[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-huggingface--blog":3,"tool-huggingface--blog":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,2,"2026-04-10T11:13:16",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75435,"2026-04-12T23:10:18",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":76,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":80,"difficulty_score":29,"env_os":99,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":107,"updated_at":108,"faqs":109,"releases":140},5823,"huggingface\u002Fblog","blog","Public repo for HF blog posts","blog 是 Hugging Face 官方博客的开源仓库，旨在为社区提供一个集中发布和分享人工智能技术文章的平台。它解决了高质量 AI 技术内容分散、难以统一管理和展示的问题，让开发者、研究人员和技术写作者能够轻松贡献教程、研究解读或项目案例。\n\n无论是想分享深度学习心得的研究者，还是希望推广开源项目的开发者，都可以在此提交文章。blog 支持标准的 Markdown 写作流程，并具备多项实用特性：自动将文件名转化为文章 URL，简化发布步骤；内置 LaTeX 公式渲染，方便数学表达；支持嵌入 Gradio 交互式应用，让读者直接在文中体验模型效果；还提供响应式缩略图模板和高亮框组件，提升阅读体验。所有文章在合并 Pull Request 后会自动上线，无需额外部署。\n\n如果你熟悉 Git 工作流，乐于用文字传播知识，blog 就是你展示专业见解的理想场所。它不仅降低了技术博客的发布门槛，也促进了全球 AI 社区的交流与协作。","# The Hugging Face Blog Repository 🤗\nThis is the official repository of the [Hugging Face Blog](https:\u002F\u002Fhf.co\u002Fblog). \n\n**If you are an external contributor**: If your blog post is not a collaboration post with Hugging Face, please consider creating a [community blog](https:\u002F\u002Fhuggingface.co\u002Fblog-explorers) instead. Community blog posts appear on our blogs main page just like the blogs in this repository.\n\n## How to write an article? 📝\n1️⃣ Create a branch `YourName\u002FTitle`\n\n2️⃣ Create a md (markdown) file, **use a short file name**.\nFor instance, if your title is \"Introduction to Deep Reinforcement Learning\", the md file name could be `intro-rl.md`. This is important because the **file name will be the blogpost's URL**.\n\n3️⃣ Create a new folder in `assets`. Use the same name as the name of the md file. Optionally you may add a numerical prefix to that folder, using the number that hasn't been used yet. But this is no longer required. i.e. the asset folder in this example could be `123_intro-rl` or `intro-rl`. This folder will contain **your thumbnail only**. The folder number is mostly for (rough) ordering purposes, so it's no big deal if two concurrent articles use the same number.\n\nFor the rest of your files, create a mirrored folder in the HuggingFace Documentation Images [repo](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fdocumentation-images\u002Ftree\u002Fmain\u002Fblog). This is to reduce bloat in the GitHub base repo when cloning and pulling.\n\n🖼️: In terms of images, **try to have small files** to avoid having a slow loading user experience:\n- Use compressed images, you can use this website: https:\u002F\u002Ftinypng.com or https:\u002F\u002Fwww.iloveimg.com\u002Fcompress-image\n\n4️⃣ Copy and paste this to your md file and change the elements\n- title\n- thumbnail\n- authors\n```\n---\ntitle: \"PUT YOUR TITLE HERE\" \nthumbnail: \u002Fblog\u002Fassets\u002F101_decision-transformers-train\u002Fthumbnail.gif\nauthors:\n- user: your_hf_user\n- user: your_coauthor\n---\n\n# Train your first Decision Transformer\n\nYour content here [...]\n```\n\nWhen published, the Hub will insert the following UI elements right after the blogpost's main header (i.e. the line that starts with a single `#`, aka. the `\u003Ch1>`):\n\n- \"Published on [date]\"\n- \"Update on GitHub\" button\n- avatars of the authors that were listed in authors.\n\n5️⃣ Then, you can add your content. It's markdown system so if you wrote your text on notion just control shift v to copy\u002Fpaste as markdown.\n\n6️⃣ Modify `_blog.yml` to add your blogpost.\n\n7️⃣ When your article is ready, **open a pull request**.\n\n8️⃣ The article will be **published automatically when you merge your pull request**.\n\n## How to get a nice responsive thumbnail?\n1️⃣ Create a `1300x650` image \n\n2️⃣ Use [this template](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002Fmain\u002Fassets\u002Fthumbnail-template.svg) and fill the content part.\n\n➡️ Or select a background you like and follow the instructions in [this Figma template](https:\u002F\u002Fwww.figma.com\u002Ffile\u002FsXrf9VtkkbWI7kCIesMkDY\u002FHF-Blog-Template?node-id=351%3A39).\n\n\n## Using LaTeX\n\nJust add:\n\n```\n\\\\(your_latex_here\\\\)\n```\n\nFor instance:\n\n\n``` \\\\( Q(S_t, A_t) \\\\) ``` ➡️ $Q(S_t, A_t)$\n\n## How to Caption Figures\n\nA couple of alternatives:\n\n- Use a Markdown table [like here](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002Ffd611f6200391b865641c4e7a38e1ea47ec4bc6c\u002Fpref-tuning.md?plain=1#L31).\n- Use HTML, [like here](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002F0e6ebe5ca43d6408c20eddab1f5f3205d680f3aa\u002Fwatermarking.md?plain=1#L70-L73).\n\n## How to Use Highlight Boxes\n\nSee an example [in this PR](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fpull\u002F1180). This is to be used sparingly :)\n\n## Embed a Space\n\nJust add:\n\n```\n\u003Cscript\n\ttype=\"module\"\n\tsrc=\"https:\u002F\u002Fgradio.s3-us-west-2.amazonaws.com\u002F4.36.1\u002Fgradio.js\"\n>\u003C\u002Fscript>\n\n\u003Cgradio-app theme_mode=\"light\" space=\"derek-thomas\u002Fhugging-face-blog-assistant\">\u003C\u002Fgradio-app>\n```\n\nCode: [leaderboard-bigcodebench.md](leaderboard-bigcodebench.md)\n[Blog Example](https:\u002F\u002Fhuggingface.co\u002Fblog\u002Fleaderboard-bigcodebench#how-well-do-llms-perform-on-bigcodebench-%F0%9F%93%8A)\n\n## More Assistance\n\nYou can use the [community blog editor](https:\u002F\u002Fhuggingface.co\u002Fnew-blog) which has a preview function.\n\nOr check out this [assistant space](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fderek-thomas\u002Fhugging-face-blog-assistant) \nto help with rendering some tricky markdown blocks like:\n- Inserting caption figures with image tables\n- Tip formatting\n- Inserting clickable references\n \nDo give it a like if it was helpful.\n\n","# Hugging Face 博客仓库 🤗\n这是 [Hugging Face 博客](https:\u002F\u002Fhf.co\u002Fblog) 的官方仓库。\n\n**如果您是外部贡献者**：如果您的博客文章不是与 Hugging Face 合作撰写的，请考虑创建一个 [社区博客](https:\u002F\u002Fhuggingface.co\u002Fblog-explorers)。社区博客文章会像本仓库中的博客一样，显示在我们博客的首页上。\n\n## 如何撰写一篇文章？📝\n1️⃣ 创建一个分支 `YourName\u002FTitle`\n\n2️⃣ 创建一个 md（Markdown）文件，**请使用简短的文件名**。\n例如，如果您的标题是“深度强化学习简介”，那么 md 文件名可以是 `intro-rl.md`。这一点很重要，因为 **文件名将成为博客文章的 URL**。\n\n3️⃣ 在 `assets` 文件夹中创建一个新的子文件夹，名称与 md 文件名相同。您也可以选择在文件夹名前添加一个尚未使用的数字前缀，但现在已经不再强制要求了。也就是说，在这个例子中，资产文件夹可以是 `123_intro-rl` 或 `intro-rl`。该文件夹将仅包含 **您的缩略图**。文件夹编号主要是为了（大致）排序，因此即使两篇同时发布的文章使用了相同的编号，也无伤大雅。\n\n对于其余文件，请在 HuggingFace 文档图片 [仓库](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fdocumentation-images\u002Ftree\u002Fmain\u002Fblog) 中创建一个对应的镜像文件夹。这样做是为了减少克隆和拉取时 GitHub 主仓库的臃肿。\n\n🖼️：关于图片，请尽量使用**小文件**，以避免加载速度过慢：\n- 使用压缩后的图片，您可以使用以下网站：https:\u002F\u002Ftinypng.com 或 https:\u002F\u002Fwww.iloveimg.com\u002Fcompress-image\n\n4️⃣ 将以下内容复制并粘贴到您的 md 文件中，并修改相应的内容：\n- 标题\n- 缩略图\n- 作者\n```\n---\ntitle: \"在此处填写您的标题\" \nthumbnail: \u002Fblog\u002Fassets\u002F101_decision-transformers-train\u002Fthumbnail.gif\nauthors:\n- user: your_hf_user\n- user: your_coauthor\n---\n\n# 训练您的第一个决策 Transformer\n\n您的内容在这里 [...]\n```\n\n文章发布后，Hub 会在博客正文的主标题之后（即以单个 `#` 开头的那一行，也就是 `\u003Ch1>` 标签）自动插入以下 UI 元素：\n- “发表于 [日期]”\n- “在 GitHub 上更新”按钮\n- 列出的作者的头像。\n\n5️⃣ 接下来，您可以添加文章内容。由于使用的是 Markdown 系统，如果您已经在 Notion 中编写了文本，只需按住 Ctrl+Shift+V 即可将其以 Markdown 格式粘贴过来。\n\n6️⃣ 修改 `_blog.yml` 文件，以添加您的博客文章。\n\n7️⃣ 当您的文章准备就绪时，**请打开一个 Pull Request**。\n\n8️⃣ 您的文章将在 **合并 Pull Request 后自动发布**。\n\n## 如何制作一个美观且响应式的缩略图？\n1️⃣ 创建一张 `1300x650` 像素的图片\n\n2️⃣ 使用 [此模板](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002Fmain\u002Fassets\u002Fthumbnail-template.svg)，并填充内容部分。\n\n➡️ 或者选择您喜欢的背景，并按照 [此 Figma 模板](https:\u002F\u002Fwww.figma.com\u002Ffile\u002FsXrf9VtkkbWI7kCIesMkDY\u002FHF-Blog-Template?node-id=351%3A39) 中的说明操作。\n\n## 使用 LaTeX\n只需添加：\n```\n\\\\(your_latex_here\\\\)\n```\n例如：\n\n``` \\\\( Q(S_t, A_t) \\\\) ``` ➡️ $Q(S_t, A_t)$\n\n## 如何为图表添加说明文字\n有几种方法可供选择：\n\n- 使用 Markdown 表格，[就像这里](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002Ffd611f6200391b865641c4e7a38e1ea47ec4bc6c\u002Fpref-tuning.md?plain=1#L31)。\n- 使用 HTML，[就像这里](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002F0e6ebe5ca43d6408c20eddab1f5f3205d680f3aa\u002Fwatermarking.md?plain=1#L70-L73)。\n\n## 如何使用高亮框\n请参阅 [此 PR 中的例子](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fpull\u002F1180)。建议谨慎使用 :)\n\n## 嵌入 Space\n只需添加：\n```\n\u003Cscript\n\ttype=\"module\"\n\tsrc=\"https:\u002F\u002Fgradio.s3-us-west-2.amazonaws.com\u002F4.36.1\u002Fgradio.js\"\n>\u003C\u002Fscript>\n\n\u003Cgradio-app theme_mode=\"light\" space=\"derek-thomas\u002Fhugging-face-blog-assistant\">\u003C\u002Fgradio-app>\n```\n\n代码：[leaderboard-bigcodebench.md](leaderboard-bigcodebench.md)\n[博客示例](https:\u002F\u002Fhuggingface.co\u002Fblog\u002Fleaderboard-bigcodebench#how-well-do-llms-perform-on-bigcodebench-%F0%9F%93%8A)\n\n## 更多帮助\n您可以使用带有预览功能的 [社区博客编辑器](https:\u002F\u002Fhuggingface.co\u002Fnew-blog)。\n\n或者查看这个 [助手 Space](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fderek-thomas\u002Fhugging-face-blog-assistant)，它可以帮助您渲染一些复杂的 Markdown 块，例如：\n- 插入带图片表格的图表说明\n- 技巧格式化\n- 插入可点击的参考文献\n\n如果对您有所帮助，请点个赞吧。","# Hugging Face Blog 开源工具快速上手指南\n\n本指南帮助开发者快速向 [Hugging Face Blog](https:\u002F\u002Fhf.co\u002Fblog) 贡献技术文章。该仓库采用静态 Markdown 构建，合并 PR 后自动发布。\n\n## 环境准备\n\n*   **系统要求**：支持 Git 的任何操作系统（Windows, macOS, Linux）。\n*   **前置依赖**：\n    *   已安装 [Git](https:\u002F\u002Fgit-scm.com\u002F)。\n    *   拥有 [Hugging Face](https:\u002F\u002Fhuggingface.co\u002F) 账号。\n    *   文本编辑器（推荐 VS Code）或支持 Markdown 的笔记工具（如 Notion）。\n*   **网络建议**：由于仓库托管在 GitHub，国内用户建议配置代理或使用加速镜像克隆仓库，以确保拉取速度。\n\n## 安装与分支设置\n\n无需复杂的本地构建环境，只需克隆仓库并创建分支即可开始写作。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog.git\n    cd blog\n    ```\n\n2.  **创建开发分支**\n    请遵循 `你的名字\u002F文章标题简写` 的格式创建分支。\n    ```bash\n    git checkout -b YourName\u002FTitle\n    ```\n\n## 基本使用流程\n\n### 1. 创建文章文件\n在根目录下新建一个 `.md` 文件。**文件名必须简短且使用英文**，因为它将直接作为文章的 URL 路径。\n*   示例：若标题为 \"Introduction to Deep Reinforcement Learning\"，文件名为 `intro-rl.md`。\n\n### 2. 配置文章元数据\n复制以下模板到你的 `.md` 文件头部，并修改 `title`、`thumbnail` 和 `authors` 字段。\n\n```markdown\n---\ntitle: \"在此填写你的文章标题\" \nthumbnail: \u002Fblog\u002Fassets\u002F101_decision-transformers-train\u002Fthumbnail.gif\nauthors:\n- user: your_hf_user\n- user: your_coauthor\n---\n\n# 在此填写文章主标题 (H1)\n\n你的正文内容 [...]\n```\n> **注意**：发布后，系统会自动在 H1 标题下方插入发布日期、GitHub 更新按钮及作者头像。\n\n### 3. 管理图片资源\n为了保持主仓库轻量，图片需分两处存放：\n\n*   **缩略图 (Thumbnail)**：\n    1.  在 `assets` 文件夹下新建子文件夹，名称与你的 `.md` 文件名一致（可选加数字前缀排序，如 `123_intro-rl`）。\n    2.  仅将**缩略图**放入此文件夹。\n    3.  **尺寸要求**：推荐 `1300x650` 像素。可使用官方 [SVG 模板](https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fblob\u002Fmain\u002Fassets\u002Fthumbnail-template.svg) 或 [Figma 模板](https:\u002F\u002Fwww.figma.com\u002Ffile\u002FsXrf9VtkkbWI7kCIesMkDY\u002FHF-Blog-Template?node-id=351%3A39) 制作。\n    4.  **优化**：务必压缩图片（推荐 [TinyPNG](https:\u002F\u002Ftinypng.com)），以提升加载速度。\n\n*   **正文图片**：\n    请将其他所有插图上传至独立的 [HuggingFace Documentation Images](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fhuggingface\u002Fdocumentation-images\u002Ftree\u002Fmain\u002Fblog) 仓库，并在文章中使用绝对链接引用，避免主仓库体积膨胀。\n\n### 4. 编写内容\n*   **格式**：标准 Markdown。如果你使用 Notion 写作，可直接 `Ctrl+Shift+V` 粘贴为 Markdown。\n*   **LaTeX 公式**：使用 `\\\\( ... \\\\)` 包裹公式。\n    ```markdown\n    \\\\( Q(S_t, A_t) \\\\)\n    ```\n*   **嵌入 Space**：可嵌入 Gradio 应用。\n    ```html\n    \u003Cscript\n    \ttype=\"module\"\n    \tsrc=\"https:\u002F\u002Fgradio.s3-us-west-2.amazonaws.com\u002F4.36.1\u002Fgradio.js\"\n    >\u003C\u002Fscript>\n\n    \u003Cgradio-app theme_mode=\"light\" space=\"derek-thomas\u002Fhugging-face-blog-assistant\">\u003C\u002Fgradio-app>\n    ```\n\n### 5. 注册文章\n打开根目录下的 `_blog.yml` 文件，添加你的新文章条目以使其出现在博客列表中。\n\n### 6. 提交与发布\n1.  提交更改并推送到远程分支。\n    ```bash\n    git add .\n    git commit -m \"Add new blog post: [Your Title]\"\n    git push origin YourName\u002FTitle\n    ```\n2.  在 GitHub 上发起 **Pull Request**。\n3.  **自动发布**：当你的 PR 被合并（Merge）后，文章将自动发布到 Hugging Face Blog。\n\n---\n*提示：如需预览效果或使用辅助工具生成复杂的表格\u002F提示框，可使用 [Community Blog Editor](https:\u002F\u002Fhuggingface.co\u002Fnew-blog) 或 [Blog Assistant Space](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fderek-thomas\u002Fhugging-face-blog-assistant)。*","某 AI 研究团队希望将最新的“决策 Transformer\"训练成果转化为技术博客，向社区展示模型性能并分享复现代码。\n\n### 没有 blog 时\n- **发布流程繁琐**：需手动配置服务器或等待编辑部排期，从投稿到上线往往耗时数周，严重滞后于研发进度。\n- **内容格式受限**：难以在文章中直接嵌入可交互的 Gradio 演示空间或渲染复杂的 LaTeX 数学公式，导致技术细节表达不清。\n- **资产维护困难**：图片压缩、缩略图尺寸规范及文件存储路径缺乏统一标准，容易因图片过大导致加载缓慢或链接失效。\n- **作者归属模糊**：缺乏自动化的作者头像与简介展示机制，团队成员的贡献度无法在页面上直观呈现。\n\n### 使用 blog 后\n- **发布即时自动化**：研究员只需创建分支、编写 Markdown 并提交 Pull Request，合并后系统自动立即发布，实现“代码即文章”。\n- **富媒体原生支持**：直接通过简单代码块嵌入 Hugging Face Spaces 交互应用和 LaTeX 公式，让读者能边读边体验模型效果。\n- **规范内置且高效**：提供标准的缩略图模板与外部大文件存储方案，引导作者自动压缩图片，确保页面加载流畅且视觉统一。\n- **元数据自动渲染**：仅需在文件头部配置作者用户名，系统自动生成发布日期、更新按钮及作者头像列表，彰显团队专业度。\n\nblog 将技术分享从沉重的运维负担转变为简单的 Git 工作流，让 AI 研究者能专注于内容本身，实现研究成果的秒级全球同步。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhuggingface_blog_3a947ef3.png","huggingface","Hugging Face","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhuggingface_90da21a4.png","The AI community building the future.",null,"https:\u002F\u002Fhuggingface.co\u002F","https:\u002F\u002Fgithub.com\u002Fhuggingface",[84,88,92],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",99.7,{"name":89,"color":90,"percentage":91},"Python","#3572A5",0.3,{"name":93,"color":94,"percentage":95},"TypeScript","#3178c6",0.1,3370,994,"2026-04-09T02:37:37","","未说明",{"notes":102,"python":100,"dependencies":103},"该工具是 Hugging Face 博客的静态内容仓库，并非需要安装运行的软件程序。用户只需创建 Markdown 文件、资源文件夹并修改配置文件，然后通过 GitHub Pull Request 提交即可。图片需压缩以保证加载速度，缩略图建议尺寸为 1300x650 像素。支持在文章中使用 LaTeX 公式、嵌入 Gradio Space 以及使用特定的 HTML\u002FMarkdown 格式进行排版。",[],[18],[106],"hacktoberfest","2026-03-27T02:49:30.150509","2026-04-13T19:00:08.578398",[110,115,120,125,130,135],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},26389,"如何在 TensorFlow 中从头开始训练语言模型？","目前所有相关的教程笔记本（notebooks）都已更新并支持最新功能。虽然早期的示例主要基于 PyTorch，但 `datasets` 库中的 `to_tf_dataset` 方法已合并到主分支，可以直接用于构建 TensorFlow 数据管道。您可以直接使用原生 TensorFlow 笔记本进行训练，无需再使用隐藏分支。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fissues\u002F137",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},26390,"博客或特定模型\u002F数据集账号是否有 RSS 订阅源？","用户强烈建议添加 RSS 支持。目前社区博客帖子可以通过类似 `https:\u002F\u002Fhuggingface.co\u002Fblog\u002Fcommunity` 的地址访问，而特定账号的模型或数据集发布可以通过构造 URL 获取 feed，例如：`https:\u002F\u002Fhuggingface.co\u002F[用户名]\u002Ffeed.xml`（如 `https:\u002F\u002Fhuggingface.co\u002FUndi95\u002Ffeed.xml`）。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fissues\u002F42",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},26391,"在语音识别管道中，Tokenizer、Feature Extractor、Processor 和 Decoder 之间有什么区别？","它们的职责划分如下：\n1. **Tokenizer**：负责文本与 input_ids 之间的转换（在反向过程中可能包含 n-gram 语言模型逻辑）。\n2. **Feature Extractor**：负责音频与张量（tensor）之间的转换。\n3. **Processor**：是上述两者的包装器，便于在不使用管道时共享代码片段。\n4. **Model**：执行张量到张量的逻辑（输入数据张量，输出 logits）。\n5. **Decoder**：实际的語言模型（如 n-gram）通常位于此处，用于将模型输出解码为最终文本，它与 Tokenizer 是不同的组件。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fissues\u002F581",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},26392,"在哪里可以找到用于复现评估的配置文件或代码？","可以使用 `lighteval` 配合 FineWeb 设置来复现评估。具体的任务配置代码可以在以下地址找到：`https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FHuggingFaceFW\u002Ffineweb\u002Fblob\u002Fmain\u002Flighteval_tasks.py`。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fissues\u002F2256",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},26393,"微调 Whisper 模型时，为什么需要在标签（labels）中添加 EOS token？","如果不添加 EOS（End of Sequence）token，模型将无法知道何时停止生成文本。对于非英语语言的微调，需要加载多语言检查点（multilingual checkpoint），并在 `processor` 中正确设置语言参数。如果数据量较小（例如 50 小时增强到 500 小时），且目标语言在 Whisper 预训练的 96 种语言之内，通常不需要大量的微调即可收敛。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fissues\u002F641",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},26394,"使用多语言 Whisper 微调时遇到关于语言检测和翻译默认行为的报错怎么办？","这是由于 transformers 库的修复导致的预期行为变化：多语言 Whisper 现在默认先进行语言检测再进行转录，而不是直接翻译成英语。如果您希望始终将音频翻译成英语，必须在代码中显式传递参数 `language='en'`。此外，如果遇到输出为空的问题，请检查是否有复制粘贴错误，并适当减少评估步数（evaluation steps）以便更快发现错误。","https:\u002F\u002Fgithub.com\u002Fhuggingface\u002Fblog\u002Fissues\u002F1948",[]]