前端进阶之旅前端进阶之旅
基础篇
进阶篇
高频篇
精选篇
手写篇
原理篇
面经篇
AI 面试
自检篇
每日一题
  • 综合
    • 综合题型
    • 其他问题
    • 设计模式
    • 思维导图
    • 学习路线
  • 前端基础
    • HTTP
    • 浏览器
    • 计算机基础
  • 进阶学习
    • NPM工作流
    • Docker
    • Canvas
    • Node学习指南
    • 前端综合文章
  • 其他
    • Handbook
    • 职场话题
    • CSS可视化
小程序题库
公众号动态
博客动态
AI 热点
开发者导航
基础篇
进阶篇
高频篇
精选篇
手写篇
原理篇
面经篇
AI 面试
自检篇
每日一题
  • 综合
    • 综合题型
    • 其他问题
    • 设计模式
    • 思维导图
    • 学习路线
  • 前端基础
    • HTTP
    • 浏览器
    • 计算机基础
  • 进阶学习
    • NPM工作流
    • Docker
    • Canvas
    • Node学习指南
    • 前端综合文章
  • 其他
    • Handbook
    • 职场话题
    • CSS可视化
小程序题库
公众号动态
博客动态
AI 热点
开发者导航
返回 AI 情报前线
All News · 全部资讯7626
  • 我用免费模型自动生成 Changelog 跑了 48 小时
  • SSE 流式调用常见的性能误区
  • 用 Generation Manifest 给 AI 文档生成加审计门
  • C++ AI 补丁审查的工作流:编译器 fence
  • 重构前必建基线:表征测试保存行为契约
  • AI Agent 总是丢失上下文?一个 FLOCK.md 文件给出知识地图
  • 让 AI Agent 不再"胡说八道":验证层设计把幻觉率从 18% 压到 3%
  • OpenAI 停止 Cursor 合作:对程序员日常开发的影响分析
  • 用 AWS Bedrock Guardrails 给 AI 聊天机器人加固安全防护
  • AI事故响应Agent:所有操作必须人工确认
  • AI Agent技术栈全解析:什么让Agent真正work
  • PostgreSQL 混合搜索实战:向量+全文+R RF融合排序
  • 用 Claude Code 12 天迁移 40 个 REST 端点到 GraphQL
  • 以 Root 权限运行的 AI Agent 可导致系统完全失陷
  • AI生成代码的100%覆盖率是谎言
  • GitHub提交量四月翻倍,代码审查能力未跟上
  • 用 MCP 协议一份代码同时接入 Claude 和 Cursor
  • AI 编程Agent深夜产代码,报告可信度几何
  • AI编程助手不验证产出物:团队协作的隐蔽陷阱
  • AutoFix-Agent:LLM驱动的CI/CD故障自动修复
  • 英伟达拟130亿美元收购Hugging Face,剑指开放模型生态
  • LangChain vs LangGraph:160次agent任务基准测试
  • Anthropic自动化AI训练AI:6小时超人类研究员,成本仅1/37
  • llama.cpp 原理:如何在普通硬件跑本地大模型
  • 为长上下文 AI 网关构建 Prompt 前缀注册表
  • AI本地部署效果差的元凶:734个依赖包层层坑
  • 手把手教你用Python构建自主加密交易Agent
  • Vercel AI SDK 6/7 革新:React/Next.js AI 开发范式转变
  • AI Agent在开发者平台中的三种角色
  • Claude 安全降级引发删库事故:700GB 数据被误删
  • Google WikiSkill:让AI Agent从失败中持久学习
  • Claude训练AI研究员:4美元/小时,超越15万美元年薪人类
  • AI 研究不垃圾——未经审计的研究才是
  • 给 AI 智能体写合同,而非对话
  • Agent日均零成本:任务分层路由实战
  • 20毫秒把PDF转Markdown:开源OCR工具提速300倍
  • 首Token时间是个谎言:LLM流式推理真相FAQ
  • 属性优先、定用固定实例、隔离不稳定测试
  • AI读Obsidian库太贵:派生索引省150倍token
  • Agent工程三难困境:记忆、信任与拒绝执行
  • GitNexus:浏览器内构建代码库知识图谱
  • 用官方免费组件构建 AI SaaS:Agent SDK + Skills + MCP
  • AI 编程助手幻觉包名正在成为新型攻击向量:slopsquatting
  • 用pre-commit钩子拦截AI幻觉的import语句
  • Anthropic AI原生SDLC缺第四控制点
  • TOON:减少LLM接口调用30%-60% token开销的JSON替代格式
  • 我用代码考试实测腾讯Hy4预览版:49B活跃参数的编程能力
  • 两阶段 AI 代码审查:先找候选再验证,有效降低误报
  • 输出层护栏:13个检测器拦截AI幻觉与代码错误
  • Agent 调试新法:对比 Trace 而非代码 diff
  • 60 分钟建一套 AI 评审 golden set 测试集
  • 已加载 51 / 7626
8.0
热点
AI SCORE
行业动态2026-08-29 21:39

英伟达拟130亿美元收购Hugging Face,剑指开放模型生态

IT之家#英伟达#Hugging Face#开源模型
Editor brief · 编辑速览

英伟达据报将以130亿美元收购开放权重模型平台Hugging Face,后者被视为“AI时代GitHub”。英伟达此前已与Poolide达成60亿美元协议,Stripe亦以超70亿美元收购OpenRouter。

文章思维导图
Knowledge map
拖拽缩放
Full translation

完整中文译文

英伟达本周有望完成一笔备受瞩目的科技交易。市场正等待公司确认一项据称价值 130 亿美元(IT之家注:现汇率约合 876.47 亿元人民币)的收购案,目标是开放权重 AI 模型平台 Hugging Face。

Hugging Face 承担着"AI 时代的 GitHub"这一角色,为不依附于头部 AI 实验室的模型提供开发、分享和部署生态。

英伟达近期连续把巨额资金投入这一领域。此前,该公司就与开放权重模型公司 Poolside 达成 60 亿美元(现汇率约合 404.52 亿元人民币)协议,后者大部分员工将转投英伟达。

两周前,Stripe 又以超过 70 亿美元(现汇率约合 471.94 亿元人民币)收购 OpenRouter,而后者主要帮助企业接入开放权重模型。

一个以开放和免费分享成果为基础的领域突然吸引如此庞大的资本,背后反映的是 AI 产业格局的变化。

英伟达需要降低对大型云服务商和头部 AI 实验室的依赖。OpenAI 和谷歌等模型厂商反过来也开始自研推理芯片,本周早些时候,OpenAI 就详细介绍了 Jalapeño。

模型公司大举进入芯片领域之际,英伟达也希望进入模型市场,从中分一杯羹。

英伟达自己拥有 Nemotron 开放权重模型系列,但目前采用规模有限。如果 130 亿美元收购 Hugging Face 的交易成真,英伟达就能直接掌握美国最大的开放模型开发者平台之一,接触庞大的用户群,并进一步推动开发者使用英伟达芯片和技术标准。

AI 推理越来越昂贵,也让更多企业开始寻找成本更低的替代方案,月之暗面、DeepSeek 和阿里巴巴等中国公司推出的模型受到的关注与日俱增。

报道指出,开放权重模型目前仍不是主流,但采用率正在上升。Ramp 根据企业支出数据统计,约 6% 的公司使用开放权重模型;Jellyfish 的数据则显示,软件工程师中的使用比例只有 2%。

Jellyfish AI 产品负责人尼克·阿尔巴兰告诉 TechCrunch,开放权重模型特别适合客服聊天等需要大量重复推理的业务。因为任务量大、问题高度重复,企业可以针对自己的场景调整模型,用更低成本处理这些请求。

Stripe 收购 OpenRouter 时也强调了成本和算力效率。Stripe 联合创始人兼 CEO 帕特里克·科里森表示:"词元是企业利用 AI 开发产品时的核心货币,现实世界中的经济潜力能否释放,关键在于如何高效利用稀缺的算力资源。"

编程和智能体任务的情况有所不同。这类任务变化更大,也需要更复杂的推理,因此头部闭源模型通常仍占优势。专有模型厂商不仅接入方式更方便,有时还会补贴部分词元成本。

阿尔巴兰认为,等企业把自己的 AI 工作流程打磨得更成熟,采用开放模型会变得容易得多。目前企业考虑开放模型,首要原因仍是希望获得更强的控制权和可配置性,而不是单纯为了省钱。"目前真正达到这种状态的公司还不多…… 但如果头部 AI 实验室继续涨价,越来越多企业至少会被迫考虑开放模型。等企业的 AI 工作流程成熟得多之后,自托管模型才值得投入。"

Fireworks CEO 林乔也押注开放模型的发展。Fireworks 为企业提供开放权重模型的路由和托管服务,经常被认为可能成为科技巨头的收购目标。当前,Fireworks 每天处理 40 万亿词元,处理量超过 Gemini 和 OpenAI 各自的 API。

Fireworks 看好的是模型越来越多元化。随着大语言模型数量增加、能力不断提升,企业可以更容易地针对自己的业务训练专用模型。

林乔上周指出:"每一家应用公司都应该考虑聘请内部研究员。他们可以利用自己的产品和产品数据构建专属模型。未来真正属于专业化智能。每家公司最终都应该针对不同应用场景拥有自己的模型,而且这个过程会逐渐实现自动化。"

报道分析称,AI 无论作为工具还是商业模式,其实仍处于非常早期的发展阶段。OpenAI 和 Anthropic 目前占据领先位置,并不意味着这种格局会一直持续。科技巨头开始避免把全部资源押在少数头部 AI 实验室身上,开放技术因此显得越来越有吸引力。

Original source

本文由 AI 翻译整理自 IT之家,原文版权归原作者所有。

阅读英文原文
上一篇
AutoFix-Agent:LLM驱动的CI/CD故障自动修复
下一篇
LangChain vs LangGraph:160次agent任务基准测试