每一周，咱们的共事都会向社区的成员们公布一些对于 Hugging Face 相干的更新，包含咱们的产品和平台更新、社区活动、学习资源和内容更新、开源库和模型更新等，咱们将其称之为「Hugging News」，本期 Hugging News 有哪些乏味的音讯，快来看看吧！
产品更新
Paper Pages 大更新
咱们正在持续加深与预印本平台 (arXiv.org) 的单干和集成，除了能够在论文页面间接找到 Hugging Face 上的 Space 利用以外，咱们又为 Hugging Face Hub 上线了一个论文页面，比方: https://hf.co/papers/2211.05100
你还能够通过论文编号查问模型、数据集和 Space 利用，也能够在模型和数据集页面间接拜访到论文页面:
与此同时，如果你是某个论文的作者之一，你还能够在 Hugging Face 的论文页面来“认领”和关联你的 Hugging Face 账号。
用户的集体页面也会显示本人的论文:
快来试试看吧！
Docker ❤️ HuggingFace
你能够在 Spaces 中应用 Docker SDK 来构建你的机器学习利用。上一周，咱们还公布了一项与 Docker 的单干，当初你能够将你的 Space 利用一键应用 Docker 部署到其余环境中啦！
Hub 对 ipynb 文件 (Jupyter Notebook) 的两个重要更新
Hub 的页面当初能够间接渲染 .ipynb 文件 (Jupyter Notebook) 啦，除此之外，咱们还与 Google Colab 团队单干，当初 Colab 能够间接关上托管在 Hugging Face Hub 上的 .ipynb 文件啦：
Zapier 平台退出对 Hugging Face 的集成反对
Zapier 是一个自动化工作平台，而无需编写任何代码即可疾速自动化很多业务流程。通过与 Hugging Face 的集成，你能够应用将任意其余工作流程与 Hugging Face 提供的 AI 模型能力联合。快来试试看吧:
https://zapier.com/apps/hugging-face/integrations
社区活动
Gradio 创意主题构建大赛
Gradio 团队发动了一个主题构建黑客松流动，快来参加吧！本次和黑客松流动为期两周，你能够施展创意和脑洞任意构建有意思的 Gradio 主题。上面有一个视频来简略介绍如何上手制作一个主题:
https://www.bilibili.com/video/BV1Xv4y1H7it/
如果你想参加，请在这个页面查看参加办法:
https://hf.co/Gradio-Themes
也能够在这个 Space 利用里查看他人做的主题:
https://hf.co/spaces/gradio/theme-gallery
开源库更新
bloomz.cpp 让你在 Mac 和手机上运行 BLOOM 模型
bloomz.cpp 是一个用纯 C/C++ 实现 Hugging Face 的 BLOOM 系列模型推理的代码库。它建设在 @ggerganov 的 llama.cpp 库之上，反对应用 BloomForCausalLM.from_pretrained() 加载的所有模型。库还反对高级用法，能够进行更具体的设置和自定义操作。
GitHub 地址: https://github.com/NouamaneTazi/bloomz.cpp
The Stack 数据集 v1.2 正式版公布
The Stack 是 BigCode 我的项目的一部分，这是一个蕴含了 300 种编程语言的开源代码数据集。
数据集页面: https://hf.co/datasets/bigcode/the-stack
Common Voice 13 数据集现已「登陆」Hugging Face
Common Voice 的多语言数据集是最大的公开语音数据集，Mozilla 置信，一组大型、可公开应用的语音数据集，将可促成基于机器学习的语音技术的翻新，与衰弱的商业竞争。目前，Common Voice 13 数据集曾经在 Hugging Face Hub 上公布，借助 Datasets 库，你只须要几行代码就能够应用它。
数据集页面: https://hf.co/datasets/mozilla-foundation/common_voice_13_0
TRL v0.4.1 公布
TRL (Transformer Reinforcement Learning) 是一个用于训练具备加强学习的 Transformer 语言模型的库，可与🤗transformers 集成。它反对应用 Proximal Policy Optimization（PPO）优化解码器模型，例如 GPT-2、BLOOM、GPT-Neo。
0.4.1 版本更新包含反对大型模型训练、繁难 pipeline 并行、peft 数据并行反对，以及分布式训练的谬误修复。繁难管道并行反对大规模模型在训练设置中进行拟合，以便在这些模型上利用 RLHF。此性能应用 peft 训练适配器，同时利用 bitsandbytes 来缩小流动模型的内存占用。通过修复与 peft 集成和 DP 相干的谬误，反对多 GPU 训练。此外，对于 PyTorch 2.0 的公布，本次更新还包含一些小的修复。
GitHub 地址: https://github.com/lvwerra/trl
祝大家有一个欢快的周末，咱们下周见！