## blog - seite 25 von 29

Hugging Face veröffentlicht Open-R1, eine vollständig offene Reproduktion von DeepSeeks Reasoning-Modell. Das Projekt ermöglicht es der Community, leistungsstarke Chain-of-Thought-Systeme zu trainieren und anzupassen.

Mini-R1: Deepseek R1 mit Reinforcement Learning nachbauen

Hugging Face zeigt, wie man Deepseek R1 mit Reinforcement Learning reproduziert. Ein praktisches Tutorial für das Training von Reasoning-Modellen ohne proprietäre Infrastruktur.

Prefill und Decode: LLM-Performance bei parallelen Anfragen optimieren

Wie Prefill und Decode Phasen die Durchsatzrate großer Sprachmodelle beeinflussen. TNG Tech zeigt Optimierungsstrategien für gleichzeitige Nutzeranfragen.

Tiny Agents: Funktionsfähige KI-Agenten in 50 Codezeilen

Hugging Face zeigt, wie sich mit dem Model Context Protocol effiziente KI-Agenten minimal umsetzen lassen. Ein praktisches Beispiel für schlanke Agent-Architekturen ohne Overhead.

MCP-Server mit Gradio bauen: Praktische Integration

Gradio ermöglicht es nun, Model Context Protocol Server direkt in Python zu implementieren. Eine neue Integration vereinfacht die Entwicklung von AI-Tools mit standardisiertem Protokoll.

Tiny Agents in Python: Agenten in 70 Zeilen Code

Hugging Face zeigt, wie man mit dem Model Context Protocol (MCP) funktionsfähige AI-Agenten in knapp 70 Zeilen Python schreibt. Ein praktischer Einstieg in agentenbasierte Systeme ohne Komplexität.

CodeAgents mit Structured Output: Präzisere Tool-Ausführung

Hugging Face integriert Structured Output in CodeAgents. Das erzwingt definierte JSON-Schemas für Tool-Aufrufe und reduziert Fehler, Token-Verbrauch und Latenzen deutlich.

SmolLM3: Kompakte Sprachmodelle mit Mehrsprachigkeit und langem Kontext

Hugging Face stellt SmolLM3 vor – effiziente Sprachmodelle in verschiedenen Größen mit verbesserter Mehrsprachigkeit und erweitertem Context Window. Ideal für ressourcenbegrenzte Umgebungen.

Hugging Face baut eigenen MCP Server

Hugging Face hat einen Model Context Protocol Server entwickelt, um seine Plattform direkt in Claude und andere AI-Tools zu integrieren. Das ermöglicht Entwicklern einfacheren Zugriff auf Models, Datasets und Hub-Features.

ScreenEnv: Desktop Agents mit vollständigem Stack deployen

ScreenEnv ermöglicht es, AI-Agenten direkt auf Desktop-Umgebungen einzusetzen. Das Framework verbindet Screen Understanding mit Action Execution für automatisierte Workflows.

MCP für Forschung: KI-Systeme mit Research-Tools verbinden

Model Context Protocol ermöglicht es KI-Systemen, direkt auf Forschungswerkzeuge zuzugreifen. Hugging Face zeigt, wie MCP Workflows in der wissenschaftlichen Arbeit vereinfacht.

MCP-Server in Python: KI-Einkaufsassistent mit Gradio

Hugging Face zeigt, wie man Model Context Protocol (MCP) Server in Python implementiert. Ein praktisches Beispiel: ein Virtual Try-On Assistant, der Gradio für die Benutzeroberfläche nutzt.

OpenAI startet GPT OSS: Neue Open-Source Modellfamilie

OpenAI veröffentlicht GPT OSS, eine neue Open-Source Modellfamilie. Die Modelle sind frei verfügbar und sollen Entwicklern mehr Flexibilität bieten.

Claude mit Model Context Protocol: Bilder generieren leicht gemacht

Claude kann jetzt über das Model Context Protocol direkt auf Hugging Face Modelle zugreifen und Bilder generieren. Die Integration ermöglicht nahtloses Zusammenspiel zwischen Anthropics LLM und Open-Source-Tools.

Smol2Operator: GUI-Agenten für automatisierte Computeraufgaben

Hugging Face stellt Smol2Operator vor – leichte Sprachmodelle, die trainiert wurden, um grafische Benutzeroberflächen eigenständig zu bedienen. Die neuen Agenten ermöglichen Automatisierung von Desktop-Aufgaben ohne komplexe Programmierung.

FLUX-2: Neue Bildgenerierung in Hugging Face Diffusers

Hugging Face integriert FLUX-2 in die Diffusers-Library. Das Modell bietet verbesserte Bildqualität und schnellere Generierung. Developer erhalten direkten Zugang zu fortgeschrittenen Text-to-Image-Fähigkeiten.

Transformers v5: Einfachere Modell-Definitionen für das AI-Ökosystem

Hugging Face veröffentlicht Transformers v5 mit vereinfachten Modell-Definitionen. Die Update reduziert Komplexität und macht die Bibliothek zugänglicher für Entwickler.

Transformers.js v4: Jetzt auf NPM verfügbar

Transformers.js v4 ist ab sofort über NPM installierbar. Die JavaScript-Bibliothek bringt Machine-Learning-Modelle direkt in Browser und Node.js – ohne Python-Abhängigkeiten.

Custom CUDA Kernels mit Codex und Claude automatisieren

Hugging Face zeigt, wie LLMs wie Codex und Claude Custom CUDA Kernels schreiben können. Das vereinfacht die GPU-Optimierung und macht High-Performance Computing zugänglicher für mehr Entwickler.

GGML und llama.cpp schließen sich Hugging Face an

Die Open-Source-Projekte GGML und llama.cpp integrieren sich in Hugging Face. Der Schritt sichert die Langzeitentwicklung lokaler KI-Modelle und stärkt das Ökosystem für Edge-Deployment.

TRL v1.0: Die Post-Training Library erreicht Production-Reife

Hugging Face stellt TRL v1.0 vor – eine Bibliothek für Post-Training von Large Language Models. Die neue Version bringt Stabilität, bessere Performance und erweiterte Features für Industrial-Anwendungen.

Gemma 4: Googles neues multimodales On-Device-Modell

27. Apr. 2026models2 min

Google präsentiert Gemma 4 mit nativer Multimodal-Unterstützung für lokale Verarbeitung. Das Modell kombiniert Text- und Bildverarbeitung auf Edge-Geräten und adressiert Performance sowie Datenschutz gleichermaßen.