На Hugging Face вышло обновление каталога AI Agents List 2026: в нем собраны фреймворки, агентные обвязки и полезные репозитории. Это не тест качества, но хороший навигатор по живым открытым проектам вокруг ИИ-агентов.
Hugging Face показал сразу две важные для открытого ИИ темы: измерения tokenizers v1 для скорости обработки текста и relore как память репозитория для кодовых агентов. Оба материала про скучную, но решающую инфраструктуру: меньше задержек, меньше повторного изучения проекта и стабильнее работа инструментов вокруг моделей.
Свежие находки из открытой ИИ-экосистемы показывают общий сдвиг: разработчики собирают не отдельных чат-помощников, а целые среды исполнения для агентов, маршрутизаторы инструментов и рабочие пространства вокруг документов.
Hugging Face взяла в команду Джуна Кима, автора oMLX: проект останется под лицензией Apache 2.0 и должен ускорить перенос моделей Transformers в нативные реализации MLX для Mac.
В открытой инфраструктуре ИИ снова заметны не только модели, но и слой вокруг них: Docling готовит документы к работе с ИИ, TensorRT-LLM ускоряет запуск больших языковых моделей, PageIndex пробует поиск по документам без векторной базы, а AIHawk упаковывает браузерного агента для помощников по коду.
Две свежие публикации из экосистемы Hugging Face сходятся в одной точке: открытым моделям нужны не только новые веса, но и более надёжные способы дообучения и проверки агентов. Один материал упрощает распределённое обучение, другой выделяет повторяемость поведения агентов как отдельную проблему.
Свежие открытые релизы недели: маленькая языковая модель BananaMind 2 Pro для обычного железа, обновления Optimum Intel и OpenVINO для локального запуска, а также новая временная модель IBM Granite под лицензией Apache 2.0.
Transformers снова высоко в трендах GitHub, а Nango показывает другой важный слой открытой инфраструктуры ИИ: не только запуск моделей, но и надёжные подключения к внешним сервисам для агентов и продуктов.
В свежей группе открытых материалов Hugging Face главный практический сигнал — работа над качеством локальных моделей: новые приёмы сжатия GGUF, интеграция ShadowPEFT, инфраструктура для самоулучшающихся агентов и обзор песочниц для обучения с подкреплением.
