HF 官方博客这半个月在发什么模型
Hugging Face 首页写着 2M+ models、500k+ datasets、1M+ applications。这个数字本身不稀奇，但它意味着如果你只看二手榜单，很容易被热度带偏。过去两周，官方博客里密集出现 NVIDIA、IBM、Mistral、DeepSeek 的发布动作，首页 trending 也在同步更新。这篇文章只从官方博客和模型页的公开更新元数据出发，不转二手评价，也不替模型卡报参数。具体参数、许可证、评测结果，仍需点进每个模型卡核实。文末给一段可以自己复算的过滤脚本。
先看官方流在发什么
打开 Hugging Face Blog，官方组织帖会被推到主区。最近 3 天 NVIDIA 官方发了“NVIDIA Nemotron 3.5 Transcribe and Granary v2”，标题里语音转录和 Granary v2 并列；往前 10 天又发了“NVIDIA Nemotron 3.5 Embed, Rerank, and Parse”。两篇放在一起，能看出 NVIDIA 这一轮不是发单个模型，而是在补语音、嵌入、重排、解析这条 agent 检索链路。这是从官方标题能读出的最稳的结论；参数量和具体技术细节我没有读到原文，不能替它写。
在 Hugging Face Models 的周 trending 里，nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B 更新于 1 天前，平台显示下载量 24.4k、点赞 521。模型名里的 30B-A4B 是官方模型卡命名，不是本文推算。这个命名通常表示总参数 30B、激活参数 4B 的 MoE，但这一点要打开模型卡才能确认，我不能凭名称下结论。
首页 trending 周榜里还有两个值得注意：deepseek-ai/DeepSeek-V4.1-Flash-1017 更新 14 天前，156k 下载、4.06k 赞；LiquidAI/LFM3-1.7B 更新 3 天前，32.9k 下载、601 赞。它们分别代表 Flash 系列和 Liquid AI 的小参数模型，这两条里，LFM3 在官方博客确实有一篇说明（《Build specialized multimodal models with LFM3》，10 月 27 日），DeepSeek-V4.1 这一版则只看到模型卡更新、没找到同期深度博客。因为信息颗粒度不一致，本文不把它们当主线，只在 trending 一节点到。这个对比能说明：trending 排名高不等于官方博客给了技术细节。
IBM Granite 最近几篇博客的节奏更明显：Granite Speech 5.0（10 天前）、Granite Switch 4.1（16 天前）、Granite Switch 4.1.1（October 29, 2026）连续出现。尤其是 4.1.1 的标题把模型更新类比成软件更新，说明 IBM 在把模型版本做成可持续升级的组件，而不是每次发一个孤立权重。Mistral 的“Welcome Le Chonk: Mistral Large 4 on Hugging Face”也在 October 29 发布，53 个赞。这些发布动作都来自官方组织账号，可以确认存在；但具体性能数字官方博客标题里没有，需要看 model card。
机器人、仿真和 agent 后训练开始打包发
Hugging Face 官方账号 11 天前发了一篇“A curriculum for post-training agents”，88 个赞。标题出现在官方博客区，说明 HF 自己的团队在把 agent 后训练做成课程式内容。这和单纯放一个模型权重不一样：它把训练阶段、奖励信号、课程设计放在一起。对普通读者来说，这比某个新模型的 benchmark 更有参考价值。
NVIDIA 在 10 天前发了“Announcing SimReady Central”，同时 Hugging Face Datasets 的首页数据集栏显示 nvidia/simready-assets 更新于 2 天前，934k 条样本，1.06k 点赞。SimReady Central 是一个仿真就绪的 3D 资产库，配合“Train in Simulation, Deploy on a Real Robot: Microduck with Isaac Lab 3.0”这篇博客看，机器人这波已经不是单个模型发布，而是仿真资产、训练环境、部署示例一起上。这是官方发布动作的观察，不是功能评测。
哪些先别急着上车
博客区里高赞的“Uncensor any LLM with abliteration”有 944 个赞，但作者是 mlabonne，属于社区作者，不是官方模型卡。这类文章可能在方法上有价值，但不能当成某个模型能力依据。“Do LLM Routers Actually Route? Quick answer: Not much!”只有 6 个赞，属于个人实验。还有 FrontiersMind 的“Introducing Lumma-Fev-v2”和 Diffuspace 的“Clover-35B-A3B-Preview”，虽然出现在官方博客推荐位，但组织背景与技术说明深度需要自己点开核实。我的原则是：官方推荐位不等于官方背书，更不等于通过 HF 官方评估。
工具链和低成本实验也在冒头。HF 官方 5 天前发了“What’s new in the hf CLI and huggingface_hub library”，社区作者 LeagueLabs 2 天前发了“A Low-Cost Decision Model on CPU: Optimizing DiffusionGemma with vLLM – Part I”。前者说明官方 CLI 和库在持续迭代，后者说明社区在往 CPU 低成本的决策模型方向试。它们都不是模型发布，但对实际部署的人可能有帮助。
想核一手信息，这三个入口够用
上面提到的模型，官方细节都不在 trending 页上，要回到各自渠道：
DeepSeek 系列的权重和推理代码在官方 GitHub 组织（github.com/deepseek-ai），参数与许可证以仓库 README 为准；发布公告在官方 API 文档站的新闻页（api-docs.deepseek.com/news）。两边有时差——仓库先动、公告后补是常态，所以只看公告会漏掉刚上传的权重。
NVIDIA 的 SimReady 与 Isaac Lab 内容，技术细节集中在开发者博客（developer.nvidia.com/blog），资产本体在 Hugging Face 的 nvidia 组织下，两边要对着看。
IBM Granite 的版本演进，除 HF 博客外，官方 Granite 产品页（ibm.com/granite）给了企业侧定位——这解释了为什么它把模型更新写成”像软件一样升级”：目标是让客户按版本节奏升级，而不是每次重新选型。
判断一个模型值不值得跟进，顺序建议是：先看官方仓库或公告确认存在与许可证，再看 model card 看指标口径，最后才看 trending 的下载与点赞。反过来做，很容易把”热闹”当成”好用”。
自己怎么拉一遍
如果你也想只看官方流，可以按组织过滤，而不是按 trending 排序。下面这段脚本调用官方 huggingface_hub 库，先列出最近更新的模型，再按作者过滤 NVIDIA 的模型。这是本文的做法，不是官方推荐。
from huggingface_hub import HfApi
api = HfApi()
# 最近更新的模型
for m in api.list_models(sort="last_modified", direction=-1, limit=20):
print(m.modelId, m.lastModified, m.downloads, m.tags)
# 只看 nvidia 组织
for m in api.list_models(author="nvidia", sort="downloads", direction=-1, limit=10):
print(m.modelId, m.downloads)跑完之后，你会得到和首页 trending 不同的结果：首页给的是平台热度，API 给你的是可按作者、时间、下载量排序的原始列表。后续要核实许可证，打开模型卡的 model card 页面看 license 字段即可，这一步不要跳。
如果不想写代码，打开 Hugging Face Models，左侧筛选栏有 Organizations 列表，点 NVIDIA 或 IBM 就能只看该组织发布的模型。这个页面还会显示每个模型的下载量、点赞数和更新时间，和 API 拉取结果基本一致。区别在于网页端更容易暴露模型卡入口，API 更适合批量抽查。
这份清单的价值不是告诉读者哪个模型最强，而是筛出官方发布动作。NVIDIA 在补语音和检索，HF 官方在推 agent 后训练，NVIDIA 和 HF 一起在铺机器人仿真，IBM 在走软件式更新，Mistral 发新模型。至于参数、数据、许可证，模型卡才是唯一依据。
参考来源：
评论区
登录后可评论。