黃仁勳，129億美元拿下Hugging Face
作者 | 雲鵬 編輯 | 漠影 8月27日消息，剛剛，據The Information報道，一位知情人士透露，英偉達已同意以129億美元（約合人民幣867億元）收購Hugging Face。Hugging Face是全球開源AI領域公認的核心平臺，類似“AI界的GitHub”，提供開源AI模型託管服務。報道認為，在開源模型開發者努力趕超Anthropic和OpenAI等公司閉源AI模型的競爭中，此次收購會讓英偉達掌控一項至關重要的戰略資產。
英偉達高管認為，大量成功的開源模型將有助於鞏固其在AI硬件領域的統治地位，因為開源力量可以對抗那些閉源AI開發商，後者目前都在嘗試研發自有的AI服務器芯片，以減少對英偉達的依賴。出於這個原因，英偉達一直在加大自身力度開發名為Nemotron的開源AI模型，並已承諾投入數百億美元開發自有的開源模型。包括谷歌、微軟、亞馬遜在內的其他AI服務器芯片製造商，此前都曾對Hugging Face進行過投資。除了託管模型外，Hugging Face還會協助AI模型開發者針對不同的服務器硬件優化模型，同時提供雲服務，在AI應用中為這些模型提供算力支持。據報道，Hugging Face近期年化收入為1.
5億美元，這意味著英偉達支付的價格約為該初創公司預測遠期收入的80倍，以當下的標準來看，這一估值水平相當高。隨著市場對開源AI的興趣暴增，Hugging Face最近的增長相對迅速。就在幾個月前，其年化收入還僅為1億美元左右。Hugging Face 的客戶按月支付固定訂閱費，並根據其使用的算力資源和存儲的數據量支付額外費用。今年6月，Hugging Face聯合創始人兼首席執行官克萊姆·德朗格（Clem Delangue）在接受The Information採訪時稱，公司在2026年上半年的付費訂閱用戶數量增長了一倍。他近期在參加一檔播客節目時也提到，公司已“接近盈利”。
報道認為，對英偉達CEO黃仁勳（Jensen Huang）而言，收購Hugging Face標誌著其一系列瘋狂投資的頂峰。他一直致力於投資英偉達的客戶、芯片用戶以及與英偉達客戶合作的數據中心企業，以鎖定公司的硬件生態綁定。從Perplexity和OpenAI等AI應用開發者，到開發數據中心土地與電力資源的公司，英偉達已經在各行各業投入了數百億美元。上週，英偉達簽署了一份價值60億美元的協議，從開源AI模型開發商Poolside手中獲取AI開發工具的技術授權，並計劃僱傭其100多名員工，這一舉動引發了外界的密切關注。
今年夏天早些時候，英偉達還收購了Kumo AI和Essential AI，以協助開發模型訓練工具。英偉達在今天的財報發佈會上透露，公司目前持有990億美元的股權投資，且截至7月底，已承諾再投資250億美元。Hugging Face的早期投資者包括Salesforce、Lux Capital和Addition。據一位瞭解相關意向的人士透漏，在Hugging Face的投資者中曾有多家潛在的買家，其中包括Salesforce。此前，Business Insider曾報道過英偉達正在與Hugging Face就潛在的合併事宜進行談判。今天，靴子即將落地。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.