2026年10月21日至22日，Hugging Face博客在两天内密集发布十余项技术更新，内容覆盖训练框架支持、模型能力扩展与推理成本优化等多个方向。已公开的更新包括微软ThinkingBox的数据库评分强化学习方案、Allen AI的OlmoEarth v1.3全球嵌入模型、IBM Granite时序模型集成预测、NVIDIA Kumo关系数据方案、Dharma AI的SLM词表专业化降本方案，以及亚马逊TorchNeuron系统级性能分析等。

训练框架与工具链更新

在训练框架层面，亚马逊发布了TorchNeuron系统级性能分析系列的第一部分，聚焦AWS Trainium芯片上的性能剖析。该系列以“Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium”为题，面向在Trainium上进行模型训练的开发者提供系统级性能观测方法。

微软则发布了ThinkingBox相关方案，主题为“Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox”，探索将数据库评分转化为强化学习奖励，用于智能体的后训练。该方案由微软在Hugging Face博客发布，发布时间为10月22日。

模型能力与数据方案

Allen AI发布了OlmoEarth v1.3，定位为面向整个地球的先进嵌入模型（State-of-the-art embeddings for the whole planet），发布时间为10月22日。该模型延续OlmoEarth系列，聚焦地理空间与地球观测场景的嵌入表示。

IBM Research发布了Granite时序模型的集成预测方案，主题为“Ensemble forecasting with IBM Granite time-series models”，发布时间为10月22日。该方案将集成预测方法引入Granite时序模型，面向时间序列预测任务。

NVIDIA发布了Kumo Relational方案，主题为“NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required”，发布时间为10月21日。该方案声称在关系数据上无需训练即可超越监督机器学习方法。

推理成本优化

Dharma AI发布了SLM词表专业化方案，主题为“How Specializing the Vocabulary of SLMs Can Cut Inference Cost by 77% in Real Applications”，发布时间为10月21日。该方案通过专业化小语言模型的词表，在实际应用中可将推理成本降低77%。

How Specializing the Vocabulary of SLMs Can Cut Inference Cost by 77% in Real Applications

该方案由Dharma AI发布在Hugging Face博客，聚焦小语言模型（SLM）的词表优化，以降低实际部署中的推理开销。

后续关注点

上述更新集中在2026年10月21日至22日两天内发布，反映出开源AI生态在训练框架、模型能力与推理成本优化上的快速迭代。据线索推测，这批更新可能还包含PyTorch MPS支持与TorchTPU原生集成等内容，但相关线索尚未在本次素材中展开。后续可关注各方案在Hugging Face平台上的具体实现与开发者反馈。