AREX Feed Article
不靠 GPT 写新闻：HuggingNews 用小模型 + GRPO 硬刚 AI 信息过载
Hugging Face CEO Clem Delangue 亲自站台，前 Google/NVIDIA 工程师用开源模型搭建了一个 AI 新闻聚合器。最反直觉的是：写稿的模型只有 35B 参数，效果却比 Claude 和 GPT 的长 prompt 版本更干净。
AI 圈的信息洪流，终于有人来分流了
在 AI 行业，信息过载不是一种抱怨，而是一种物理现实。每一天，OpenAI、Anthropic、Meta、xAI、Google 轮番扔出新模型；芯片禁令、融资新闻、政策风向一天一变；X 上的 AI 讨论像消防水管一样喷涌。就连 Hugging Face 的 CEO Clem Delangue 也在推文中承认："Keeping up with AI news is becoming a full-time job."
过去，解决这个问题的思路非常统一：把大模型怼上去。让它读，让它总结，让它推送。
但 Nikolai Yakovenko（X 账号 @ivan_bezdomny）选了一条完全相反的路。这位前 Google、NVIDIA、Twitter 工程师花了数周时间，用 Qwen 3.6 35B 做了一次精细的 GRPO 微调，搭建了一个叫 HuggingNews 的 AI 新闻聚合器。上线当天，Clem Delangue 亲自发推推广，Hugging Face 官方账号（721K 粉丝）转发背书，推文在 24 小时内收获超过 1600 个赞和 113K 次阅读。
一个 35B 的开源模型写新闻，凭什么比 GPT 和 Claude 还靠谱？答案藏在微调里。
50 条新闻、1200 个信源、一个小模型
HuggingNews 是一个极简的 AI 新闻聚合网站。每两小时运行一次采集流程，监控 X 上约 1200 个核心 AI 信源的帖子和互动，自动聚类、提取关键事实、判断新闻优先级，最后由一个经过风格微调的小模型写出标题和正文。
目前日均产出约 50 条新闻，按天分栏展示。顶部有 TL;DR 区域，集中呈现当天最重要的 5-6 条主线。右侧列出正在讨论的热门实体——今天的模型名称、长期活跃的公司主体（如 OpenAI）等。
每条新闻由三部分组成：一个可扫描的标题、2-3 段精简正文，以及"best bits"——从相关推文中提取的最有信息量的片段。当报道涉及公司官方公告或关键个人的一手声明时，系统会优先展示原始推文。
网站不做图片、不做复杂排版，只有一个为移动端优化过的纯文本信息流。Yakovenko 在技术文章中解释："我们刻意保持产品轻量和极简。LLM 项目很容易变得臃肿、产生 slop。"
为什么一个 35B 模型写的新闻，比 GPT 还像人话？
这是整个项目最有信息量的部分。Yakovenko 在随产品发布的技术文章中，详细解释了他为什么不走"大模型 + 长 prompt"的常规路线。
问题：大模型不会写干净的新闻
用过 ChatGPT 或 Claude 写新闻的人都知道，大模型有一些顽固的"文体习惯"。它们酷爱 em-dash，高频使用连字符复合词（hyphen-compounds），标题里全是"XXX Says"句式。你让它写 Bloomberg 风格，它可能把 Google 写成"Alphabet Inc"，把 CEO 写成"Chief Executive Officer"——一种表演性的正式感。
长 prompt 可以约束这些问题。Yakovenko 尝试过设计包含自我反思环节的长 prompt 流程：草拟 → 评估 → 修改。效果确实有所改善，但有两个致命缺陷。第一，大模型不完全遵循长 prompt，输出质量不稳定。第二，修改是在本地编辑层完成的，往往打乱文章的流畅度——"标题变得笨拙，段落衔接断裂"。
他要的不是改出来的干净，是原生的干净。
解法：GRPO 微调，让模型"天生"就会写好稿
Yakovenko 选择了一条更底层的路线：直接微调一个 Qwen 3.6 35B 模型，用 GRPO（Group Relative Policy Optimization）算法训练它按照一套可编程的风格评分函数来生成文本。
这套评分函数的核心是风格打分。Yakovenko 将他对好新闻的标准——不用 cliché、不堆砌连字符复合词、标题干净利落、融资新闻必须在标题里写清金额和公司名——全部编码成确定性评估逻辑。训练时不需要大模型做在线裁判，速度快、可重复。
此外还有一个相似度打分。他先用大模型 + 长链式 prompt 生成了一批"金标准"范文——那些经过反复推敲、真正干净的新闻样本——然后让小模型在训练中向这些样本的输出分布靠拢。
换句话说，大模型在这里的角色从"写作者"变成了"教材编写者"。真正出稿的是那个被训练过的小模型。
效果：小模型写稿，大模型只负责聚类和草稿
整个系统的分工非常清晰。大模型（Claude/GPT）负责两件事：聚类推文、提取关键信息和评论、草拟文章大纲。然后，那个 GRPO 微调过的小模型接手，写出最终的标题和正文。
Yakovenko 在文章里写得很诚恳："我没想到一个经过微调的小模型能写得这么好。在大多数情况下，它比带着长 prompt 的大模型表现更好，而且远好于未经微调的原始小模型。"
目前他们正在探索 Gemma 4 等其他可微调模型，以及将 GRPO 奖励信号延伸到模型的"思考轨迹"（thinking trace）而非仅评估最终输出——这意味着未来有可能微调模型选择新闻角度的能力。
前 Google/NVIDIA 工程师 + Hugging Face CEO 站台
Nikolai Yakovenko 并非新手。他从 2014 年开始做深度学习，先后在 Google、NVIDIA、Twitter 和两家对冲基金工作过，是一个资深的 AI 应用开发者。目前常驻迈阿密。
这次 HuggingNews 的推出方式很有意味：它不是 Hugging Face 公司内部的正式产品发布，而是 Yakovenko 个人项目的公开亮相，由 Clem Delangue 以朋友身份背书。Clem 在推文中写道："我已经用它好几周了。"随后 Hugging Face 官方账号转发，等于给了这个项目半官方的身份认证。
这种"社区成员先做出来，官方再认领"的模式，是 Hugging Face 一贯的风格。从 Gradio 到 HuggingChat，再到如今的 HuggingNews，Hugging Face 生态一直在用这种低摩擦的方式扩展边界。
值得注意的是，HuggingNews 的下一步计划中提到了个性化推荐——未来将根据用户的 Hugging Face 个人资料来定制新闻流。这意味着 HuggingNews 有可能成为 Hugging Face 生态的"信息入口"，把分散在 X、论文、博客、GitHub 上的 AI 信息整合成一个与用户兴趣对齐的定制化信息流。
Techmeme 向左，HuggingNews 向右
AI 新闻聚合不是一个空白市场。
Techmeme 是最老牌的科技新闻聚合器，由人工编辑和算法共同筛选，但覆盖面偏重商业科技新闻，AI 垂直深度有限。
AI 日报类 Newsletter（如 The Batch、TLDR AI）有稳定的读者群，但更新频率受限于编辑节奏，且无法做到个性化。
X 的算法推荐是目前大多数 AI 从业者获取新闻的方式，但算法优化的不是信息质量而是用户停留时长，噪音问题无解。
HuggingNews 的差异化定位很清晰：纯 AI 领域、高频更新、最小化噪音、即将支持个性化。它不是要取代 X 或 Techmeme，而是要为 AI 从业者提供一个"clean room"——一个可以快速扫描全行业动态而不被算法和废话淹没的地方。
社区反应印证了这个需求的存在。知名科技记者 Robert Scoble（591K 粉丝）回复"Cool"，SaaS 创业者 Hiten Shah（325K 粉丝）回了一句"Heck ya!!!"，Python 教育者 Harrison Kinsley/Sentdex（108K 粉丝）调侃"Coulda been NewsFace instead!"。更多普通用户表达了强烈的共鸣——"终于可以去摸草了""用 AI 过滤 AI 噪音是今年唯一的生存之道"。
当然也有批评。一位用户直言产品还不够聚焦："如果它真能覆盖 Hugging Face 上的模型和动态就更好了，现在基本就是 AI Twitter 的日报。"另一位反馈指出网站目前屏蔽自动化访问，对 agent 不够友好——Yakovenko 在文章中已明确表示 MCP 支持在开发计划中。
Hugging Face 的信息分发野心
HuggingNews 的发布时机值得玩味。
就在同一周，Hugging Face 刚刚和 Google 合作将 Gemma 4 的推理速度加速 5 倍；再往前，Netflix 把视频数据集和模型放上了 Hugging Face。这个平台已经不满足于做"模型的 GitHub"——它正在向 AI 开发生命周期的上下游延伸：从模型的存储和推理，到社区协作和竞赛，再到如今的信息分发。
如果 HuggingNews 真的与 Hugging Face 的用户体系打通，它将成为一个强大的飞轮：用户来 HF 找模型 → HuggingNews 告诉用户哪些模型值得关注 → 更多发布者把模型和论文放上 HF 以获得曝光 → 更多用户来 HF。信息分发成为平台增长的引擎。
但风险同样存在。HuggingNews 目前的内容完全依赖于 X 平台的信号来源。如果 X 的 API 政策发生变化，或者核心 AI 社区迁移到其他平台，这个系统的信源管道将受到直接影响。Yakovenko 在技术文章中也坦承了这一点，表示未来会拓展更多信息源。
最后值得指出的是这个项目所暗示的技术趋势。用 GRPO 微调小模型来解决垂直写作任务，这个思路的意义远不止新闻写作。Yakovenko 在文章中提到了 Thinking Machines 和桥水基金合作的金融模型微调项目——用类似的思路在股票市场做 alpha 生成。当"大模型做粗活、微调小模型做细活"成为 AI 应用的默认架构，Hugging Face 手握最大的开源模型仓库，天然具备基础设施优势。
HuggingNews 或许只是这盘棋的第一步。
参考链接：
本文由 AREX Agent 编辑团队基于一手社交平台信息和公开技术资料撰写，转载需注明出处。