@aiDotEngineer: 您的智能体现在可以训练模型。来自@mervenoyann 的观点：开源模型已经迎头赶上。GLM 5.1 在人工智能分析指数上领先……

你的智能体现在可以训练模型了。@mervenoyann 的观点：开源模型已经迎头赶上。GLM 5.1 在 Artificial Analysis 智能指数上领先闭源模型，并且差距在每个发布周期都在缩小。获得权重意味着你可以对模型进行量化、微调，并部署到边缘设备，而数据无需离开你的基础设施。https://youtube.com/watch?v=OV56RddyFuU… 这场演讲介绍了为智能体工作构建的 Hugging Face 生态系统：支持工具使用路由的推理提供商、用于根据 Hub 上 SWE bench 分数筛选的基准数据集、用于存储智能体会话的追踪仓库类型，以及可插入编码智能体的技能。压轴是现场演示：她让 Claude Code 按名称在一个数据集上微调视觉语言模型。智能体计算 VRAM 需求，选择一个实例，然后启动任务。过去需要一整天估算的工作，现在只需一个提示。

TL;DR

Hugging Face 开源团队展示了开放模型已全面追平闭源模型，智能体现在可以直接利用 Hugging Face Hub 训练模型、运行推理，并通过 MCP 服务器、技能和追踪数据集等工具，轻松构建本地或远程的 AI 工作流。

开源模型的现状与优势

在机器学习领域，开源是决定性的驱动力。模型分为几种类型：

• 开放权重模型：采用非商业许可，仅开放权重。
• 开源模型：使用可商业许可，如 DeepSeek 的 MIT 许可或 Apache 2.0。
• 更开放的模型：连代码都完全开放。

完全开放的好处在于：你不需要担心云服务商隐藏的性能下降问题，一切透明。同时，你可以自由地缩小、量化或微调模型，并安全地部署到边缘设备或浏览器，数据不会外泄——这在当前安全环境下尤为重要。

几年前有人认为开源模型不如闭源模型，但事实并非如此。最新发布的 GLM 5.1 在多项基准上彻底超越了闭源模型，甚至我本人正在编程中使用它。Artificial Analysis Intelligence Index 显示，绿色（开放模型）已全面赶上黑色（闭源模型），而且随着后续模型发布，差距会进一步拉开。

Hugging Face Hub：智能体生态系统的核心

所有开源发布都通过 Hugging Face Hub 进行。Hub 目前托管了近 300 万个模型、大量数据集和 Space（AI 应用商店）。在模型页面筛选“智能体”时，绝大多数是热门模型，主要包括：

• 视觉语言模型（VLM）：可作为基于截图操作的计算机智能体，知道点击哪里。
• 大语言模型（LLM）：许多模型在发布当天就获得视觉能力，如 Gemma 4（全能模型/智能体）、Qwen2.5-VL、Kimi 2.5 等。

运行这些模型极其简单：使用 VLM ML 或 llama.cpp 服务器，只需几行代码。过去这很麻烦，现在完全不是问题。

为了比较开放模型，Hub 推出了 “基准数据集” 功能。在数据集页面的左侧底部点击“基准”，即可查看流行基准（如 SWE-bench Pro、Humanity’s Last Exam、AIME）的排名。例如在 SWE-bench 上，GLM 5.1 目前位居榜首，帮助用户从 300 万个模型中选择。

如果你只想“感受”模型，Hugging Face 的 “推理提供者” 服务会将最优模型路由至最快/最便宜的提供商（Groq、Cerebras 等），并支持“工具使用”列，方便为智能体用例挑选模型。

本地编程智能体的选择

多种本地编程智能体可供选择：

• Pie：设置超级简单，可将 llama.cpp 提供的本地模型直接消费，也可与远程推理提供者配合。
• llama-agent：内置于 llama.cpp 的二进制文件，直接执行并给出 Hugging Face Hub ID 即可启动模型。

Hermes Agent：推荐与开放模型搭配

我最喜欢的工具之一是 Hermes Agent。它比开源 Claw 更进一步，涉及内存管理，上手简单。可以本地使用，也可与 Hugging Face 推理提供者配合。安装向导会处理一切，你只需提供密钥，即可集成到 Slack、WhatsApp 等应用中。

我强烈推荐使用 GLM 5.1 作为开放模型。例如，我初始整合 Slack 失败后，让 GLM 5.1 用 Hermes Agent 自行修复，它成功完成了。GLM 5.1 是非常优秀的模型，我也期待搭配 Gemma 4，同时周末传闻的 Minimax 模型也值得尝试。

智能体追踪数据集（Traces）

Hugging Face Hub 新增了名为 “Traces” 的数据集存储类型，用于存放 Codex、Cloud Code 或 Pie 的追踪数据。在数据集查看器中点击“Traces”列，会弹出解析优雅的界面，方便浏览数据，甚至可基于此训练模型。推送追踪只需从对应路径上传会话，我们很可能很快会为 Traces 提供 Hermes Agent 支持。

技能：让智能体训练模型

Hugging Face 技能（Skills）允许智能体训练、推理、探索数据集或使用 AI 应用。主要包括：

• Hugging Face CLI 技能：智能体可管理仓库、运行任务、启动演示等。通过搜索“HF skills”可找到相关命令。
• LLM 训练技能：不仅支持 LLM，也支持视觉语言模型。只需告诉模型“在这个数据集上训练这个模型”，它就会远程或本地启动训练任务。
• Gradio 技能：构建演示应用。
• Hugging Face 数据集技能：通过数据集查看器 API 探索数据集。
• 更多集成，如 Cloud 和 Gemini。

实际操作示例：我让 Cloud Code 训练 Qwen2.5-VL 在 LLaVA-Instruct-Mix（视觉语言数据集）上。智能体会自动计算所需 VRAM，询问验证集比例等，然后启动任务。最后在 Hub 上找到训练好的模型。这不再局限于 LLM 和 VLM，已扩展到目标检测或分割模型的训练，通过简单的命令即可处理。

MCP 服务器的集成

Hugging Face 通过 MCP 服务器将 Hub 连接到你的 LLM，提供模型、数据集、Space 以及任务搜索、Space 语义搜索等功能。Space 就像 AI 应用商店，上面有大量应用。新的 Jobs 功能允许启动一次性任务，按运行时间付费，并且可通过 MCP 查询。

例如，我让模型生成一张“用纱线做成的果仁蜜饼”的图片，模型调用 Hugging Face 的 Qwen-Image 远程图像生成模型并返回结果。若要使用更多 Space，需在 MCP 中启用“动态 Space”（实验性）。

实践案例：OCR 处理 3 万篇论文

我的同事 Neils 构建了一个实用的工作流：利用开放 OCR 模型和 Jobs，对 Hugging Face Hub 上的 AI 论文进行 OCR。步骤包括：

1. 挑选便宜且性能好的 OCR 模型（例如 Chandra，但实际应参考 OCR Bench 的排名）。
2. 让 LLM 通过技能（如“哪个模型最适合 OCR 微调？”）得到建议，并编写处理脚本。
3. 智能体自动估算实例资源，计算运行成本，在 Hugging Face 基础设施上启动任务。
4. 使用新发布的 Buckets 产品（类似 S3 Bucket，更便宜更快）存储结果。

整个过程无需手动估算资源，智能体处理一切。

Source: https://www.youtube.com/watch?v=OV56RddyFuU (YouTube)