精选 69 篇，从 420+ 条中筛选
tencent/HY-Embodied-0.5是一款针对真实世界智能体设计的多模态基础模型，定位为多模态模型。其核心技术为Mixture-of-Transformers (MoT)架构，具有高效的2B模型和强大的32B模型。在16个基准测试中，2B模型表现优于同类模型，32B模型则达到前沿水平。该模型适用于视觉语言行动（VLA）管道，具有强大的空间时间视觉感知和复杂具身推理能力。
Gemma-4-31B-it 是一款由 Google DeepMind 开发的多模态大型语言模型，定位为通用大模型。该模型具备高达 31B 的参数量和 256K 的上下文长度，支持文本、图像等多种输入和文本输出。其核心技术包括 Dense 和 MoE 架构，并针对移动设备进行了优化。在性能上，Gemma-4-31B-it 在多个基准测试中表现出色，尤其在代码生成和推理任务上具有显著优势。模型开源协议为 Apache 2.0，适用于从手机到服务器的多种部署环境。
GLM-5.1是一款定位在通用大模型领域的旗舰模型，具备强大的编码能力。其核心技术包括Transformer架构、MoE（多智能体）设计，支持多语言处理。在基准测试中，GLM-5.1在代码生成、数学推理等任务上表现出色。该模型适用于需要多语言支持和复杂任务处理的场景，具有开源协议、高效推理等实用特性。
VoxCPM2是一款基于扩散自回归的文本到语音模型，具有2B参数，支持30种语言，输出48kHz音频。该模型无需分词器，能够根据自然语言描述生成新声音，克隆任何声音，并具有上下文感知的合成能力。它在HuggingFace平台上具有较高的下载量和点赞数，支持实时流式传输，并采用Apache-2.0开源协议。VoxCPM2在LLM生态中定位为多模态模型，其核心技术为VLM（语音语言模型），主要应用场景包括语音合成、语音克隆和语音设计。
tencent/HY-World-2.0是一款专注于3D世界重建、生成和模拟的多模态世界模型。该模型定位为多模态模型，具有独特的图像到3D的转换能力。其核心技术包括世界模型、3D建模和图像处理。在性能表现上，模型在相关基准测试中表现出色，具有高效的开源协议和良好的硬件兼容性。主要应用场景包括3D内容创作、虚拟现实和增强现实。
OBLITERATUS/gemma-4-E4B-it-OBLITERATED是一款专注于文本生成的通用大模型，基于Google的Gemma 4 E4B模型，通过OBLITERATUS技术进行强化。该模型具有极高的 uncensored 特性，拒绝率几乎为零，同时在代码生成能力上有所提升。模型在训练数据上进行了扩展，增加了多个类别，包括药物合成、黑客攻击、武器等。性能上，相较于原始模型，OBLITERATED v2在拒绝率上有了显著提升，同时在代码生成能力上有所增强。
HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive 是一款基于 Qwen3.6-35B-A3B 的开源多模态模型，专注于图像-文本到文本的转换。该模型具有无审查的特性，能够生成完整的内容，适用于需要无限制文本生成的场景。模型定位为多模态模型，具有强大的文本生成能力，特别适合于需要处理图像和文本信息的任务。技术特点包括基于Qwen3.6-35B-A3B的架构，无审查的生成能力，以及多语言支持。在性能上，模型在图像-文本到文本转换任务中表现出色，但未提供具体的基准测试结果。实用考量方面，模型开源，适用于多种硬件平台，但具体推理效率取决于硬件配置。
Jackrong/Qwopus-GLM-18B-Merged-GGUF 是一个基于 Qwen3.5-9B 和 Qwen3.5-9B-GLM5.1-Distill-v1 的 64 层 Frankenmerge 模型，参数量约为 18B。该模型在代码生成、数学推理和多语言能力方面表现出色，通过 1000 步 QLoRA fine-tune 解决了原始模型在代码输出上的问题。模型适用于需要高性能代码生成和推理的场景，具有开源协议 Apache-2.0，适合在 12-16 GB GPU 上运行。
Qwen3.6-35B-A3B是一款专注于代码生成的LLM，具有35B参数和10倍MoE结构，支持长达1,010,000个token的上下文。其核心能力在于Agentic Coding和Thinking Preservation，通过优化前端工作流程和推理上下文，提升开发效率。在性能上，模型在代码生成任务中表现出色，具有较好的稳定性和实用性。开源协议为Apache-2.0，与Hugging Face Transformers兼容。
Kimi K2.6是一款开源的多模态智能模型，专注于长周期编码、编码驱动设计、自主执行和基于群体的任务编排。该模型在复杂编码任务上表现出色，能够生成生产级界面和全栈工作流程。其核心技术包括压缩张量、多代理和图像-文本到文本的管道。在性能方面，K2.6在多个基准测试中表现出色，具有强大的代码生成和设计能力。适用于需要高效编码和设计的场景，如软件开发和界面设计。
Qwen3.6-35B-A3B-FP8是一款专注于代码生成的通用大模型，拥有35B参数，支持FP8量化。其架构采用Transformer变体，包括MoE和Gated DeltaNet，上下文长度可达248320个token。在代码生成和推理方面表现出色，尤其在Agentic Coding和Thinking Preservation方面有显著优势。性能上，模型在基准测试中表现良好，具有开源Apache-2.0协议，与vLLM等框架兼容。
MiniMax-M2.7是一款定位在通用大模型范畴内的LLM，具有较大的参数量和较长的上下文长度。其核心技术基于transformers库，并引入了safetensors和custom_code等创新。在性能上，该模型在多个基准测试中表现出色，具有较好的代码生成和数学推理能力。开源协议为modified-mit，适合在多种硬件和推理框架上使用。
ERNIE-Image是一款由百度开发的开放文本到图像生成模型，定位为多模态模型。它基于单流扩散Transformer（DiT）架构，具有8B参数量，在保持视觉质量的同时，提供精确的内容实现和可控性。该模型在复杂指令遵循、文本渲染和结构化图像生成方面表现出色，适用于商业海报、漫画等多媒体内容创作。性能上，ERNIE-Image在开放权重文本到图像模型中达到最先进的水平。其开源协议为Apache-2.0，适合对图像质量和内容精确性有较高要求的场景。
LingBot-Map是一款专注于3D重建的流式处理3D基础模型，定位为特定领域微调模型。其核心技术为Geometric Context Transformer，具有高效的流式推理能力，在长序列上表现优异。性能上，相比现有流式和迭代优化方法，表现卓越。主要应用场景为3D重建，适用于需要高效率、高精度3D重建的场景。开源协议为Apache-2.0，硬件需求较高，推理效率高。
Qwen/Qwen3.6-27B是一款专注于代码生成的LLM，具有27B参数和64层结构。它具备前端工作流和仓库级推理的能力，上下文长度可扩展至1,010,000 tokens。该模型在Agentic Coding和Thinking Preservation方面有显著提升，适合开发者和研究人员使用。性能方面，具体基准测试结果未提供，但模型在代码生成和推理方面有优势。开源协议为Apache-2.0，与Hugging Face Transformers兼容。
Lyra-2.0是一款专注于生成持久、可探索的3D世界的框架，属于多模态模型。其核心技术包括长程视频合成和3D重建，具有强全局几何一致性。性能方面，Lyra-2.0在单图像3D场景生成领域达到新水平。模型定位为多模态模型，主要应用场景为3D世界生成和探索。其开源协议为NVIDIA内部科学研究与发展模型许可，硬件需求较高，推理效率依赖于具体应用。
OpenAI Privacy Filter是一款专注于个人身份信息（PII）检测和屏蔽的token-classification模型，适用于高吞吐量数据清洗工作流程。该模型具有小型化、可微调、长上下文处理和运行时控制等特点，适用于需要快速、上下文感知且可调整的模型场景。它基于GPT-oss架构，具有1.5B参数，支持在浏览器或笔记本电脑上运行。该模型在性能和效率方面表现出色，适用于数据安全和隐私保护领域。
🔥 unsloth/Qwen3.6-35B-A3B-GGUF 是一款基于 Qwen3.6-35B-A3B 的开源模型，专注于图像到文本的转换。该模型定位为通用大模型，具有35B参数量和A3B架构，支持多模态输入。它在性能上表现出色，尤其在图像到文本转换任务中具有显著优势。模型采用Apache-2.0开源协议，适用于多种硬件平台，推理效率高，与vLLM等框架兼容。
🔥 unsloth/Qwen3.6-27B-GGUF 是一款基于 Qwen3.6-27B 的开源模型，专注于图像到文本的转换。该模型具有27B参数，上下文长度可达200K，采用GGUF技术进行量化，旨在提高推理效率。它在代码生成、数学推理等方面表现出色，适用于需要多模态交互的场景。模型遵循Apache-2.0开源协议，支持在Unsloth Studio中进行运行和微调。
这篇论文提出了一种基于几何识别的参数高效自适应方法，用于微调大型语言模型。通过将隐藏状态视为高维几何轨迹，并使用RDP算法识别关键断点，论文实现了对模型层的有效选择，从而在MMLU-Math任务上显著提升了性能。
这篇论文提出了一种名为微语言模型（μLMs）的新方法，通过在边缘设备上运行超紧凑的模型来即时生成上下文相关的响应的前几个词，同时利用云端模型完成剩余部分，从而减少延迟并提高响应速度。
这篇论文提出了CityRAG，一个视频生成模型，它利用地理注册数据作为上下文，将生成过程与物理场景相结合，同时保持复杂运动和外观变化的学习先验。CityRAG能够生成连贯的、物理上基于的视频序列，并在数千帧中维持天气和光照条件，实现闭环和复杂轨迹导航，以重建现实世界的地理。
这篇论文通过大规模研究LLM引导的进化搜索，分析了15个LLM在8个任务上的优化轨迹，揭示了LLM作为优化器的行为模式，并强调了轨迹分析在理解和改进LLM优化系统中的重要性。
这篇论文提出了MoVE，一种基于混合专家的语音到语音翻译模型，旨在通过合成数据集和专门化的适配器来翻译非言语声音，如笑声和哭泣，从而提高翻译的自然性和情感忠实度。
这篇论文提出了一种基于深度学习的交换相关函数（XC functional），名为Skala，它通过直接从数据中学习非局部电子结构表示，超越了现有的混合泛函，在GMTKN55基准集上实现了更高的准确性和计算效率。
这篇论文提出了AJ-Bench，一个用于评估环境感知智能体作为裁判的基准。该基准通过三个领域（搜索、数据系统和图形用户界面）的155个任务和516个标注轨迹，系统地评估了裁判智能体在信息获取、状态验证和过程验证方面的能力。实验表明，与基于LLM的裁判模型相比，AJ-Bench在性能上有所提升，但也揭示了基于智能体的验证中存在的挑战。
这篇论文提出了Task-Feature Specialization（TFS）概念，证明了TFS是权重解耦的充分条件，并引入了OrthoReg正则化方法，通过在微调过程中强制权重更新保持正交性来促进解耦，从而显著提升了任务算术方法的性能。
ShadowPEFT提出了一种参数高效的微调框架，通过在预训练模型中引入一个深度共享的阴影模块，在层级别进行微调，从而减少大型语言模型的训练成本，同时保持了模型的性能。
这篇论文提出了HP-Edit，一个基于人类偏好的图像编辑后训练框架，通过利用少量人类偏好评分数据和预训练的视觉大型语言模型（VLM）来开发HP-Scorer，从而提高图像编辑模型与人类偏好的契合度。
这篇论文提出了一种名为PSRD（Phase-wise Self-Reward Decoding）的新框架，用于通过动态幻觉缓解来减轻大型视觉语言模型（LVLMs）的视觉幻觉问题。该框架利用视觉幻觉的阶段性动态模式，通过自奖励信号在线校正幻觉，显著降低了幻觉率，并在多个基准测试中优于现有方法。
这篇论文研究了在边缘本地化的小型语言模型（SLMs）中，通过消除系统1和系统2推理来提高去中心化共识的鲁棒性。作者通过Sentinel-Bench框架在Qwen-3.5-9B模型上执行严格的内部消融实验，发现系统1的直觉推理在对抗性环境中比系统2的迭代推理更稳定和有效。
这篇论文探讨了基于思维链（Chain-of-Thought, CoT）的多模态大型语言模型（Multimodal LLMs）在视觉空间推理能力上的退化。作者通过在13个空间基准上对17个模型进行综合评估，发现CoT提示在视觉空间推理方面持续降低性能。此外，通过No-Image++消融实验，作者指出MRMs和CoT提示的MLMs存在严重的捷径学习问题，即使没有图像，也会从文本先验中产生视觉细节。这些发现挑战了仅使用文本的CoT在空间任务中的有效性，并强调了以视觉为中心的推理范式的重要性。
这篇论文提出了一种名为UDM-GRPO的框架，用于统一离散扩散模型（UDM）与强化学习的集成。该方法通过将最终清洁样本视为动作，以及通过扩散正向过程重建轨迹，提高了优化的准确性和稳定性。此外，还引入了减少步骤和CFG-Free策略来提高训练效率。实验结果表明，该方法在多个T2I任务上显著提升了基础模型性能，并在OCR基准测试中实现了显著的性能提升。
这篇论文提出了'Mind's Eye'，一个针对多模态大型语言模型（MLLMs）视觉抽象、转换和组合能力的基准测试。通过模拟经典的人类智能测试，该基准测试了MLLMs在视觉认知和空间推理方面的能力，并与人类参与者进行了比较。实验结果表明，尽管MLLMs在视觉语言基准测试上取得了显著进展，但它们的视觉认知能力仍然有限。
这篇论文研究了如何从连续参数预测整数标签的问题，提出了直接使用离散分布来建模整数标签的方法，并通过实验验证了这种方法在表格学习、序列预测和图像生成等任务上的有效性。
这篇论文提出了AnyRecon，一个基于视频扩散模型的任意视角3D重建框架。该框架能够从任意和无序的稀疏输入中重建场景，同时保持显式的几何控制，支持灵活的条件基数。通过构建持久的全局场景记忆和引入几何感知的条件策略，AnyRecon在处理大规模3D场景时表现出鲁棒性和可扩展性。
这篇论文研究了在现实场景中大型语言模型（LLM）的失败情况，提出了一种基于对比归因的方法，通过分析LLM在真实基准测试中的失败案例，探讨了对比归因在LLM失败分析中的实用性和局限性。
这篇论文提出了SmartPhotoCrafter，一个自动摄影图像编辑方法，它将图像编辑视为一个紧密耦合的推理到生成过程。该方法通过图像批评模块进行图像质量理解，然后通过摄影艺术家模块实现针对性的编辑来增强图像吸引力，无需明确的人类指令。论文采用了多阶段训练流程，包括基础预训练、适应性和协调推理到生成强化学习，以实现高质量的摄影增强。
这篇论文提出了一种名为SDVG的新方法，将推测性解码应用于基于块的自动回归视频扩散，通过图像质量路由器代替标记验证，以加速视频生成过程。该方法通过四个去噪步骤生成候选块，并使用图像奖励进行评分，以提高视频质量。
NVIDIA发布了一款名为Nemotron OCR v2的多语言OCR模型，该模型通过合成数据训练，实现了高精度和快速识别。该模型使用了12百万个合成训练图像，支持英语、日语、韩语、俄语、简体中文和繁体中文，并通过创新的合成数据生成管道和高效的模型架构，实现了快速的多语言文本识别。
暂无摘要
NVIDIA发布了Nemotron-Personas-Korea数据集，这是一个基于韩国官方统计数据和种子数据的合成人数据集，用于训练更符合韩国人口统计和文化的AI代理。该数据集旨在解决当前AI代理在处理韩语数据时存在的文化差异和地域问题，并遵循韩国个人信息保护法。
本文介绍了KV缓存技术，这是一种优化Transformer推理效率的方法。通过缓存中间计算结果，模型可以避免重复计算，从而加快文本生成速度，提高效率。
NVIDIA发布了NVIDIA Isaac GR00T N1.7，这是一个开源的商业许可Vision-Language-Action模型，用于人形机器人。该模型基于人类数据，旨在提高机器人智能的可扩展性，并支持多步骤任务推理和精细操作。
Hugging Face通过使用Codex、开源OCR模型和Hugging Face Jobs，成功对30,000篇论文进行了OCR处理，使这些论文的Markdown版本可供用户在平台上进行交互。
Nucleus AI发布了Nucleus-Image，一个基于稀疏混合专家的17B参数文本到图像扩散模型。该模型在GenEval、DPG-Bench和OneIG-Bench等基准测试中取得了优异的成绩，并且是首个在该质量级别上完全开源的MoE扩散模型。Nucleus-Image通过稀疏混合专家技术，将计算成本与容量分离，实现了高效能的图像生成。
这篇公告主要讨论了备份AI代理和AI痕迹的重要性，并提供了如何使用Hugging Face服务进行备份的方法。作者强调了这些痕迹作为知识库的价值，并提出了多种使用这些痕迹的潜在用途。
Darwin-TTS-1.7B-Cross，世界上第一个跨模态LLM到TTS的FFN迁移模型，通过将LLM的3%权重移植到TTS模型中，实现了情感表达，且无需训练、数据和GPU时间进行微调。
easyaligner是一个用于文本和音频对齐的库，旨在简化对齐过程，提高灵活性和性能。它支持多种应用，包括创建交互式阅读体验、章节导航、关键词搜索、议会辩论记录的访问性以及AI模型训练数据集的创建。
Cohere Labs发布了Tiny Aya，一个支持70多种语言的工具调用模型，特别适用于移动设备。Tiny Aya在低资源语言上的表现良好，且无需云端依赖，可在中端手机上实现低延迟运行。此外，Cohere Labs还推出了TinyFacade，一个用于构建多语言工具调用应用的框架。
本文介绍了名为“abliteration”的技术，该技术可以取消任何大型语言模型（LLM）的审查机制，使其能够响应所有类型的提示。这项技术通过修改模型权重来阻止模型拒绝请求，从而提高了模型的灵活性和响应能力。
本文介绍了如何从头开始构建一个简单的检索增强生成（RAG）系统，该系统结合了信息检索和文本生成，以增强语言模型的表现。文章详细解释了RAG系统的关键组件，包括检索模型和语言模型，并提供了使用Python和ollama实现RAG系统的示例代码。
阿里巴巴Qwen团队发布了新一代基础模型Qwen3.5-397B-A17B，该模型采用混合注意力架构，结合了Gated Delta Networks和稀疏混合专家，并支持多模态输入和多种语言。Qwen3.5在推理、数学、知识遵循、代理、编码和视觉任务上表现出色，但并非在所有类别中都是最佳选择。
商汤科技与南洋理工大学合作推出了NEO-unify，这是一种端到端原生多模态统一模型，旨在直接处理原始像素和文本输入，摆脱传统多模态AI中视觉编码器和变分自编码器的依赖，实现文本和视觉的统一学习，并展现出高数据扩展效率。
这篇公告深入解析了DeepSeek-R1，解释了如何通过PPO和GRPO算法理解强化学习，无需任何先前的强化学习知识。文章通过类比学校考试场景，详细介绍了奖励机制、价值函数、剪辑操作、参考模型和GRPO算法的工作原理。
本文介绍了从GRPO到DAPO再到GSPO的强化学习技术演进，重点关注了在大型语言模型中如何优化长文本输出和复杂任务的性能。文章详细讨论了每种方法的原理、优势和局限性，并展示了如何通过改进采样、剪枝和梯度计算等细节来提高效率和稳定性。
Cohere Labs 发布了 cohere-transcribe-03-2026，这是一个拥有20亿参数的先进语音识别模型，在 Hugging Face 上以 Apache 2.0 许可证开源。该模型专为14种企业关键语言训练，包括中文普通话，实现了最先进的准确性，并具有高效率。它在英语识别方面在 Hugging Face Open ASR 排行榜上位居第一，在其他13种语言中也表现出色。
本文介绍了作者Niels Rogge如何利用编码智能体Codex将VidEoMT模型贡献到Hugging Face的Transformers库中，强调了自2025年12月以来编码智能体在代码编写能力上的显著提升，以及如何通过提供清晰的提示和利用文件系统等方法，有效指导智能体完成模型移植等任务。
Bright Data发布了Bright Data CLI，这是一个开源的命令行工具，用于从命令行直接收集结构化的AI/ML-ready网络数据。该工具旨在解决AI/ML管道中数据质量不足的问题，通过提供程序化网络抓取和访问优化的数据集，帮助用户将原始网络源转换为用于微调、RAG系统、评估和生产就绪的ML管道的数据集。
OpenAI 发布了开源的 Privacy Filter 模型，旨在检测和修订文本中的个人身份信息（PII），以提高数据隐私保护。该模型可在本地运行，支持上下文感知检测，并在 PII-Masking-300k 基准测试中取得了最先进的性能。
OpenAI发布了工作区代理，这是一种在ChatGPT中构建和使用的新功能，旨在自动化重复性工作流程，连接工具，并简化团队操作。工作区代理能够处理常规性、结构化、时间或事件驱动的任务，通过模型解释上下文、做出有限决策并调整工作方式，从而将AI的应用从一次性任务扩展到日常工作中更广泛和嵌入式的支持。
OpenAI通过在Responses API中引入WebSocket模式，显著提升了代理工作流的速度，减少了API开销，并提高了模型推理速度，使代理工作流的端到端速度提升了40%，用户体验得到显著改善。
OpenAI 在其ChatGPT平台中推出了工作区智能体，这是一种由Codex支持的自动化工具，旨在帮助团队在云端安全地执行复杂工作流程，如报告准备、代码编写和消息回复。这些智能体能够跨工具协作，从不同系统中收集信息，并在2026年5月6日前免费提供给ChatGPT Business、Enterprise、Edu和Teachers计划的用户。
这篇论文提出了GRAIL，一个用于检索增强推理的框架，通过结合大型语言模型和图检索技术，解决了现有方法在处理结构化知识图时的局限性，实现了在知识图谱问答数据集上的显著性能提升。
这篇论文提出了Autogenesis Protocol (AGP)，一种自进化协议，它通过解耦进化的内容与进化的方式，解决了现有智能体协议在生命周期管理、版本跟踪和进化安全更新接口方面的不足。AGP通过Resource Substrate Protocol Layer (RSPL)和Self Evolution Protocol Layer (SEPL)两个层次，实现了对资源的管理和自进化过程。实验结果表明，AGP在多个基准测试中优于强基线，证明了其在智能体资源管理和闭环自进化方面的有效性。
这篇论文提出了Nexusformer，一种通过非线性注意力扩展来稳定和可继承地扩展Transformer的方法。它通过引入Nexus-Rank层，将线性Q/K/V投影替换为非线性映射，从而克服了线性约束，实现了无损失的结构化增长。实验表明，Nexusformer在语言建模和推理基准测试中，使用更少的训练计算量达到了Tokenformer的困惑度。
该论文提出了一种名为Refute-or-Promote的对抗性多智能体审查方法，用于高精度LLM辅助缺陷发现。该方法结合了分层上下文搜索、对抗性淘汰令、上下文不对称性和跨模型评论器，以提高LLM辅助缺陷发现的准确性和可靠性。
这篇论文提出了FedProxy，一种新的联邦自适应框架，用于解决大型语言模型（LLMs）的联邦微调问题。FedProxy通过使用压缩的代理小语言模型（SLM）来代替轻量级适配器，有效地解决了知识产权保护、客户隐私和性能损失等挑战，实现了高效、鲁棒和无缝的知识融合。
这篇论文提出了OmniParser V2，一个统一的视觉文本解析模型，通过使用结构化思维点（SPOT）提示方案，将文本识别、关键信息提取、表格识别和布局分析等任务整合到一个框架中，显著简化了处理流程，并在多个数据集上实现了最先进的性能。
这篇论文提出了一种名为OMAC的综合性优化框架，用于基于大型语言模型（LLM）的多智能体协作系统。该框架通过识别五个关键优化维度，包括智能体功能和协作结构，提供了一种通用的算法来优化单个维度，并进一步提出了跨多个维度的联合优化算法。实验表明，OMAC在代码生成、算术推理和通用推理任务上优于现有方法。
这篇论文提出了SitEmb-v1.5，一种改进的上下文感知密集检索方法，用于语义关联和长故事理解。它通过将短文本片段与更广泛的上下文窗口相关联来增强检索性能，解决了长文档检索中上下文信息丢失的问题，并显著提升了性能。
这篇论文提出了EHRAG，一种轻量级的RAG框架，通过混合超图构建和检索来弥合轻量级GraphRAG中的语义差距。EHRAG通过结合结构级和语义级关系，使用轻量级实体提取和实体文本嵌入聚类来构建超图，并通过结构-语义混合扩散和个性化PageRank来检索相关文档。
