Hugging Face 开源机器人库 LeRobot 在 11 月 5 日发布 0.7.0。新版本让人可以在机器人运行时通过终端改指令、提问或交给策略自己拆子任务，无需停机；训练端支持直接从 Hub、对象存储或 LanceDB 流式读数据，不必先把整套数据下到本地——Hub 上已有近 300 TB 的开放物理 AI 数据。版本还加入远程推理（大模型可放在远端 GPU，机器人端更轻）、多款世界动作模型与视觉语言动作模型，以及面向数十亿参数规模训练的分布式栈。
为什么重要 开源机器人栈把「边跑边说话」和「不下载也能训」做成默认能力，从业者可直接复用，不必自搭整套编排。
Hugging Face 的 Nouamane Tazi、Leandro von Werra 与 Thomas Wolf 于 11 月 5 日公开《The Ultimate MoE Training Handbook》。作者称投入约 50 万 GPU 小时优化混合专家训练，写成约 3 万字、配 50 多幅交互图的指南，从单节点练起讲到路由器、负载均衡与集群通信。读者可按文中配方先训一个约 68.6 亿总参、每 token 激活约 12.2 亿的小 MoE。页面托管在 Hugging Face Space。
为什么重要 开源圈里少有把 MoE 训练里的设置和踩坑写成能跟练的长文，做过稠密模型、想上 MoE 的人可以直接对照。
Hugging Face 提出 transformers-mic 标准，把模型测试打包成「模型集成契约」（MIC）：缩小版模型、可运行的用法示例和人工审核的基准输出，在 CPU 上跑。回放五个月的提交时，一个 66 MB 的 UMT5 小模型（原检查点 1,227 MB）持续标出一个在 main 分支留了近两个月的 bug：启用 SDPA 后，UMT5 解码器能看到未来的 token。
为什么重要 Transformers 支持 750 多种模型类型，全量 GPU 测试没法每个 PR 都跑，这套做法让 PR 阶段就能在 CPU 上发现回归。
据路透社 10 月 28 日援引两名知情人士报道，美国司法部已就英伟达以 $12.93 billion（129.3 亿美元）收购开源 AI 平台 Hugging Face 一事展开问询，关注该交易是否会让英伟达掌握 AI 的关键分发渠道并借此对竞争对手施压。CNBC 随后经知情人士证实了这一调查。英伟达拒绝置评；该收购预计于 2027 年上半年完成，尚待监管批准。
为什么重要 Hugging Face 是开源模型和数据集的主要托管平台，这次审查的走向可能影响收购能否完成，以及开发者和其他芯片、云厂商今后使用该平台的条件。
