由Hugging Face机器学习增长负责人Ahsen Khaliq(@_akhaliq)开发的开源Web应用开发环境AnyCoder已在Hugging Face Spaces正式发布。
该工具现已面向AI代码共享平台Hugging Face的所有用户开放,集成了实时预览、多模态输入和一键部署功能。在托管环境中,无论是缺乏技术专业知识的独立创作者,还是为客户或大型企业工作的开发人员,都可以借助Hugging Face托管的AI模型快速开始"直觉式编程"Web应用。
AnyCoder也因此成为Lovable等服务的替代方案,这些服务同样允许用户用纯英文描述来开始编写应用程序,无需正式的编程知识。
免费直觉式编程,Kimi K2驱动
Khaliq将AnyCoder作为Hugging Face生态系统内的个人项目开发,并将其定位为"首批支持Moonshot强大而小巧高效的Kimi K2模型的直觉式编程应用之一",该模型于上周发布。
AnyCoder的主要功能允许用户输入纯文本描述来生成HTML、CSS和JavaScript代码。这些代码会在实时预览窗格中显示,可以进行编辑或直接部署。工具还包含待办事项应用、仪表板、计算器等示例模板。
AnyCoder完全基于Hugging Face的开源Python开发环境Gradio构建,允许用户用纯英文描述应用程序或上传图像,即时生成可运行的前端代码。
Khaliq在与VentureBeat记者的私信对话中将其描述为"免费开源的直觉式编程应用"。
他还指出,该工具支持多个开源模型,用户可以通过左侧控制面板的下拉菜单在不同模型间切换,包括:
Moonshot Kimi-K2、DeepSeek V3、DeepSeek R1、百度的ERNIE-4.5-VL、MiniMax M1、阿里巴巴的Qwen3-235B-A22B、SmolLM3-3B和GLM-4.1V-9B-Thinking。
从UI图像生成代码、网络搜索集成和OCR支持
使用ERNIE-4.5-VL模型,AnyCoder支持多模态生成。用户可以上传UI设计截图或原型图,并从中生成功能性前端代码,这对设计师或视觉化工作团队非常有用。
AnyCoder包含网站重新设计工具,能够从任何公开网站提取内容并以更现代的布局重新渲染。它使用抓取的内容如页面结构、元信息和图像来构建新版本,可选择性地根据用户指令如"让它更简约"或"添加深色模式"进行调整。
为支持最新的设计趋势和实现模式,AnyCoder通过Tavily提供网络搜索集成。启用API密钥后,平台会在生成代码前搜索当前技术和最佳实践。
用户可以上传包含嵌入文本的图像(如截图或手写笔记),AnyCoder使用Tesseract OCR提取其中的内容。提取的文本随后可以整合到代码提示或应用内容中。
一键部署到Hugging Face Spaces
AnyCoder允许将生成的应用即时部署到Hugging Face Spaces。在通过OAuth认证并授予所需权限后,用户可以在自己的Hugging Face账户命名空间下部署应用。部署功能包括:
移动友好的响应式设计、品牌化页眉/页脚和README、实时可共享URL以及完整的所有权和编辑权限。
该部署功能现已支持使用Gradio构建的完整Python应用程序,将工具的使用场景扩展到静态网站之外。对Streamlit的支持也正在开发中。
对于新手开发者或希望快速启动新项目的技术专家来说,AnyCoder似乎是一个优秀且引人注目的起点。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。