练模型、覆盖 100 多种语言。新增 feature-extraction 和句子相似度两个组件，并提供 Inference API 端点；用户可用 model.save_to_hub 一键分享模型，自动生成模型卡并按标签筛选发现模型。
推荐理由：官方介绍了 Sentence Transformers v2 与 Hub 的集成方式，读者可据此了解模型分享、演示组件和 API 的实际用法。
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 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。
OpenAI 发布 774M 参数的 GPT-2 语言模型，此前已分别于 2 月发布 124M 小模型、5 月分阶段发布 355M 中模型，并与合作伙伴及 AI 社区研究了模型的潜在滥用与社会效益。同时发布一份开源法律协议，便于机构间建立模型共享合作，并发布技术报告，总结与 AI 研究社区协调发布规范的经验。
推荐理由：OpenAI 官方说明分阶段放行 774M 模型的决策依据，并附上模型共享协议与发布规范报告，可了解其审慎发布策略。
OpenAI 发布 Spinning Up in Deep RL，一个面向大众的深度强化学习教育资源，目标是让任何人学会成为熟练的深度强化学习实践者。资源包含清晰的 RL 代码示例、教学练习、文档和教程。
推荐理由：OpenAI 官方推出的深度强化学习教育资源，包含代码示例、练习和教程，适合想系统入门该领域的读者。
OpenAI 发布完整版 Gym Retro，一个用于游戏强化学习研究的平台。公开游戏数量从约 70 款 Atari 游戏和 30 款 Sega 游戏扩展到超过 1,000 款，覆盖多种底层模拟器，并同时发布了用于向平台添加新游戏的工具。
推荐理由：原文给出游戏数量从约百款扩到超千款的具体变化，并附添加新游戏的工具，便于研究者评估平台适用性。
OpenAI 发布一类新的强化学习算法 Proximal Policy Optimization（PPO），性能与当时最先进方法相当或更好，且实现和调参更简单。凭借易用性和良好表现，PPO 已成为 OpenAI 的默认强化学习算法。
推荐理由：原文说明 PPO 性能可比肩或超过 SOTA 方法且更易实现调参，读者可据此了解它为何成为 OpenAI 默认强化学习算法。
OpenAI 发布 Universe，一个用于测量和训练 AI 通用智能的软件平台，覆盖全球的游戏、网站及其他应用程序。
推荐理由：原文给出 Universe 的定位是跨游戏、网站和应用测量与训练 AI 通用智能的平台，可据此了解其覆盖范围。
OpenAI 发布 OpenAI Gym 公开测试版，这是一个用于开发和比较强化学习（RL）算法的工具包。它包含一套持续扩充的环境（从模拟机器人到 Atari 游戏），并提供一个用于比较和复现结果的网站。
推荐理由：OpenAI 官方发布强化学习算法开发与比较工具包的公开测试版，读者可据此了解其环境套件与结果复现机制。