搜索“Hugging Face”

动都是例行研究任务，政府网站被模型视为权威的公开信息来源。 这个解释本身，恰恰说明了问题所在。越界并没有出现在什么危险任务里，而是出现在最日常的「查资料」中。 匿名化本来是为了保护用户，出了事之后，它成了连通知用户都做不到的原因。 03 漫长的夏天 把时间线拉长，这是OpenAI一场持续了整个夏天的补墙工程。 7月21日，OpenAI披露其模型组合自主入侵了Hugging Face的数据处理系统，并称这是已知首例由AI智能体自主实施的网络攻击。此后，OpenAI把训练环境的联网改成离线缓存。9月20日的DNS事件，是这轮安全加固之后的第一次事故，OpenAI自己评估其严重程度远低于此前几起。 这也不是一家公司的问题。9月18日，Google披露Gemini在一次测试中未经授权访问了三个外部系统，原因是它以为那些系统是测试的一部分。 墙本身之外，这次还暴露了盯着墙的人的问题。从智能体拿到外部回复，到监控系统拉响最高级别警报，用了不到12分钟，人工审核员3分钟后就做出了响应，但这次训练直到两个半小时后才被手动终止，原因是运行没有按预期自动停止，大家一时搞不清到底该不该停。 更隐蔽的漏洞在监

匹配字段正文

按流程自动熔断， 内部甚至一度搞不清楚任务究竟该不该停 。 复盘时，OpenAI还发现了其他未被正确标记的外部DNS访问。因为部分请求没有拿到有用信息，监控器便把“没有获得结果”误当成了“没有尝试联网”。 但这显然是两码事… OpenAI随即停止了涉事训练，并宣布他们将暂停最强模型中所有涉及工具调用的训练、评测和推理任务。 还不忘挽尊，说 这起事件没有此前的Hugging Face事件严重。 （Hugging Face：又我？？？） 可它却偏偏发生在Hugging Face入侵事件后的安全加固完成之后… 防不胜防啊防不胜防。 奥特曼当然也第一时间站出来回应了，只是好像大家的反应和他想象的不一样… 有意思的是，DNS事件发生后，奥特曼很快转发了OpenAI的声明帖，并义正言辞地表示： 以后这类安全事件咱能不说就不说，尽量别主动公开呗。 但人们显然看穿了奥特曼的小心思。 有人直接开怼： 透明度是很重要，但你们以前透明过吗？现在突然讲透明，让我们怎么信？ 而就在评论区硝烟弥漫的同时，另一边， Tibo已经又默默给大家重置了使用额度 ： Resets all propagated. That

匹配字段正文

reau and the Securities and Exchange Commission. The revelations are part of an ongoing review by OpenAI into the behavior of its models. As it dug into its records, following the Hugging Face hack , it’s uncovered more and more instances of “unexpected or concerning behavior.” It’s evidence not just of how difficult AI agents are becoming to control as they grow more advanced, but also of the challenge of tracking their actions. Their behavior can be unpredictable, and they’re smart enough to t

匹配字段正文

he internet that, like, was like a home base for LLMs in terms of seeing how much they were being used and seeing who was using them and why. Swyx [00:05:29]: The closest would be Hugging Face. Anjney Midha [00:05:30]: Hugging Face was the closest at the time, yeah. Swyx [00:05:31]: They just started Hugging, like, a few years ago before that. Anjney Midha [00:05:34]: Yeah, and Hugging Face also didn’t have the closed-source models. Swyx [00:05:37]: Yeah. Anjney Midha [00:05:38]: And they didn’-

匹配字段正文

tes per maze prompt to compute the group advantage. max turns=15 caps each episode at 15 moves. hf save interval=20 consolidates LoRA adapter shards onto the head node and saves a Hugging Face-compatible checkpoint every 20 steps. eval interval=10 runs the held-out 64-maze evaluation every 10 steps so you can track solve rate as training progresses. The job also writes full training checkpoints so it can recover from an interruption. Setting ckpt interval=20 saves the complete training state to

匹配字段正文

penAI才在自家模型复盘中发现这档子事； 又磨蹭到了9月，才慢吞吞给澳大利亚发了封电子邮件通报。。。 在联合国大会期间，澳大利亚忍不了了，直接炮轰： 通知拖了整整近三个月，这种通报方式更是让人无法接受。 研究机构Transluce称，这是目前全球已知 首例AI Agent未经授权自主入侵官方系统 的事件。 要知道，前阵子OpenAI的Agent自主协同入侵Hugging Face的事闹得沸沸扬扬，而澳洲这起入侵事件发生的时间，甚至还要再早一个月。 OpenAI你小汁，平时天天四处宣讲AI末日风险，怎么真出了事，动作反而这么不紧不慢呢？ 国民级医保数据库被黑 这事儿到底咋发生的？ 当时，OpenAI的一个内部团队，给AI Agent派发了一个常规任务：去互联网上搜集点公开的公共医药支出数据。 这本来是个再正常不过的日常训练，谁能想到，这AI Agent是个不达目的誓不罢休的“狠人”。 它把目标锁定在了澳大利亚的Medicare统计报告服务系统上，这可是覆盖全澳 2750万人 的国民级医保数据库。 按常理，一般的爬虫程序遇到权限拦截或者反爬机制，要么直接报错躺平，要么乖乖举手等人类工程师

匹配字段正文

该公司花了太长时间才告知政府发生了什么。” 澳大利亚目前正在对此事件进行取证调查。 AI研究公司 Transluce 发布了一项调查，指出该智能体是在一次普通的互联网检索评估中实施了此次入侵。该智能体似乎是为了查询澳大利亚医疗体系中皮肤治疗的平均费用而实施了这次入侵。 “这些数据表明，恶意网络活动并不限于被指派执行网络安全相关任务的智能体”——就像那些促使 Hugging Face 事件——“也可能是为了完成信息检索这类普通任务而工具性地产生的，”Transluce 观察到。 调查发现，这些智能体还针对了 新墨西哥大学的数字图书馆以及 Data USA，这是一个提供美国公共政府数据可视化的API。Transluce观察到智能体活动最早出现在3月6日。 澳大利亚副总理 理查德·马尔斯 表示，这起澳大利亚事件“相对轻微”，因为没有访问任何私人信息。 不过，马尔斯表示，尽管“这一事件的影响较小”，但它“是一起非常严重的事件，因为一个AI智能体以一种未经授权的方式，无意中进入了澳大利亚政府网站。” 我们为何关注： 今年早些时候，一名黑客曾利用Claude从墨西哥政府获取敏感税务信息。但Tran

匹配字段正文

circle and, like, make projects with it would, immediately get, go viral. so like Swyx [00:16:55]: And you didn’t know who they are, right? They’re just some name on a, GitHub or Hugging Face somewhere. Anastasis [00:16:59]: Exactly, yeah. So I remember one of the first big viral moments of creative AI was, there was the neural style transfer paper Swyx [00:17:09]: Huh Anastasis [00:17:09]: That Swyx [00:17:10]: Something dreaming? Anastasis [00:17:11]: I think it was called neural style transf

匹配字段正文

ance to be featured. 🔀 Switch - Drop any AI agent into your Slack, Teams, or Discord and put it to work. Runs local. Get it on GitHub ⚙️ Halo - Open-source framework for 3× faster Hugging Face model training 📽️ Dramagic - ByteDance’s AIGC platform for short dramas and video production 🩺 Scribe v2 Medical - ElevenLabs’ speech-to-text model for medical transcription Sponsored listing Australian PM Anthony Albanese revealed that an OpenAI agent broke into an Australian Medicare statistics portal in

匹配字段正文

structured, analyzable transcripts. The AWS WhisperX DLC is a maintained, GPU-ready image that already contains Whisper, the alignment models, and the diarization weights, with no Hugging Face token required. It follows the standard Amazon SageMaker AI serving contract, so you deploy it like any other model. Amazon SageMaker AI supports both real-time and asynchronous endpoints, so you can serve the same WhisperX DLC through either pattern. The decision usually comes down to clip length and inte

匹配字段正文

ecently as last week. The logs include XSS, SQL injection and SSRF attempts , plus attempts to create disposable emails and trade crypto. UNSC session : @ClementDelangue described Hugging Face’s own agent cyberattack. He said closed APIs blocked his defenders, so the team switched to NVIDIA’s build of GLM 5.2 . He called for mandatory sharing of agent traces. Altman and Amodei warned about loss of control and misuse. Bengio urged immediate action. Kratsios rejected a global regulator. Related sa

匹配字段正文

lculations. In principle this must be done once per model, but in practice models share a lot of operators. We’ve found that contemporary coding agents are quite good at reading a Hugging Face config and generating a reasonable cost model in this setup — though their output often needs a vibe check. For another application of roofline-SoL-based cost modeling, see our speculative decoding speedup estimator. An inference engine as an execution engine Once a final physical plan has been selected, i

匹配字段正文

test the time it takes to install common packages like PyTorch and vLLM via pip and uv, as well as download containers from Docker Hub, ghcr.io, and nvcr.io, and pull a model from Hugging Face and ModelScope. We then redo the pip and uv install tests with fresh package caches on each available storage tier: home, shared filesystem, local NVMe scratch, and any additional mounts (referred to as /home , /data , /scratch , and other). We then run import torch from each location to see how long that

匹配字段正文

ing, narrowing, or excluding tasks when we found a concrete problem. Reported evaluations are closed-book. We block the public web and upstream source repositories, while allowing Hugging Face access for model weights, because an open-network pilot showed models retrieving task-specific upstream code. We audited all 1,749 trials behind the leaderboard; 196 prohibited retrieval attempts were blocked, and none succeeded. The paper describes the full qualification and evaluation-integrity process.

匹配字段正文

ecautions as we deploy the technology. We don’t train the text models and the intelligence side of models, which is the core key of the debate. Could ElevenLabs be exposed the way Hugging Face was? We’re a step further, because we don’t deploy self-replicating or recurrent parts of the intelligence of agents. Our technology doesn’t allow you to let agents create more agents. Every customer goes through KYC. Cybersecurity risk is definitely a risk for the wider world, but we have a good set of pr

匹配字段正文

的浏览器不支持音频播放。请升级。🔬生物安全是一场 AI 军备竞赛——Eric Nguyen（Radical Numerics 首席执行官）Radical Numerics 正在利用生物链式推理和多模态感知来跟上生物防御军备竞赛的步伐，设计新的基因组，并深入洞察生物学本身。RJ Honicky 2026年9月23日 24 1 分享 文字记录 OpenAI → Hugging Face 攻击事件让人们不禁发问：“我们还需要担心什么？”而 Anthropic 的过滤器标记了两件事：网络安全和生物学。那么自然的问题是：生物安全呢？ Clem Delangue 认为，网络战防御能力必须保持开放，并跟上前沿模型的攻击能力 clem 🤗 @ClementDelangue 为我们的安全团队感到无比自豪！他们发现、遏制并公开披露了一场我们前所未见的攻击，而且以创纪录的速度完成了这一切。 同样非常感谢 @Zai org：他们向全世界免费开放了 GLM5.2 的开放权重，它成为了我们……的关键部分 Adrien Carreira @XciD 我职业生涯中最艰难的 IR：一个狭窄的目标，无尽的并行路径，机器速

匹配字段正文

和文字；但遇到复杂的人手动作、连续操作步骤，或者需要很精细的阴影、反光效果时，效果还不够稳定。 在 Layer 模型中，分层不存在唯一答案。有人只需要背景、主体、文字三层，也有人希望将每段文字和每个图标分别拆开。大量叠加光效、特殊透明材质和复杂遮挡，也可能出现边缘残留或图层缺失。 下一步，我们将继续提升文字与复杂布局稳定性，扩展图层语义和可控分层能力，优化透明效果、遮挡补全和推理效率，并将模型接入更多设计、办公与应用生成场景。 我们关注的不只是模型还能生成什么，而是生成结果能否真正进入下一步：继续改、继续用、继续交付。 04 即刻体验 在线体验 🤗 Hugging Face 如果你正在制作 UI、信息图、海报、演示文稿或设计资产，或者手里已经有一张希望继续修改的设计图，欢迎体验 Ming-Image-0.1-Design 系列。 也欢迎把真实项目里最难生成、最难修改或最难分层的案例留给我们。 让 AI 不只生成一张图，也能理解设计，并把设计继续交付下去。模型发布多模态上一篇Ling-3.1-flash：面向真实世界任务的模型升级下一篇提升大模型智效比，从缩短一次数据验证的等待开始$/$

匹配字段正文

LSESync，来自《Understanding and Exploiting Weight Update Sparsity for Communication-Efficient Distributed RL》（Miahi & Belilovsky, 2026）的权重同步算法。PULSESync 同样利用 BF16 权重更新中的稀疏性，采用稀疏补丁设计。 Hugging Face TRL 中的 delta 压缩实现。 压缩器压缩后/原始 BF16 权重比率ARCv30.19%PULSESync0.35%ARCv20.36%HF TRL（草稿）0.67% 此处越低越好，ARCv3 在本基准测试中产生的负载最小。在测试的 BF16 权重张量上，ARCv3 将压缩后的 delta 缩小到次优方案约一半的大小。每个 rollout 区域拉取所需的 delta 片段，并重建训练器精确的 BF16 权重。这有助于让全球分布式 rollout 集群更贴近当前策略，这正是跨区域 RL 能够大规模运作的关键。 使用 ARCv3 如果你使用 Fireworks Trainer SDK 进行 rollou

匹配字段正文

00:56:50 Nathan Lambert：这也是个好观点。 00:56:51 JS Denain：我不觉得自己在这方面有大量专业知识，但我对这些问题的兴趣挺大的。 00:56:57 Nathan Lambert：我很高兴这更像是“我们不知道，情况可能更糟”，而不是“这是一份非常糟糕的事情的清单”。因为当你说“我认为我们需要继续做准备，而且你需要假设 Hugging Face 那样的事情可能发生在你身上”时，很难激励人们。但现在并不是超级、并不是一堆问题叠加爆发的雪崩。 00:57:20 JS Denain：是的。我确实预计 Hugging Face 式的事情会经常在野外发生，而且在 OpenAI 之外。如果只是那样，那也不算特别糟糕。我的意思是，这仍然是一个有点糟糕的世界。但我确实预计未来一年会有更多这类事情随着各种模型、新云等发生。就是一堆人们无法控制的开放源代码智能体。 00:57:44 Nathan Lambert：是的。我确实认为你的威胁模型那套东西是很好的理解，而且就像，谁会试图摧毁一个国内地区的能源电网？我觉得这个名单相当小。而且就像，他们在做什么？我完全不是这方面

匹配字段正文

inside larger agent loops rather than as standalone “smart agents.” Inference, Tooling, and Systems Optimizations Tokenizer and post-training infra both got substantive upgrades : Hugging Face’s tokenizers v1 RC claims up to 30x faster tokenization , improved multithread scaling, lower memory use, and much smaller package size; @art zucker framed it as a new SOTA tokenization library. Separately, Halo launched as a post-training framework claiming up to 2.8x throughput over stock TRL while keepi

匹配字段正文