arXiv联手Hugging Face，论文链接到开源Demos一步到位

arXiv 作为超大规模的预印本网站，从诞生之初就造福了无数科研工作者。而它存在的意义，远不止让大家免费看论文这么简单。近日，Hugging Face 宣布与 arXiv 合作开发了一项新功能，即 Hugging Face Spaces 通过 Demos 选项卡与 arXivLabs 集成，该选项卡包含指向社区或作者自己创建的 Demos 的链接。用户只需将鼠标点到 Demos 选项卡，就可以查看源代码并试用。

举例来说，如果你想试用 BERT 语言模型的 Demos，可以转到 BERT 论文的 arXiv 页面，然后导航到 Demos 选项卡。这时你将看到开源社区构建的 200 多个 Demos——一些 Demos 只是展示 BERT 模型，而其他 Demos 则展示修改或使用 BERT 作为更大 pipeline 一部分的相关应用程序。

这里，我们也亲自试用了一下，例如在论文《Deep Residual Learning for Image Recognition》的 arXiv 摘要界面，在 Demos 选项卡下有 7 个相关的开源 Demos，用户可以点击相应的链接进入。

Hugging Face Spaces 是 Hugging Face 于 2021 年 10 月推出的，主要用于构建和共享开源机器学习的 Demos 演示，数量多达 12000 个。借助 Spaces，Hugging Face 用户实现了共享、探索以及对模型的讨论，此外，研究者还构建了交互式应用程序，这样一来使用浏览器的人都可以在不运行代码的情况下进行尝试。这些 Demos 是使用开源工具（如 Gradio 和 Streamlit Python 库）构建的，并利用了 Hugging Face Hub 上的模型和数据集。

Spaces 地址：https://huggingface.co/spaces

Demos 这一功能有助于提高研究者对模型工作原理的认识和理解，扩大研究人员工作的可见度。让用户无需编写一行代码就可以探索论文结果，从而提高研究的可复现性。还没有试用的小伙伴，可以上手体验了。

参考链接：https://huggingface.co/blog/arxiv

入门Hugging FacearXiv

相关数据

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

语言模型技术

统计式的语言模型是借由一个几率分布，而指派几率给字词所组成的字串。语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。

来源：维基百科