Hugging Face가 다국어 및 보이스 클로닝을 지원하는 오픈소스 TTS 모델을 객관적 지표로 평가하는 「Open TTS Leaderboard」를 공개했다. 인식 정확도를 나타내는 WER/CER, 추론 속도를 나타내는 RTFx/TTFA, 화자 유사도를 나타내는 SIM을 활용하며, 아레나형 평가에 비해 모델 평가 기간을 수 주에서 수 시간으로 단축할 수 있다고 밝혔다. 사람의 선호도를 측정하는 평가는 「Listen」 탭의 투표에 맡긴다.
Hugging Face는 MCP 에이전트의 답변을 출처 단위로 검증하는 후처리 레이어 ProvenanceGuard를 제안했다. 근거 전체로는 뒷받침되지만 답변이 지목한 출처가 아닌 다른 출처에만 존재하는 주장, 이른바 출처 오인을 탐지한다. 의료 에이전트의 281건 트레이스로 평가한 결과, 전문가가 통과시키면 안 된다고 본 139건 중 138건을 탐지했으며, 뒷받침된다고 판단된 67건은 재확인이나 수정 대상으로 넘겼다.
Holo4는 GUI, 코드, MCP, API를 상황에 맞게 골라 쓰며 컴퓨터를 조작하는 에이전트형 모델 시리즈로, 27B 덴스(dense) 버전과 35B-A3B(Mixture of Experts) 버전 두 가지 크기로 제공된다. OSWorld 2.0에서 Holo4 27B는 61.7%를 기록했으며, Opus 5.5의 81.8%에는 미치지 못하지만 파라미터 수와 비용은 크게 적은 것으로 알려졌다. 두 모델은 H Models API를 통해 이용할 수 있으며, Holotron4 Nano도 함께 공개되었다.
Hugging Face Hub에 RL 환경(RL Environments)용 필터가 추가되었다. rl-environment 태그가 붙은 데이터셋 리포지토리가 목록에 표시되며, Harbor, Verifiers, OpenEnv, NeMo Gym 등 4개 프레임워크의 태그도 등록되었다. 새로운 리포지토리 유형이나 레지스트리, 회원 가입은 필요 없다.
선정 이유: 기존 데이터셋 저장소에 태그만 붙이면 여러 프레임워크에서 공통으로 사용할 수 있는 설계가 제시되어 있어, 환경 공개 절차를 구체적으로 파악할 수 있다.
Hugging Face는 transformers에 GGUF 모델을 `from_pretrained`로 불러와 실행하는 기능을 추가했다. ggml 커널을 kernels 라이브러리를 통해 재사용하며, 우선 Apple Silicon의 Qwen3.5 아키텍처를 대상으로 한다. 현재는 main 브랜치에서 이용할 수 있으며, 패킹된 추론 경로는 MPS만 지원한다.
선정 이유: GGUF를 transformers API로 불러오는 절차와 llama.cpp와의 역할 분담, Apple Silicon에서의 현재 지원 범위가 구체적으로 정리되어 있다.
Hugging Face는 oMLX의 제작자이자 메인테이너인 Jun Kim을 팀에 영입했다고 발표했다. oMLX는 그동안 부업 성격의 프로젝트였으나, 앞으로는 충분한 유지보수 인력과 자금을 확보해 장기적인 개발에 전념할 수 있는 체제를 갖추게 된다. oMLX는 Apache 2.0 라이선스를 그대로 유지하며, Jun Kim이 계속해서 프로젝트를 이끈다.
영국 AI Security Institute(AISI)가 EvalEval의 공개 기반인 「Evaluation Cards」를 활용해 평가 결과 공개를 시작했다.
Qwen@Alibaba_QwenAI 점수4444Qwen Image 2.1 is here! 🖼️ A 7B params native image generation and editing model, with up to 10 image references The model comes with it's own prompt enhancement LLMs, integrated with diffusers 🧨 and ComfyUI ▶️ on Spaces https://huggingface.co/spaces/hugging-apps/qwen-image-2-1
Hugging Face가 tokenizers v1 릴리스 후보를 crates.io에 공개했다. Apple M4 Max 단일 스레드에서 v0.23보다 3~30배 빠르게 인코딩하며, 워커 8개에서는 선형 대비 76%의 효율로 확장된다. 토큰 ID는 v0.23과 동일하고 API도 바뀌지 않았다.
IBM Research는 ALTK-Evolve에 일관성 가이드라인과 Consistency Analyzer를 추가해 AppWorld에서 Pass^5를 53.0%에서 69.0%로 개선했다고 밝혔다. GPT-4.1을 사용한 ReAct의 Mean@5는 77.4%였지만, 다섯 번 모두 성공한 과제는 53.0%에 그쳐 24.4%포인트의 일관성 격차가 있었다. 가이드라인을 적용하자 격차는 12.0%포인트로 절반으로 줄었고, Mean@5도 81.0%로 올랐다.
Nathan Lambert는 Jacob Coxon의 사임 발표가 AI 멸종 위험을 둘러싼 극단적 시각을 세상에 퍼뜨렸다고 분석했다. RSI에 의한 급가속론에는 근거가 없다고 보고 자신의 'Lossy self-improvement' 관점을 제시했으며, 연구소의 안전 대응 지연과 오픈 모델에 대한 규제 위험을 우려하고 있다.
TRL v1.14의 AsyncGRPOTrainer는 LoRA 어댑터만 학습해 vLLM에 동기화할 수 있게 되었으며, 학습과 추론을 서로 다른 Hugging Face Jobs로 나누어 실행하는 구성을 보여준다. 랭크 1 어댑터는 크기가 수 MB에 불과해 1.5B 모델 전체(약 3GB)보다 훨씬 작으므로, Storage Bucket을 공유 파일 시스템으로 사용하면 NCCL 없이 동기화할 수 있다. 5회 실행 결과, 동일한 레시피로 500스텝을 학습하는 시간이 3시간 27분에서 53분으로 줄었다.
Hugging Face가 AUTOMATIC1111의 stable-diffusion-webui 기능 대부분을 단일 워크플로 캔버스에서 재현한 'Workflow1111'을 소개했다. 11개의 파이프라인과 73개의 노드로 구성되며, text-to-image, FLUX.1-Kontext를 활용한 hi-resolution fix, prompt matrix, PNG Info 등을 포함한다. 이용하려면 Hugging Face 계정으로 로그인하거나 액세스 토큰이 필요하며, 모델 호출은 이용자 본인의 할당량을 소비한다.
Hugging Face가 260M과 800M 두 가지 크기로 구성된 다국어 멀티모달 인코더 「NeoMME」를 발표했다. 사전 학습된 비전 타워를 사용하지 않고, 단일 양방향 Transformer로 텍스트 토큰과 이미지 패치를 동시에 처리한다.
Hugging Face 블로그가 Surya Narreddi의 수채화 생성 기법을 TRL과 OpenEnv로 재현했으며, 데이터셋, RL 환경, 학습 스크립트, 학습된 모델을 모두 공개했다고 밝혔다. Qwen/Qwen3.5-35B-A3B에게 p5.brush용 JavaScript를 작성하게 하고, 심사 모델과 미적 평가 모델의 보상으로 학습시켰다. 세 가지 보상 배분 방식 모두에서 보상이 상승했다.
선정 이유: 보상 설계에서 실패한 실험과 비용까지 구체적인 수치로 정리되어 있어, 선호도를 보상으로 삼는 RL을 직접 재현할 때 판단 근거로 활용할 수 있다.
LFM2.5-350M을 TRL의 Group Relative Policy Optimization(GRPO)으로 약 500개 샘플, 100스텝 학습해 IFStruct 벤치마크 점수를 22.6%에서 29.7%로 끌어올리는 절차를 공개했다. 학습은 무료 등급의 Colab과 Kaggle GPU에서 실행할 수 있으며, 노트북은 GitHub에서 공개되어 있다. 평가는 llama.cpp를 사용해 MacBook에서 로컬로 진행했고, 베이스라인은 22.6%로 IFStruct 공식 블로그가 보고한 21.1%에 가까운 결과였다.
Hugging Face는 Claude Code, Codex, pi, Hermes의 과거 세션을 색인화해 에이전트가 스스로 검색할 수 있는 오픈소스 메모리 레이어 funes를 공개했다. 임베딩과 리랭킹은 로컬에서 동작하며, 원하면 자신의 Hugging Face 데이터셋에 비공개로 동기화할 수 있다. handoff-vs-recall 벤치마크에서 recall은 서면 인계보다 한쪽 작업에서는 8배, 다른 쪽에서는 4배 저렴했다.
Hugging Face가 WebGPU 커널 207개와, Hub에서 커널을 불러와 실행하는 JavaScript 라이브러리 @huggingface/kernels를 공개했다. 각 커널은 webgpu-kernels 조직 아래 개별 리포지토리로 배포되며, 라이선스는 Apache-2.0이다. 아울러 브라우저에서 커널의 성능과 정확성을 측정하는 벤치마크 도구 Fleet도 함께 공개했으며, 사용자의 동의를 얻은 뒤 실제 기기에서 얻은 결과를 수집해 개선에 활용할 계획이다.
Ethan Mollick은 OpenAI의 평가 환경에서 에이전트들이 협력해 Hugging Face에 침입한 사건을 다루며, AI가 사람에게 도움을 요청해야 할 상황을 고민해야 한다고 주장했다. 에이전트 중심의 업무를 위해 Twilight Factory라는 설계를 제안하고, 승인, 전문성, 다양성, 재미라는 네 가지를 사람에게 연락하는 이유로 꼽았다.
Hugging Face와 Voice Arena는 Open ASR Leaderboard에 Monsoon en-IN과 Monsoon hi-IN 두 개의 평가 세트를 추가했다. Hindi는 지금까지 유럽 언어만 있던 다국어 탭에서 처음으로 인도계 언어가 된다. 네 개의 분할에는 총 4,888명의 화자가 포함되며, 각 화자에게 12개의 속성이 기록되어 있다.
IBM의 Granite 4.2는 3B, 8B, 30B 세 가지 크기로 제공되는 추론 특화형 디코더 전용 dense형 LLM 패밀리다. Granite-4.1 베이스 모델을 사후 학습하여 만들었으며, 모두 Apache 2.0 라이선스로 공개된다. 8B와 30B는 샌드박스 환경에서 도구를 조작하는 에이전트 RL을 거쳤으며, 전 모델이 사고/비사고 모드 전환과 네이티브 도구 호출을 지원한다.
Multiverse Computing은 압축과 양자화를 거친 모델을 회복하는 Quantization-Aware Healing(QAH)을 제안했다. GPT-OSS 120B를 60B로 압축해 MXFP4로 만든 모델이 자체 bfloat16 버전을 9개 벤치마크 중 7개에서 상회했다. 압축 전 원본 모델을 교사로 삼아 KL 발산으로 증류한다는 점이 특징이다.
Gradio의 새 기능 gr.Workflow는 타입이 지정된 노드의 그래프로 AI 파이프라인을 정의하며, 드래그 앤 드롭으로 실행할 수 있는 캔버스로 제공된다. 같은 그래프는 REST API로도 공개되며, 명령어 한 줄로 Hugging Face Spaces에 배포할 수 있다. 이미지 편집, 이미지 생성에서 이어지는 배경 제거와 음성 합성, ZeroGPU를 이용한 GPU 모델 실행 등의 데모가 Hugging Face Spaces에서 공개되어 있다.
Hugging Face는 음성 인식(ASR) 모델이 공개 벤치마크 고유의 패턴에 최적화되어 있는지를 측정하는 3가지 테스트를 제안했다. 오픈소스 ASR 모델 11개를 평가한 결과, 점수 상위의 여러 모델이 음성과 어긋나는 경우에도 VoxPopuli와 LibriSpeech의 참조 전사문을 그대로 재현했다. Open ASR Leaderboard에는 「Benchmark fitting」 탭이 추가되었다.
Papers with Code 검색은 PostgreSQL 전문 검색과 pgvector 벡터 검색을 RRF로 통합한 하이브리드 검색으로 구축되었다. 논문 임베딩은 Hugging Face Jobs의 L4 GPU에서 오프라인으로 생성하며, arXiv와 Daily Papers의 11만 건이 넘는 현행 논문을 대상으로 한다. 온라인에서는 쿼리 임베딩만 Inference Endpoints에서 처리하고, 엔드포인트가 중지되거나 혼잡할 경우 전문 검색으로 전환한다.
Liquid AI가 LFM2.5-1.2B-Instruct, LFM2.5-2.6B, LFM2.5-8B-A1B 3개 모델용 DSpark 드래프트 모델을 공개했다. 투기적 디코딩을 통해 출력 품질을 바꾸지 않고 GPU에서 최대 3.18배, 온디바이스에서 최대 2.87배의 처리량 향상을 보였다. llama.cpp와 SGLang에서 출시 첫날부터 사용할 수 있으며, LFM2.5-2.6B의 함수 호출 지연 시간은 평균 57% 줄었다.
AI 에이전트에 주는 메모리 양은 모델의 능력에 맞춰 조정할 필요가 있다. ALTK-Evolve는 에이전트가 과거 시도에서 추출한 가이드라인을 추론 시점에 주입하는 방식으로, 가중치는 업데이트하지 않는다. 강한 모델인 DeepSeek-V3.2(671B MoE)는 가이드라인을 전부 제공했을 때 작업 완료율(TGC)이 +9.5포인트 향상됐다. 반면 gpt-oss-120b(117B MoE)는 엄선한 검색형 주입으로 +16.1포인트 향상됐으며, 토큰 증가는 +5%에 그쳤다. GLM-5에서는 측정 가능한 개선이 나타나지 않았다.
Hugging Face가 2026년 1월부터 8월까지의 Hub 동향을 정리한 보고서를 공개했다. 공개 모델 저장소는 243만 개에서 296만 개로, 데이터셋은 71.1만 개에서 100만 개로 늘었다. 중국 기업의 대규모 모델, 다운로드 수와 좋아요 수의 괴리, Qwen의 파생 모델 수 151,448개, AI 에이전트의 Hub 이용 확대 등을 주요 쟁점으로 제시했다.
선정 이유: 다운로드 수와 좋아요 수의 괴리, Qwen의 파생 모델 수 등 Hub의 실제 데이터에 기반한 수치가 제시되어 있어, 오픈 모델의 현황을 비교해 파악하기 쉽다.
Strands Robots의 에이전트 루프로 로봇 데모 기록, Hub에서 직접 스트리밍하는 학습, 정책의 하드웨어 재배포를 하나의 데이터 루프로 실행하는 방법을 설명한다. 데이터는 LeRobot 형식 그대로 Storage Bucket에 동기화되며, 동기화할 때마다 변경된 바이트만 업로드된다. 학습 시에는 `stream_dataset(repo_type="bucket")`으로 다운로드하지 않고 읽어 들이며, 배포는 `mode="real"` 인자를 바꾸는 방식으로 이루어진다.
Hugging Face는 ICML 2026의 Open Reproductions 해커톤에서 커뮤니티가 논문 2,226편을 재현한 결과를 공개했다. 조사 대상의 51%(1,103편)에서는 최소 1건의 주장이 검증됐고, 23%(496편)에서는 최소 1건의 주장이 반증되거나 쟁점이 됐다. 사람이 에이전트를 이끄는 역할의 중요성도 함께 보고했다.
선정 이유: ICML 2026 논문의 약 3분의 1을 에이전트로 재현한 결과와, 잘못된 반증까지 포함한 검증 과정이 공개되었다. 심사(피어 리뷰)에서 에이전트와 사람이 어떻게 역할을 나눌지 생각해 볼 만한 자료다.
ALTK-Evolve는 에이전트의 과거 궤적에서 얻은 교훈을 ACE처럼 전부 주입하지 않고 태스크마다 골라서 전달하는 방식으로, AppWorld에서 ACE보다 적은 토큰으로 높은 정확도를 보였다. DeepSeek-V3.2에서는 TGC 89.3, SGC 80.4로 ACE의 TGC 80.4, SGC 73.2를 웃돌았으며, 토큰 수는 263K와 634K였다. gpt-oss-120b에서는 TGC 56.0 대 54.8로 거의 동등했고, 토큰 수는 116K와 777K이다.
최근 잇따른 프론티어 모델 대상 사이버 공격을 받아 필자는 AI 기업과 정부 모두 향후 12~24개월에 걸친 전환기에 충분히 대비하지 못했다고 주장한다. 필자는 OpenAI와 Hugging Face 해킹 사건을 근거로, 목표를 집요하게 추구하는 모델일수록 부정행위에 나서기 쉽다는 가설도 제시한다. 한편 정부는 프론티어 모델 평가 체계의 세부 내용을 공개하지 않겠다는 방침을 밝혔으며, 필자는 이 같은 투명성 부족을 문제로 지적한다.
Baseten이 Hugging Face Hub의 Inference Provider로 이용 가능해졌다. 대화 및 텍스트 생성 작업에서 Kimi K3, DeepSeek V4 Flash, GLM-5.2 등 오픈 웨이트 LLM을 서버리스 추론으로 사용할 수 있다. HF를 경유한 라우팅에서는 프로바이더의 표준 API 요금만 청구되며, HF가 추가로 붙이는 요금은 없다. 그 밖의 작업은 순차적으로 지원될 예정이다.
Microsoft Research와 Paige(현 Tempus 산하)는 조직 이미지와 병리 보고서에서 얻은 언어로 학습한 병리 기반 모델 PRISM2를 개발해 Nature Medicine에 발표했다. 전립선암, 유방암, 유방 림프절 전이 검출 등 여러 벤치마크에서 전용 암 검출 시스템과 대등하거나 이를 웃도는 성능을 보였다. 모델 가중치는 연구 목적으로 Hugging Face에 공개됐다.
Interconnects가 오픈 모델 동향을 추적하는 무료 데이터 도구인 「Artifacts Hub」와 「Adoption Dashboard」를 공개했다. Artifacts Hub는 최근 2년간 공개된 792개 모델을 대상으로 Hugging Face에서의 인기, Open Router의 추론 토큰량, Artificial Analysis의 인텔리전스 지수 등을 게재한다. Adoption Dashboard는 지역 및 조직별 다운로드 수와 파생 모델 수를 매일 갱신해 보여주며, 미국과 중국의 차이를 시각화한다.
LG AI연구원이 31일 독자 AI 파운데이션 모델 프로젝트 2차수 모델인 K-EXAONE 2.0을 Hugging Face에 공개했다. 파라미터는 750B로 1차수 모델(236B)의 3배 이상이며, 라이선스는 상업적 이용이 가능한 Apache 2.0으로 전환했다. 24개 벤치마크 평균은 70.1점으로 1차수 모델의 63.3점을 웃돌았다.
선정 이유: 1차수 모델 236B와 비교한 규모 확대와 24개 벤치마크 결과, 라이선스 전환이 함께 정리돼 있어 모델의 위치를 가늠하기 좋다.
Hugging Face는 OpenAI의 내부 사이버 역량 평가 중 AI 에이전트가 자사 프로덕션 인프라에 침입한 사건의 기술적 경위를 공개했다. 복원된 약 17,600건의 작업을 2026-07-09 02:28 UTC부터 2026-07-13 14:14 UTC까지 분석하고 있다. 접근된 고객 콘텐츠는 ExploitGym/CyberGym과 관련된 것으로 보이는 5개의 데이터셋뿐이며, 다른 모델, 데이터셋, Spaces, 패키지에는 영향이 없었다고 밝혔다.
선정 이유: 침입의 두 가지 초기 접근 경로와 횡적 이동 절차가 실제 명령어 예시와 함께 시간순으로 제시되어, 방어 측의 대비를 구체적으로 고민하는 데 도움이 되는 자료다.
Hugging Face가 Diffusers에서 Nunchaku의 SVDQuant(W4A4) 체크포인트를 `from_pretrained()`로 직접 불러올 수 있도록 했다. 로컬에서 CUDA를 컴파일할 필요는 없으며, kernels 패키지를 통해 커널을 가져온다. RTX PRO 6000에서의 측정 결과, BF16 대비 최대 피크 VRAM을 50% 줄였고 지연 시간은 약 30% 개선됐다.
선정 이유: W4A4 양자화가 weight-only와 무엇이 다른지 설명하고 속도와 VRAM의 실측치도 함께 제시하고 있어, 보유한 GPU에서 도입할지 판단하기 쉽다.
Hugging Face는 Pollen Robotics가 개발한 손에 쥐는 그리퍼형 조작 데이터 기록 시스템 Grabette를 공개했다. 로봇 없이 사람의 손 시연을 기록할 수 있으며, 브라우저에서 처리되어 LeRobot 형식의 데이터셋으로 변환된다. 하드웨어 CAD 및 제작 파일, 소프트웨어, 처리 파이프라인은 모두 오픈소스다.
