与多模态创作有关的模型、数据集、评测与开源实践。
Hugging Face 发布 Open TTS Leaderboard，用客观指标评估开放源码 TTS 模型的可懂度、速度和说话人相似度，并覆盖多语言与语音克隆场景。排行榜使用 WER/CER、RTFx、TTFA 和 SIM，支持在 H200 GPU 与 CPU 上比较流式性能，并提供 Listen 标签页供用户试听和投票。
推荐理由：该排行榜把 WER/CER、推理速度和说话人相似度纳入统一评测，并保留试听投票，便于比较开放源码 TTS 在多语言和流式场景中的取舍。
H 公司发布 Holo4 系列智能体模型，含 27B dense 与 35B-A3B MoE 两个版本，并推出基于 Nemotron 3 Nano Omni 的 Holotron4 Nano，均已上线 H Models API，权重以 BF16、FP8、NVFP4 和 4-bit GGUF 在 Hugging Face 开放。
推荐理由：Holo4 给出跨 GUI、代码、MCP 与 API 的统一智能体方案，并公开轨迹与权重，便于评估开源电脑操作智能体的成本与能力边界。
H Company 发布 NeoMME 多模态多语言编码器，提供 260M 和 800M 两种规模，并以单一双向 Transformer 同时处理文本 token 与原始图像 patch。
推荐理由：NeoMME把多模态编码与视觉文档检索结合，给出模型规模、检索质量、吞吐和索引压缩之间的可复用权衡。
作者用 TRL 和 OpenEnv 复现了 Surya Narreddi 让语言模型通过 p5.brush 写 JavaScript 画水彩的思路，参考池、RL 环境、训练脚本和训练好的模型全部开源，整条流程跑在 Hugging Face 上。
推荐理由：完整公开了一套用 RL 训练模型写代码作画的流程与全部产物，可借鉴其奖励设计与环境搭建思路。
Voice Arena 与 Hugging Face 合作，在 Open ASR Leaderboard 上新增 Monsoon en-IN 和 Monsoon hi-IN 两个评测集，印地语成为该多语言标签页上的首个印度语言。
推荐理由：公开 ASR 榜单首次纳入印地语与印度英语，并公开说话人元数据与格参考，可用于判断语音模型的地域偏差。
Hugging Face 在 Gradio 中推出 gr.Workflow，把多步 AI 管线描述为带类型端口的节点图，Gradio 直接提供可拖拽画布，每个节点可运行、每个中间结果可见，同一张图同时是 REST API 并可一键部署到 Hugging Face Spaces。
推荐理由：原文给出 gr.Workflow 的节点类型与多端点 API 用法，可据此判断多步生成管线如何一次搭好并直接调用。
Hugging Face 的最新研究提出三项测试，用于量化语音识别模型针对公开基准进行优化的程度，并评估了 11 个常用开源 ASR 模型。
推荐理由：研究把参考文本错误、静音数字和拼写切换转化为三项可量化测试，为语音模型选型和评测集设计提供了具体方法。
Diffusers 0.40.0 发布，新增 LTX-2.5、MiniMax-H3、MiniMax Music 3、Stable Audio 3、Wan-Animate-2、JoyAI-Image-Edit-Plus 等管线，Modular Diffusers 结束实验阶段转为稳定支持。
推荐理由：Diffusers 0.40.0 的发布说明列出了新增视频与音频管线、张量并行和量化后端，可据此判断多模态生成与部署选型。
Hugging Face Blog介绍了用 Strands Robots、LeRobot 和 Hugging Face Storage Buckets 构建机器人数据流闭环的方法。
推荐理由：文章展示了机器人示范采集、增量同步、远程流式训练和硬件部署如何串成闭环，并交代了桶存储的审计与安全边界。
Hugging Face 在 Diffusers 中引入 Nunchaku Lite，可直接用 from_pretrained() 加载 Nunchaku 的 SVDQuant 4-bit 检查点，无需自定义 pipeline 或本地 CUDA 编译。
推荐理由：原文给出 Nunchaku Lite 在 Diffusers 中的加载方式、显存与延迟数据，可据此判断消费级 GPU 跑扩散模型的量化选型。
Pollen Robotics 发布 Grabette，一套用手持夹爪记录机器人操作数据的开源系统，可将演示自动处理为 LeRobot 数据集并上传到 Hugging Face Hub。
推荐理由：文章给出了从手持采集到 LeRobot 数据集的完整流程，以及硬件成本和示例训练链路，便于评估机器人数据采集的落地门槛。
Thinking Machines 在 Hugging Face 发布 Inkling，一个约 1T 参数、支持 1M 上下文、原生接收图像文本音频输入的多模态 MoE 开源模型，同时发布 276B 总参数 12B 激活的 Inkling-Small。
推荐理由：可据此了解首个约1T参数、1M上下文原生多模态开源模型的架构取舍与部署门槛。
微软在 Build 2026 宣布 Foundry Managed Compute 与 Hugging Face 模型集合，将 Hugging Face 生态的开源权重模型纳入 Foundry 模型目录，每周刷新，可一键部署到托管 GPU 平台。
推荐理由：原文给出开源权重在 Azure 上的一键部署路径与运行时选型，可据此判断企业自托管开源模型的落地条件。
Photoroom 发布 PRX 系列第四篇，介绍其预训练数据管线：混合公开与内部数据集，用 VLM 重新生成约 100-200 词的长描述，再转为 MDS 供训练流式读取。
推荐理由：Photoroom 公开 PRX 预训练数据管线的取舍与实测数据，为自建文生图数据流程提供可迁移的工程参考。
Hugging Face Diffusers 发布 0.39.0，新增 Cosmos 3、Ideogram 4、Krea 2、DreamLite、PRX Pixel、Motif-Video、AnyFlow、JoyAI-Image-Edit、DiffusionGemma、Anima 等图像与视频管线。
推荐理由：Diffusers 0.39.0 一次性接入 Cosmos 3、Ideogram 4、Krea 2 等十余条新管线，可据此判断各模型的开放方式与工程适配成本。
Hugging Face 与 Cerebras 演示了一套实时语音到语音流水线，用 Cerebras 加速 Gemma 4 31B 推理，串联 Nvidia Parakeet 语音识别与阿里 Qwen3TTS 语音合成。
推荐理由：展示了开源级联语音到语音栈的模块化组合方式，可借鉴其用快速推理压低长尾延迟的思路。
Hugging Face 发布 Diffusers 0.37.0，引入 Modular Diffusers，用可复用模块组合自定义扩散管线，与原有 DiffusionPipeline 并存。
推荐理由：Diffusers 0.37.0 的模块化管线与新增图像视频模型清单，可供选型与工作流搭建时对照参考。
Hugging Face 的 Diffusers 发布 0.36.0，新增多条图像与视频管线，包括 Black Forest Labs 的 Flux2、6B 参数的 Z-Image、支持多图参考的 QwenImage Edit Plus、Bria FIBO、Kandinsky 5.0 Image Lite 和把图像编辑重构为视频生成任务的 ChronoEdit。
推荐理由：Diffusers 0.36.0 一次性接入 Flux2、Z-Image、HunyuanVideo 1.5 等新管线并新增缓存与注意力后端，可据此判断生成工作流的升级路径。
Hugging Face 发布 Diffusers 0.35.0，新增 Wan 2.2、Flux-Kontext、Qwen-Image 和 Qwen-Image-Edit 等图像与视频管线。版本加入 Regional compilation，称可将编译时间减少 8–10x，并支持加速设备直接加载管线、分片并行加载和 GGUF CUDA kernels，后者预计带来约 10% 的推理速度提升。
推荐理由：该版本同时覆盖新图像与视频管线、编译和加载优化，可帮助开发者比较模型接入方式与推理部署路径。
Hugging Face Diffusers 发布 0.34.0，新增 Wan VACE、Cosmos Predict2 等视频与图像生成 pipeline，并改善 torch.compile 支持。
推荐理由：该版本同时覆盖可控视频生成与低显存部署，读者可据此评估 Wan VACE 等 pipeline 的控制能力和 torch.compile、量化、卸载组合。