精选 60 篇，从 6 条中筛选
ResembleAI的Dramabox模型定位为特定领域的TTS模型，基于LTX-2.3音频分支进行微调。其核心技术包括Diffusion Transformer和flow matching，支持语音克隆和丰富的情感表达。在性能上，Dramabox在TTS任务上表现出色，具有高下载量和点赞数。主要应用场景包括语音合成、情感表达等，使用时需考虑其开源协议和硬件需求。
RuneXX/LTX-2.3-Workflows是一款专注于图像到视频转换的多模态模型，定位在多模态模型类别。该模型基于LTX-2.3架构，具有丰富的转换工作流程，支持文本到视频、图像到视频等多种转换。模型在性能上表现出色，尤其在视频生成方面具有独特优势。其开源协议和硬件需求适中，适合在多种场景下使用。
antirez/deepseek-v4-gguf 是一个基于 DeepSeek-V4-Flash 的量化模型，专为 DS4 推理引擎优化。该模型具有混合专家（MoE）架构，支持 2-bit 量化，适用于代码生成和数学推理等任务。它在 HuggingFace 上的下载量超过 264,757 次，获得了 125 个点赞。该模型在性能和效率方面表现出色，适用于对推理速度和资源消耗有较高要求的场景。
TencentARC/Pixal3D是一款专注于图像到3D资产生成的模型，定位为多模态模型。其核心技术为Pixal3D算法，通过像素到3D的直接映射实现高保真3D生成。该模型在SIGGRAPH 2026上获得认可，具有高性能和详细几何纹理的特点。性能表现上，模型在图像到3D转换任务中表现出色，但缺乏权威基准测试结果。实用考量方面，模型开源，支持在线演示，但下载量较低，可能受限于硬件需求。
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。
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。
DeepSeek-V4-Flash是一款面向高效百万token上下文理解的混合专家（MoE）语言模型。该模型具有284B参数，支持一百万token的上下文长度，采用混合注意力机制，结合压缩稀疏注意力（CSA）和重度压缩注意力（HCA）以提升长上下文效率。性能方面，模型在权威基准测试中表现优异，具有代码生成、数学推理、多语言能力等优势。开源协议为MIT，硬件需求较高，推理效率良好，与流行推理框架兼容。
DeepSeek-V4-Pro是一款通用大模型，具有1.6T参数，支持一百万token的上下文长度。其核心技术为混合注意力机制，结合了压缩稀疏注意力和高度压缩注意力，显著提高了长上下文处理效率。性能方面，模型在MMLU、GPQA、IFEval等基准测试中表现出色。主要应用场景包括文本生成、对话系统等，具有开源协议、硬件需求适中、推理效率较高的特点。
SeeSee21/Z-Anime是一款基于Z-Image Base架构的动漫风格图像生成模型，属于特定领域微调模型。该模型采用S3-DiT架构，具有丰富的动漫美学风格和强大的风格多样性。它在HuggingFace平台上的下载量和点赞数表明其受到社区的认可。模型在性能上表现出色，支持自然语言提示，适用于动漫风格的图像生成。其主要应用场景包括动漫艺术创作、游戏设计等。该模型开源，支持BF16、FP8等高效计算格式，对硬件要求较高，适合在具有强大计算能力的设备上运行。
TenStrip/LTX2.3-10Eros是一款专注于视频场景生成的多模态模型，具有独特的架构和训练数据。该模型在LLM生态中定位为多模态模型，具有较大的参数量和较长的上下文长度。其核心技术包括基于Sulphur-2-base的数据融合和创新的多步骤层缩放合并。在性能表现上，模型在特定视频生成任务上表现出色，但缺乏权威基准测试结果。实用考量方面，模型支持BF16和FP8_mixed_learned的加载，具有较好的硬件兼容性。
SulphurAI/Sulphur-2-base是一款基于LTX 2.3的文本到视频生成模型，定位为多模态模型。该模型具有prompt enhancer功能，支持t2v和i2v格式，并具备与其他ltx 2.3格式兼容的特点。模型在性能上具有创新性，但未提供具体的基准测试结果。其开源协议、硬件需求和推理效率等信息未明确，但与流行推理框架的兼容性可能是一个考量点。
Zyphra/ZAYA1-8B是一款专注于推理优化的领域大模型，具有8.4B参数，特别擅长数学和代码推理任务。其架构采用混合专家模型，参数效率高，推理速度快，适用于设备端部署。在MMLU、GPQA等基准测试中表现出色，与同类模型相比具有显著优势。
HiDream-O1-Image是一款基于Pixel-level Unified Transformer的图像生成模型，定位为多模态模型。其核心技术特点包括无VAE和分离文本编码器，支持文本到图像、图像编辑和主题驱动个性化。性能上，该模型在人工分析文本到图像领域排名第八，具有高分辨率和推理驱动的提示代理。主要应用场景包括图像生成、编辑和个性化定制。开源协议为MIT，硬件需求较高，推理效率良好。
🔥 froggeric/Qwen-Fixed-Chat-Templates 是一款针对 Qwen 3.5 和 3.6 版本的固定聊天模板，旨在解决官方模板中的渲染错误、token 浪费和缺失功能。该模型定位为特定领域微调模型，专注于聊天模板的优化。其核心技术包括 Jinja 模板引擎和 Qwen 模型适配，具有参数量小、上下文长度适中、易于部署的特点。在性能表现上，该模型在聊天模板领域表现出色，能够有效提升聊天体验。主要应用场景为聊天机器人、虚拟助手等。实用考量方面，该模型开源协议为 Apache-2.0，硬件需求较低，推理效率较高，与流行推理框架兼容性好。
MiniCPM-V 4.6是一款针对移动端优化的多模态语言模型，定位为多模态模型。它基于SigLIP2-400M和Qwen3.5-0.8B LLM构建，具有强大的图像和视频理解能力。该模型在保持高性能的同时，通过混合4x/16x视觉token压缩和LLaVA-UHD v4技术，显著提高了计算效率。在基准测试中，MiniCPM-V 4.6在多个视觉语言理解任务上表现优异，尤其在OpenCompass、RefCOCO等基准上达到Qwen3.5 2B级别的性能。模型适用于移动平台，支持多种推理框架，并开源了边缘适配代码，便于开发者定制。
Supertone/supertonic-3是一款专注于本地推理的轻量级文本到语音系统，定位为特定领域的微调模型。其核心技术包括ONNX Runtime和多种语言支持，具有高阅读稳定性和低重复/跳过失败率。性能上，Supertonic 3在31种语言中表现出色，支持简单的表情标签，适用于本地设备上的快速语音合成。主要应用场景包括语音合成和多媒体内容创作，使用时需考虑其开源协议和硬件需求。
🔥 unsloth/Qwen3.6-27B-MTP-GGUF 是一款基于 Qwen/Qwen3.6-27B 的多模态扩展模型，专注于图像到文本的转换。该模型具有27B的参数量，支持MTP（多任务预测）技术，实现了更快的生成速度。它在HuggingFace平台上具有较高的下载量和点赞数，表明其在社区中受到认可。该模型在特定任务上表现出色，如代码生成和工具调用，适用于需要多模态交互的场景。其开源协议为Apache-2.0，支持在Unsloth Studio中进行运行和微调。
🔥 unsloth/Qwen3.6-35B-A3B-MTP-GGUF 是一款基于 Qwen/Qwen3.6-35B-A3B 的多模态扩展模型，定位为通用大模型。其核心技术包括GGUF（Generalized GPT-3 Unconditional Fine-tuning）和MTP（MTP speculative decoding），具有高达35B的参数量和1.5-2倍加速的生成速度。在MMLU、GPQA、IFEval等基准测试中表现优异。适用于图像到文本的转换等任务，具有开源协议、硬件需求适中、推理效率高的特点。
Anima模型定位为特定领域微调模型，专注于动漫风格的艺术图像生成。其核心技术为基于扩散模型的单文件库，参数量为20亿。模型在动漫风格图像生成方面表现出色，但未公开权威基准测试结果。主要应用场景为动漫艺术创作，使用时需考虑开源协议和硬件需求。
这篇论文提出了一种新的图像生成方法，通过将潜在几何对齐来匹配球形流，通过分解潜在token为径向和角度分量，实现了对感知和语义内容的更有效传输，并使用球形线性插值代替线性插值，从而提高了ImageNet-256 FID的性能。
这篇论文提出了WildTableBench，一个用于评估多模态基础模型在真实世界表格理解任务上的性能的基准。该基准包含从多个在线论坛和网站收集的表格图像以及相应的问答数据，通过评估多个模型在理解复杂表格布局和内容上的表现，揭示了当前模型在结构感知和推理上的弱点。
这篇论文提出了一种名为Lighthouse Attention的算法，用于解决长序列长度下因果转换器的训练瓶颈。该算法通过使用对称选择和层次化注意力机制，实现了对序列的适应性压缩和解压缩，从而提高了并行性和训练效率。
这篇论文提出了一种名为FEST的算法，通过随机选择的少量样本进行监督微调，以提升强化学习在难以生成正确rollout的复杂问题上的样本效率。FEST通过结合监督信号、策略信号和减少过拟合的权重，在少量数据的情况下实现了与全数据集相当的性能。
这篇论文提出了PreScam，一个用于从早期对话中预测诈骗进展的基准。PreScam通过用户提交的诈骗报告构建，包含11,573个对话诈骗实例，并按诈骗生命周期分层结构化。论文通过两个任务评估模型：实时终止预测和诈骗者行为预测，发现当前模型在捕捉诈骗相关线索方面有所进步，但在跟踪风险升级和操纵展开方面仍存在挑战。
这篇论文提出了Sat3DGen，一种从单张卫星图像生成全面街景3D场景的方法。它通过结合新颖的几何约束和视角视图训练策略，解决了卫星到街景数据中存在的极端视角差距和稀疏、不一致的监督问题，显著提高了3D精度和真实感。
这篇论文提出了一种名为LC-MAPF的基于本地通信的多智能体路径规划方法，通过引入一个可学习的通信模块来增强智能体之间的合作，通过多轮通信交换信息，从而提高路径规划的效率和效果。
这篇论文提出了ViMU，一个用于评估视频隐喻理解能力的基准。ViMU旨在解决现有视频理解模型在处理视频中的隐喻、讽刺和社会意义方面的不足，通过多模态证据和开放性问题来评估模型对视频隐含意义的理解能力。
这篇论文研究了如何通过视觉偏差评估来提升全模态语言模型，通过审计和清理现有的全模态基准，提出了一种基于Qwen2.5-Omni-3B的三阶段后训练方法，包括混合双模态SFT、混合模态RLVR和自蒸馏数据的SFT，从而提高了模型的性能，并展示了在控制视觉泄漏的情况下，全模态进展的易解释性。
这篇论文提出了BEAM（Binary Expert Activation Masking），一种用于动态路由的MoE（Mixture-of-Experts）架构的新方法。BEAM通过可训练的二进制掩码学习自适应的专家选择，从而在保持模型能力的同时，通过端到端训练实现动态专家稀疏化，显著提高了MoE层计算效率。
这篇论文提出了LiSA，一个通过保守策略归纳实现终身安全适应的框架，用于提高固定基础防护栏的性能。LiSA通过结构化记忆将偶尔的失败转化为可重用的策略抽象，增加冲突感知的本地规则以防止混合标签环境中的过度泛化，并通过后验下界进行证据感知的置信度门控，以实现记忆重用与累积证据的规模扩展。
这篇论文提出了Realiz3D，一个用于训练扩散模型的轻量级框架，通过解耦控制和视觉域来生成既逼真又符合3D的图像。Realiz3D通过引入协变量来分离视觉域的学习，从而允许生成器在不特定于视觉域的情况下获得可控性，最终实现了在控制应用时生成逼真图像的目标。
这篇论文提出了FrontierSmith，一个用于大规模合成开放式编码问题的自动化系统。该系统通过从现有的封闭式编码任务中迭代演化开放式问题，生成候选的开放式变体，并使用定量思想差异度量来选择能够激发不同求解者多样化方法的问题。实验表明，在两个开放式编码基准测试中，使用合成数据训练的模型性能显著提升。
这篇论文提出了CurveBench，一个用于嵌套Jordan曲线精确拓扑推理的基准。CurveBench包含756个图像，每个图像都标注了一个根树，表示平面区域之间的包含关系。论文通过将任务表述为结构化预测，评估了模型在生成包含树上的表现，并展示了通过RLVR风格的微调来提高视觉语言模型性能的方法。
这篇论文提出了自适应教师暴露（ATESD）方法，用于自我蒸馏在大型语言模型（LLM）推理中的应用。通过调整教师模型对学生的暴露程度，论文解决了传统自我蒸馏方法中教师模型总是看到完整推理结果的问题，从而提高了推理性能。
这篇论文提出了RewardHarness，一个自我进化的奖励框架，通过迭代进化工具和技能库来模拟人类偏好，从而提高图像编辑评估的数据效率。该方法不需要大规模的偏好标注和额外的模型训练，通过少量的人类偏好演示，实现了对图像编辑评估基准的高准确率。
这篇论文提出了一种名为Pace-and-Path Correction的训练-free方法，用于解决Vision-Language-Action (VLA)模型在处理动态场景时的动态盲点问题。该方法通过在推理时对动作块进行校正，提高了模型在动态和静态-动态混合环境中的成功率和时间一致性。
这篇论文提出了PanoWorld，一个结合了球面空间交叉注意力的模型，旨在解决在360度全景图像中实现空间超感知的问题。通过将球面几何引入视觉流，PanoWorld能够对等距圆柱投影（ERP）全景图像进行连续、以观察者为中心的空间推理，从而在导航、机器人搜索和3D场景理解方面提供更强大的能力。
这篇论文提出了PRISM，一个基于扩散的文本图像超分辨率框架，通过Flow-Matching Prior Rectification (FMPR)和Structure-guided Uncertainty-aware Residual Encoder (SURE)来解决文本图像超分辨率中的文本保真度和不确定性问题，实现了更准确和可靠的文本细节恢复。
这篇论文提出了一种名为Closed-Loop Visual Reasoning (CLVR)的框架，用于解决复杂视觉生成中的语义理解和参数缩放问题。该框架结合了视觉语言逻辑规划和像素级扩散生成，通过引入自动化数据引擎和Proxy Prompt Reinforcement Learning (PPRL)来优化推理过程，并通过Δ-Space Weight Merge (DSWM)减少推理成本，从而实现复杂视觉生成的通用测试时间缩放能力。
这篇公告讨论了在过去两年中，尽管硬件性能没有显著提升，但本地AI模型在笔记本电脑上的性能却以超过摩尔定律的速度增长。文章强调了稀疏混合专家、量化技术和推理训练等创新在推动这一进展中的作用。
VIDRAFT的Darwin Family通过重新组合现有检查点的权重空间，实现了零梯度训练的frontier-level reasoning LLMs。其旗舰产品Darwin-28B-Opus在GPQA Diamond基准测试中达到了88.89%的分数，展示了在无需额外训练的情况下，通过重组现有模型权重空间来提升模型性能的潜力。
Adalat AI 发布了Vividh-ASR，一个用于诊断和修复Whisper ASR模型在印度语种中存在的录音室偏见的基准和微调方法。该方法通过使用高学习率和反向多阶段微调，显著提高了模型在自发和嘈杂语音上的鲁棒性，而无需进行任何架构更改或使用专有数据。
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。
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。
OncoAgent是一个开源的、保护隐私的肿瘤学临床决策支持系统，它结合了双层微调LLM架构和最先进的LangGraph多智能体拓扑结构，以及一个基于70多个NCCN和ESMO指南的四阶段Corrective RAG管道。该系统旨在通过减少对云API的依赖，保护患者数据主权，并在AMD Instinct MI300X硬件上实现。
Hugging Face发布了关于如何遵守SOC 2和ISO 27001标准的指南，以帮助AI模型供应链治理。该指南详细介绍了如何使用Hugging Face平台和不同计划层来满足合规性要求，包括审计日志、访问控制、变更管理和系统操作等。
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。
Tether Data发布了QVAC MedPsy，这是一系列先进的医疗和健康语言模型，专为边缘设备部署设计。这些模型在医疗推理能力上达到了新的标准，同时保持了高效的参数效率，为智能手机、可穿戴设备和资源受限的医疗环境提供了临床级的AI。
Pallas是一个实验性的JAX扩展，用于编写针对GPU和TPU的定制内核。它允许用户使用Python编写代码，并使用许多熟悉的JAX原语，同时保持JAX跟踪和jax.numpy的易用性。Pallas旨在提供对生成代码的细粒度控制，同时保持JAX的易用性。
Hugging Face宣布推出适用于10,000个Reachy Minis的代理机器人应用商店。用户可以使用自然语言描述他们想要的机器人行为，然后AI代理将编写、测试和部署代码到机器人上。该平台旨在降低机器人编程的门槛，使非技术用户也能轻松创建机器人应用。
LabLab AI和AMD合作发布了一个名为CyberSecQwen-4B的网络安全模型，这是一个小型、专业化的本地可运行模型，旨在提高网络安全防御的效率和效果。该模型在AMD Instinct MI300X上训练，并在多个网络安全任务中表现出色，包括CWE分类、CVE到CWE映射和结构化CTI问答。
这篇公告强调了在AI安全评估中考虑测试时间计算的重要性，指出在有限的测试时间计算下看似安全的系统可能在更大的、适应性强的和理性经济预算下变得不安全。它提出了一个更全面的评估方法，包括多个预算级别、攻击者类型和测试时间计算，以更准确地评估AI系统的风险。
这篇公告讨论了人工智能行业在数据获取和模型训练过程中的伦理问题，特别是关于版权、数据许可和劳动者权益的问题。它强调了使用未经授权的数据和忽视劳动者权益的实践，并提出了Urro组织正在构建的基于授权数据和公平劳动实践的通用人工智能模型。
这篇公告讨论了人工智能（AI）的自我进化，将其视为AI发展的最终目标。它强调了大型语言模型（LLMs）在执行长期任务方面的突破，如网络安全和电子商务，并提出了实现自我进化的三个技术支柱：记忆、持续学习和自我判断。此外，文章还探讨了人工智能通用智能（AGI）的概念，以及它对计算机科学和操作系统的影响。
本文介绍了如何从头开始实现一个稀疏混合专家语言模型（makeMoE），该模型基于Andrej Karpathy的项目“makemore”，并借鉴了其许多可复用组件。makeMoE是一个自回归字符级语言模型，采用稀疏混合专家架构，旨在帮助读者理解其工作原理。
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。
本文探讨了当前常见的AI模型格式，包括GGUF、PyTorch、Safetensors和ONNX，并分析了每种格式的特点、优缺点以及适用场景。GGUF适用于生产环境和服务模型，PyTorch简单易用但存在安全性和效率问题，Safetensors注重安全性，ONNX提供跨框架互操作性。
OpenAI与马耳他合作，将ChatGPT Plus推广至所有公民，旨在扩大人工智能的普及，并提供培训以帮助公民建立实用的AI技能并负责任地使用AI。
