Hugging News #0331: Hugging Papers 来啦，快来认领你的论文!

每一周，我们的同事都会向社区的成员们发布一些关于 Hugging Face 相关的更新，包括我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，我们将其称之为「Hugging News」，本期 Hugging News 有哪些有趣的消息，快来看看吧！

Paper Pages 大更新

我们正在继续加深与预印本平台 (arXiv.org) 的合作和集成，除了可以在论文页面直接找到 Hugging Face 上的 Space 应用以外，我们又为 Hugging Face Hub 上线了一个论文页面，比如: https://hf.co/papers/2211.05100

你还可以通过论文编号查询模型、数据集和 Space 应用，也可以在模型和数据集页面直接访问到论文页面:

与此同时，如果你是某个论文的作者之一，你还可以在 Hugging Face 的论文页面来“认领”和关联你的 Hugging Face 账号。

用户的个人页面也会显示自己的论文:

快来试试看吧！

Docker ❤️ HuggingFace

你可以在 Spaces 中使用 Docker SDK 来构建你的机器学习应用。上一周，我们还发布了一项与 Docker 的合作，现在你可以将你的 Space 应用一键使用 Docker 部署到其他环境中啦！

Hub 对 ipynb 文件 (Jupyter Notebook) 的两个重要更新

Hub 的页面现在可以直接渲染 .ipynb 文件 (Jupyter Notebook) 啦 ，除此之外，我们还与 Google Colab 团队合作，现在 Colab 可以直接打开托管在 Hugging Face Hub 上的 .ipynb 文件啦：

Zapier 平台加入对 Hugging Face 的集成支持

Zapier 是一个自动化工作平台，而无需编写任何代码即可快速自动化很多业务流程。通过与Hugging Face 的集成，你可以使用将任意其他工作流程与 Hugging Face 提供的 AI 模型能力结合。快来试试看吧:
https://zapier.com/apps/hugging-face/integrations

Gradio 创意主题构建大赛

Gradio 团队发起了一个主题构建黑客松活动，快来参与吧！本次和黑客松活动为期两周，你可以发挥创意和脑洞任意构建有意思的 Gradio 主题。下面有一个视频来简单介绍如何上手制作一个主题:

https://www.bilibili.com/video/BV1Xv4y1H7it/

如果你想参与，请在这个页面查看参与方法:
https://hf.co/Gradio-Themes

也可以在这个 Space 应用里查看别人做的主题:
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。它建立在 @ggerganov 的 llama.cpp 库之上，支持使用 BloomForCausalLM.from_pretrained() 加载的所有模型。库还支持高级用法，可以进行更详细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 正式版发布

The Stack 是 BigCode 项目的一部分，这是一个包含了 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 相信，一组大型、可公开使用的语音数据集，将可促进基于机器学习的语音技术的创新，与健康的商业竞争。目前，Common Voice 13 数据集已经在 Hugging Face Hub 上发布，借助 Datasets 库，你只需要几行代码就可以使用它。
数据集页面: https://hf.co/datasets/mozilla-foundation/common_voice_13_0

TRL v0.4.1 发布

TRL (Transformer Reinforcement Learning) 是一个用于训练具有增强学习的 Transformer 语言模型的库，可与🤗transformers 集成。它支持使用 Proximal Policy Optimization（PPO）优化解码器模型，例如 GPT-2、BLOOM、GPT-Neo。

0.4.1 版本更新包括支持大型模型训练、简易 pipeline 并行、peft 数据并行支持，以及分布式训练的错误修复。简易管道并行支持大规模模型在训练设置中进行拟合，以便在这些模型上应用 RLHF。此功能使用 peft 训练适配器，同时利用 bitsandbytes 来减少活动模型的内存占用。通过修复与 peft 集成和 DP 相关的错误，支持多 GPU 训练。此外，对于 PyTorch 2.0 的发布，本次更新还包括一些小的修复。

GitHub 地址: https://github.com/lvwerra/trl

---

祝大家有一个愉快的周末，我们下周见！