2026年10月21日至22日，Hugging Face博客在兩天內密集發佈十餘項技術更新，內容覆蓋訓練框架支持、模型能力擴展與推理成本優化等多個方向。已公開的更新包括微軟ThinkingBox的數據庫評分強化學習方案、Allen AI的OlmoEarth v1.3全球嵌入模型、IBM Granite時序模型集成預測、NVIDIA Kumo關係數據方案、Dharma AI的SLM詞表專業化降本方案，以及亞馬遜TorchNeuron系統級性能分析等。

訓練框架與工具鏈更新

在訓練框架層面，亞馬遜發佈了TorchNeuron系統級性能分析系列的第一部分，聚焦AWS Trainium芯片上的性能剖析。該系列以“Profiling TorchNeuron (Part 1): System-level profiling on AWS Trainium”為題，面向在Trainium上進行模型訓練的開發者提供系統級性能觀測方法。

微軟則發佈了ThinkingBox相關方案，主題為“Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox”，探索將數據庫評分轉化為強化學習獎勵，用於智能體的後訓練。該方案由微軟在Hugging Face博客發佈，發佈時間為10月22日。

模型能力與數據方案

Allen AI發佈了OlmoEarth v1.3，定位為面向整個地球的先進嵌入模型（State-of-the-art embeddings for the whole planet），發佈時間為10月22日。該模型延續OlmoEarth系列，聚焦地理空間與地球觀測場景的嵌入表示。

IBM Research發佈了Granite時序模型的集成預測方案，主題為“Ensemble forecasting with IBM Granite time-series models”，發佈時間為10月22日。該方案將集成預測方法引入Granite時序模型，面向時間序列預測任務。

NVIDIA發佈了Kumo Relational方案，主題為“NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required”，發佈時間為10月21日。該方案聲稱在關係數據上無需訓練即可超越監督機器學習方法。

推理成本優化

Dharma AI發佈了SLM詞表專業化方案，主題為“How Specializing the Vocabulary of SLMs Can Cut Inference Cost by 77% in Real Applications”，發佈時間為10月21日。該方案通過專業化小語言模型的詞表，在實際應用中可將推理成本降低77%。

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

該方案由Dharma AI發佈在Hugging Face博客，聚焦小語言模型（SLM）的詞表優化，以降低實際部署中的推理開銷。

後續關注點

上述更新集中在2026年10月21日至22日兩天內發佈，反映出開源AI生態在訓練框架、模型能力與推理成本優化上的快速迭代。據線索推測，這批更新可能還包含PyTorch MPS支持與TorchTPU原生集成等內容，但相關線索尚未在本次素材中展開。後續可關注各方案在Hugging Face平台上的具體實現與開發者反饋。