精选 69 篇，从 280+ 条中筛选
MiniMax-M2.5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。
Qwen3-TTS是一款专注于语音合成的大语言模型，定位为特定领域微调模型。其核心技术包括自研的Qwen3-TTS-Tokenizer-12Hz和离散多码本LM架构，支持多种语言和方言，具有强大的语境理解和自适应控制能力。性能上，模型实现了低延迟的流式生成，端到端合成延迟低至97ms。主要应用场景包括实时交互和个性化语音合成。模型开源协议为Apache-2.0，适合对实时性和个性化语音合成有较高要求的场景。
Qwen3.5-397B-A17B是一款通用大模型，具备强大的多模态学习能力和高效的推理性能。其核心架构采用Gated Delta Networks和sparse MoE，支持1M上下文长度，具有跨语言的广泛覆盖。在多模态学习、推理效率、适应性等方面表现出色，适用于需要高效率、高准确性的多模态任务。
🔥 unsloth/Qwen3.5-397B-A17B-GGUF 是一款基于 Qwen3.5-397B-A17B 的多模态扩展模型，定位为通用大模型。其核心技术包括 MoE 架构和 image-text-to-text 流程，支持高达 1M 的上下文长度。在性能上，Qwen3.5-397B-A17B-GGUF 在多个基准测试中表现出色，具有强大的代码生成和数学推理能力。开源协议为 Apache-2.0，适用于需要高性能和大规模上下文处理的场景。
Capybara是一款统一视觉创作模型，定位为多模态模型，具备强大的视觉生成和编辑能力。其核心技术包括先进的扩散模型和Transformer架构，支持多任务处理，如文本到视频、文本到图像等。性能方面，Capybara在生成任务中表现出色，具有高效的多GPU处理能力。模型适用于需要高质量视觉合成和编辑的场景，如视频制作、图像编辑等。其开源协议为MIT，硬件需求较高，推理效率良好。
TeichAI/Qwen3-14B-Claude-4.5-Opus-High-Reasoning-Distill-GGUF 是一款定位在通用大模型领域的推理优化版本，具有14B参数量，支持高推理能力。该模型基于TeichAI的Qwen3-14B模型，通过Claude Opus 4.5（推理）数据集进行训练，具有优秀的代码生成、科学推理和通用用途能力。在性能上，该模型在MMLU、GPQA、IFEval等基准测试中表现出色，具有较好的推理效率和开源协议。主要应用场景包括编码、科学研究和通用用途。
KaniTTS2-en是一款专注于英语的实时对话文本到语音模型，采用两阶段流水线，结合LLM和FSQ音频编解码器。模型规模适中，参数量为400M，支持实时语音生成和语音克隆。在LLM生态中，KaniTTS2-en定位为特定领域的微调模型，其核心技术包括Frame-level Position Encodings和基于transformers库的架构。性能方面，模型在相关基准测试中表现良好，具有实时性和语音质量的优势。主要应用场景包括实时对话系统、语音合成和个性化语音克隆。开源协议为Apache-2.0，对硬件要求适中，推理效率较高。
Kimi K2.5是一款开源的多模态大语言模型，定位为通用大模型。它基于约150万亿混合视觉和文本标记的持续预训练，具备视觉和语言理解以及先进的代理能力。模型在视觉知识、跨模态推理和基于视觉输入的代理工具使用方面表现出色。其核心能力包括视觉到代码的生成和代理群体执行复杂任务。在性能上，Kimi K2.5在权威基准测试中表现良好，具有开源协议、硬件需求适中、推理效率较高的特点，适用于多模态任务和复杂任务处理。
nvidia/personaplex-7b-v1是一款定位为通用大模型的LLM，具有7B参数量，支持多语言。其核心技术为Transformer变体，并采用moshi库进行优化。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。模型开源，适用于多种硬件平台，与vLLM等推理框架兼容。主要应用场景包括多语言问答、代码生成等。
Nanbeige4.1-3B是一款基于Nanbeige4-3B-Base的增强型推理模型，具有小型参数规模但强大的推理、偏好对齐和有效代理行为能力。该模型在代码、数学、科学等通用推理任务上表现出色，尤其在LiveCodeBench-Pro、IMO-Answer-Bench和AIME 2026 I等挑战性任务中表现出色。其技术特点包括监督微调和强化学习优化，支持深度搜索任务，并在小模型生态系统中实现了推理和代理能力的平衡。模型适用于需要复杂推理和代码生成的场景，具有开源Apache-2.0协议，适合在通用推理和特定领域应用中部署。
FireRed-Image-Edit-1.0是一款专注于图像编辑的多模态模型，定位为通用大模型。它基于文本到图像的基础模型，具备强大的图像编辑能力，包括照片修复、多图像编辑等。该模型在HuggingFace平台上具有较高的下载量和点赞数，技术特点包括高保真编辑、文本风格保留等。在性能上，FireRed-Image-Edit-1.0在图像编辑任务中表现出色，具有与闭源解决方案相当的性能。模型适用于需要高质量图像编辑的场景，如虚拟试穿、老照片修复等。
DeepGen 1.0是一款轻量级的统一多模态模型，具有5B参数（3B VLM + 2B DiT），在单个模型中集成了图像生成、编辑、推理生成、推理编辑和文本渲染等五大核心能力。该模型在多个权威基准测试中表现出色，与规模大3倍至16倍的同类模型相比，实现了全面性能，证明了大规模扩展并非高性能多模态生成的唯一途径。DeepGen 1.0的核心技术包括Stacked Channel Bridging（SCB）和基于数据中心的训练策略，使其在语义理解和细粒度控制方面具有竞争力。该模型适用于图像生成和编辑等场景，具有开源Apache-2.0协议，适合在具有适当硬件和推理效率的系统中使用。
ZUNA是一款针对脑电图（EEG）信号处理的轻量级模型，定位在特定领域微调模型。它采用380M参数的掩码扩散自动编码器架构，具有去噪、重建和上采样EEG信号的能力。ZUNA在去噪、重建和上采样方面显著优于现有方法，特别适用于需要轻量级GPU或CPU的场合。该模型基于约200万小时的EEG数据训练，支持开源Apache-2.0协议，适用于研究和开发。
KittenML/kitten-tts-mini-0.8 是一款轻量级的开源文本到语音模型，具有8000万参数和约79MB的文件大小。该模型定位为特定领域微调模型，专注于文本到语音转换。其核心技术基于StyleTTS 2架构，支持多种语音选择。性能方面，未提供权威基准测试结果，但模型下载量和点赞数表明其在社区中具有一定的受欢迎度。主要应用场景为需要轻量级、快速语音生成的场景，如移动应用、在线教育等。实用考量方面，模型开源，支持Python安装，对硬件要求不高，推理效率适中。
CohereLabs的tiny-aya-global模型定位为通用大模型，具有较小的规模。其核心技术包括基于transformers的架构，支持多语言文本生成。性能上，模型在Hugging Face Hub上下载量较高，表明其在实际应用中具有一定的竞争力。模型在基准测试中的具体排名未提及，但其在多语言能力和文本生成方面具有优势。主要应用场景包括多语言文本生成和对话系统。实用考量方面，模型开源，适合在通用硬件上运行，推理效率较高。
Qwen3-Coder-Next是一款针对代码生成和本地开发设计的开源语言模型。该模型具有3B激活参数和80B总参数，上下文长度为256k，支持多种CLI/IDE平台。其核心技术包括混合布局、MoE和Gated DeltaNet。在代码生成任务中表现出色，具有高效的性能和强大的适应性。模型在HuggingFace平台上的下载量和点赞数均较高，表明其在LLM领域中的受欢迎程度。主要应用场景包括代码生成、本地开发和集成到IDE中。
GLM-5是一款针对复杂系统工程和长期目标代理任务的大语言模型。它具有744亿参数，支持中英双语。GLM-5在预训练和后训练方面均有显著提升，尤其在推理、编码和代理任务上表现出色。其核心技术包括DeepSeek Sparse Attention（DSA）和异步RL基础设施slime，旨在提高训练效率和推理效率。模型在多个基准测试中表现优异，是开源模型中的佼佼者。
MOSS-TTS是一款专注于语音和声音生成的开源模型，定位为特定领域的大模型。其核心技术包括高保真零样本语音克隆和可控长文本合成。模型在性能上表现出色，支持多种语言，适用于长文本语音合成、多角色对话、声音/角色设计等复杂场景。性能评估方面，模型在权威基准测试中表现良好，具有开源协议，对硬件要求适中，推理效率较高。
这篇论文提出了一种自适应群体启发方法，通过多轮语言模型交互来优化问题选择和受访者选择，以减少对潜在群体属性的未确定性。该方法结合了基于语言模型的预期信息增益目标和异构图神经网络传播，以聚合观察到的响应和参与者属性，从而推断缺失的响应并指导每轮的受访者选择。
这篇论文探讨了在大型语言模型（LLM）评估和校准过程中，由于自然语言评分标准（rubrics）导致的偏好漂移问题。作者提出了Rubric-Induced Preference Drift（RIPD）这一概念，并展示了如何通过评分标准的编辑来操纵模型判断，导致模型行为偏移，从而影响下游任务的性能。
这篇论文提出了对Avey模型的改进，使其适用于仅编码器（encoder-only）的范式，并引入了多种创新，如解耦静态和动态参数化、稳定性导向的归一化和神经压缩。实验结果表明，这种改进的架构在标准标记分类和信息检索基准测试中优于四种广泛使用的基于Transformer的编码器，并且能够更有效地扩展到长上下文。
这篇论文提出了一种名为Reasoning Inception (ReIn) 的方法，用于对话式错误恢复。该方法通过在决策过程中引入外部推理模块，识别对话中的预定义错误并生成恢复计划，从而提高对话代理在处理用户错误请求时的任务成功率和泛化能力。
这篇论文提出了一种新的优化器NAMO和其扩展NAMO-D，通过结合正交动量和基于范数的Adam型噪声自适应，在大型语言模型训练中实现了比AdamW和Muon更好的性能。
这篇论文提出了一种名为LoRWeB的新方法，通过动态组合学习到的变换基元，为每个类比任务在推理时专门化模型。该方法通过引入一个可学习的LoRA模块基，能够跨越不同的视觉变换空间，并使用轻量级编码器根据输入类比对动态选择和加权这些基LoRA，从而显著提高对未见视觉变换的泛化能力。
这篇论文提出了4RC，一个用于从单目视频中重建4D场景的统一前馈框架。4RC通过将视频编码到一个紧凑的时空潜在空间，并使用条件解码器查询任意帧的3D几何和运动，实现了对密集场景几何和运动动态的整体4D表示。这种方法在多个4D重建任务中优于现有方法。
这篇论文提出了一种将解码过程视为优化问题的方法，通过在概率单纯形上解决正则化问题，平衡模型得分与结构偏好和约束。这种方法可以恢复贪婪解码、Softmax采样、Top-K、Top-P和Sparsemax风格的稀疏性作为特殊情况，并通过最优性条件解释它们的共同结构。论文还设计了一种新的解码器Best-of-K（BoK），旨在提高多样本管道的性能。
这篇论文提出了一种针对扩散语言模型（DLMs）的剪枝方法，称为Sink-Aware Pruning。该方法通过识别并剪除不稳定的注意力汇聚点（sinks），在不重新训练的情况下，实现了更好的质量-效率权衡，并在匹配的计算资源下优于现有的剪枝基线。
这篇论文提出了Video Encoder-only Mask Transformer (VidEoMT)，一个基于Vision Transformer (ViT) 的视频分割模型，通过引入轻量级的查询传播机制和查询融合策略，实现了无需专用跟踪模块的高效视频分割，显著降低了计算复杂度。
这篇论文介绍了DeepVision-103K，一个用于多模态推理的可验证数学数据集。该数据集旨在通过增强视觉反映和推理能力来提升大型多模态模型（LMMs）的性能，通过涵盖广泛的K12数学主题和丰富的视觉元素，实现了在多模态数学基准测试中的强性能和有效泛化。
这篇论文提出了一种基于视觉信息增益（VIG）的选区训练方法，用于大型视觉语言模型（LVLMs）。该方法通过量化视觉输入对预测不确定性的减少来衡量视觉信息增益，从而在样本和标记级别进行细粒度分析，并优先考虑高VIG的样本和标记，以改善视觉基础并减轻语言偏差，实现显著的性能提升。
这篇论文提出了VESPO，一种基于变分序列级软策略优化的方法，用于稳定离线大型语言模型（LLM）的训练。通过将方差减少纳入对提案分布的变分公式中，VESPO导出了一种直接作用于序列级重要性权重的闭合形式重塑核，从而提高了训练稳定性。
这篇论文探讨了大型推理模型（LRMs）在复杂推理任务中的效率问题，提出了一种名为SAGE的采样范式，能够使模型在适当的时机停止思考，从而提高推理的准确性和效率。
这篇论文提出了一种名为SARAH的实时、空间感知的对话式运动方法，用于虚拟现实和数字人类应用。该方法通过结合因果变换器VAE和流匹配模型，实现了对用户位置和音频的响应，同时保持自然的眼神交流和手势同步。
这篇论文提出了一种以人为中心的视频世界模型，该模型结合了头部姿态和手部关节级别的手部姿态，通过交互式视频生成和手部、相机控制，实现了对虚拟环境的灵活交互。论文评估了现有的扩散变换器条件化策略，并提出了有效的3D头部和手部控制机制，通过训练双向视频扩散模型并蒸馏成因果交互系统，生成以自我为中心的虚拟环境，并通过实验证明了其在任务表现和感知控制方面的提升。
这篇论文提出了EgoPush，一个用于移动机器人的端到端自定位多物体重新排列的学习框架。EgoPush通过设计一个以物体为中心的潜在空间来编码物体之间的相对空间关系，从而实现无需全局状态估计的感知驱动式重新排列。该方法通过时间衰减的子问题分解来解决长期信用分配问题，并在模拟实验和真实世界应用中显示出优异的性能。
这篇论文提出了一种新的强化学习方法，通过引入动作雅可比惩罚来学习平滑的时间变化线性策略，以减少不自然的高频信号，并通过线性策略网络（LPN）降低计算负担，从而在模拟和真实环境中实现平滑的运动控制。
这篇论文提出了一种通过屋顶线建模进行硬件协同设计的缩放定律，用于在设备上部署大型语言模型（LLMs）。该方法通过将训练损失建模为架构超参数的显式函数，并通过屋顶线建模来表征推理延迟，从而在保证模型准确性的同时优化推理性能。
这篇论文提出了一种模型来模拟人类在Web代理中的干预行为，通过收集大量用户和代理的交互数据，识别了四种用户与代理的交互模式，并训练语言模型来预测用户何时可能进行干预，从而提高了代理的适应性和协作性。
Hugging Face发布了FINAL Bench，这是一个新的基准测试，旨在衡量人工智能系统的元认知能力，即AI识别和纠正自身错误的能力。该测试通过100项任务评估AI的自我修正能力，揭示了AI在自我纠正方面的瓶颈，并提出了对AI安全的警示。
这篇公告介绍了OpenClaw，一款将计算机从被动工具转变为主动协作伙伴的AI代理。它能够自主设置开发环境、优化硬件配置，并通过自然语言与用户交流，执行复杂指令并提供主动反馈。尽管成本较高，但OpenClaw代表了计算领域的新范式，预示着计算机使用方式的转变。
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。
这篇公告讨论了人工智能计算成本和竞争，指出虽然大型AI模型成本高昂，但许多实际应用中使用的模型规模更小、成本更低。它强调了选择适合特定用例的AI模型的重要性，并鼓励用户考虑成本效益和环境影响。
MiniMax AI 发布了Forge，一个可扩展的Agent强化学习框架和算法，旨在解决大规模Agent RL在系统吞吐量、训练稳定性和Agent灵活性之间的冲突。Forge通过灵活的系统架构、算法设计、优化的异步调度和极致的训练-推理效率，实现了对复杂现实世界Agent的大规模强化学习训练，并在MiniMax M2.5模型中取得了显著成果。
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。
中国AI公司推出的GLM-5模型在阿拉伯语语言性能方面排名第二，展示了其在阿拉伯语理解和生成任务上的卓越表现，尽管在方言处理、阿拉伯文和拉丁字母转换以及技术命令处理方面存在一些不足。
北京月之暗面AI公司发布了Kimi K2.5，这是一个拥有1.04万亿参数的大型开放权重模型，引入了“Agent Swarm”概念，通过并行代理强化学习框架提升任务处理效率。K2.5在多个基准测试中表现出色，但在某些领域如通用知识和创意写作方面仍存在不足。
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。
这篇博客详细介绍了在Transformer模型中处理张量维度的重要性，包括矩阵乘法、嵌入层、位置编码、解码器层和注意力机制等关键概念，旨在帮助读者更好地理解Transformer架构。
NVIDIA发布了一种名为Nemotron Speech ASR的新实时语音识别模型，该模型通过缓存感知流式处理技术，实现了更高的效率和更低的延迟，为实时语音代理提供了新的基准。
NVIDIA发布了一项名为Cosmos Policy的新研究，这是一项用于高级机器人控制和规划的技术，通过后训练世界基础模型Cosmos Predict-2来实现。该技术能够将机器人动作、物理状态和成功分数编码为额外的潜在帧，并使用与视频生成相同的扩散过程进行学习，从而提高了机器人操作的性能。此外，NVIDIA还宣布了Cosmos Cookoff，一个开放式黑客马拉松，旨在推动物理AI的发展。
这篇公告探讨了人机交互的演变，从早期计算机的简洁符号输出到现代AI的对话式交互。文章强调了Unix系统引入的协作性语言、20世纪90年代的“向导”界面以及虚拟助手等工具如何逐步培养用户接受自然语言交互的习惯，为大型语言模型的出现奠定了基础。同时，文章也提到了“伊丽莎效应”和用户对AI系统的潜在过度信任问题。
OpenAI 宣布推出名为 'Frontier Alliances' 的合作伙伴计划，旨在帮助企业将 AI 从试点阶段过渡到生产部署。该计划与波士顿咨询集团、麦肯锡、埃森哲和凯捷等公司合作，旨在通过 OpenAI 的 Frontier 平台，帮助企业在全球范围内定义战略、集成系统、重新设计工作流程，并扩展 AI '同事' 的部署。
这篇论文提出了一种名为RVR的多轮检索框架，旨在通过检索-验证-检索的过程来最大化答案覆盖范围。该框架首先使用检索器返回候选文档集，然后通过验证器筛选高质量文档。在后续轮次中，查询会结合之前验证的文档来发现未被覆盖的答案。RVR方法在多个数据集上优于基线模型，实现了显著的性能提升。
这篇论文提出了PRISM算法，用于解决多目标强化学习中的时间频率不匹配问题。PRISM通过引入对称性作为归纳偏置，结合ReSymNet模型和SymReg正则化器，提高了样本效率和泛化能力，在MuJoCo基准测试中表现出色。
这篇论文提出了一种名为PonderLM的语言模型预训练方法，通过在单个token生成步骤中反复调用前向过程来实现类似人类的思考过程。模型通过产生预测分布的加权求和的token嵌入来进行思考，并通过自监督学习来学习这种思考方式。实验表明，这种方法在多个下游任务上显著提升了模型性能。
这篇论文提出了Grassmannian Mixture-of-Experts（GrMoE），一种在子空间流形上运行的路由框架，通过矩阵Bingham分布的集中参数来控制路由熵，从而在稀疏性和利用率之间提供了一种连续的调节机制。该方法通过变分推理实现了不确定性感知的专家分配，并证明了与路由熵、期望top-k质量和专家崩溃相关的紧界，为集中控制的稀疏性提供了第一个形式化理论。
这篇论文提出了ViGText，一种结合视觉大语言模型（VLLM）文本解释和图神经网络（GNN）的深度伪造图像检测方法。它通过将图像分割成块，构建图像和文本图，并使用GNN进行综合分析，以识别深度伪造图像。ViGText通过多级特征提取增强了鲁棒性和准确性，显著提高了检测性能。
这篇论文提出了WorkflowPerturb，一个用于评估多代理工作流程指标的受控基准。通过向黄金工作流程应用现实、可控的扰动，该基准旨在解决自动评估工作流程时指标分数未校准和分数变化无法直接传达工作流程退化严重程度的问题。
这篇论文提出了2025 AI Agent Index，旨在记录和评估部署的AI代理系统的技术特性和安全功能。通过收集公开信息和与开发者的邮件交流，该索引详细记录了30个最先进AI代理的起源、设计、能力、生态系统和安全特性，并揭示了开发者透明度的差异。
这篇论文提出了CUICurate，一个基于GraphRAG框架的自动化临床概念整理工具，用于NLP应用。它通过构建UMLS知识图谱，结合LLM进行候选CUI检索和分类，实现了对临床概念集合的自动化整理，显著减少了人工工作量。
这篇论文研究了在长文档金融问答中，检索增强生成（RAG）的检索失败问题。作者通过在文档、页面和块级别评估检索，并引入基于页面的评分器，显著提高了页面召回率和块检索性能。
