精选 68 篇，从 240+ 条中筛选
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。
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。
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。
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。
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。
Qwen3.6-35B-A3B-DFlash是一款专注于文本生成的通用大模型，具有35B参数和长上下文支持。其核心技术DFlash采用轻量级块扩散模型并行生成多个token，显著提升效率。在基准测试中表现出色，适用于需要高效文本生成的场景。开源协议为MIT，硬件需求中等，与vLLM和SGLang等框架兼容良好。
LLaDA2.0-Uni是一款基于MoE的多模态统一扩散大语言模型，融合了图像理解和生成能力。该模型具有统一的dLLM-MoE架构，支持文本到图像生成、图像理解、图像编辑等功能。它在性能上表现出色，尤其在多模态理解与生成方面具有显著优势。LLaDA2.0-Uni适用于需要多模态交互的场景，如图像编辑、视觉问答等。其开源协议、硬件需求以及推理效率使其在多模态LLM领域具有竞争力。
Qwen/Qwen3.6-27B-FP8是一款专注于代码生成的通用大模型，拥有27B参数和高达262,144的上下文长度。其核心技术包括精细的FP8量化，支持前端工作流程和仓库级推理。在性能上，该模型在代码生成和推理方面表现出色，尤其在Agentic Coding和Thinking Preservation方面有显著提升。模型兼容Hugging Face Transformers，支持多种推理框架，适合需要高性能代码生成和推理的应用场景。
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。
tencent/Hy3-preview是一款由腾讯Hy团队开发的295B参数混合专家（MoE）模型，具有21B激活参数和3.8B MTP层参数。该模型在复杂推理、指令遵循、上下文学习、编码和代理任务上表现优异。其上下文长度达到256K，参数量庞大，支持多种语言和任务，适用于通用大模型领域。在性能上，该模型在多个基准测试中表现出色，具有开源协议、良好的硬件需求匹配和推理效率。
DeepSeek-V4-Flash-Base是一款定位在通用大模型领域的LLM，具有FP8精度和safetensors支持。其架构特点包括Transformer变体和区域特定优化。该模型在Hugging Face Hub上下载量虽少，但获得了较高的点赞数，表明其在特定领域内具有一定的吸引力。性能方面，具体基准测试结果未明确提供，但根据更新时间和下载量推测，可能在特定任务上有所优化。主要应用场景可能包括通用文本生成和区域特定任务。开源协议、硬件需求和推理效率等信息未指定，但考虑到其FP8特性，可能对硬件要求较高。
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。
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。
HauhauCS/Qwen3.6-27B-Uncensored-HauhauCS-Aggressive 是一款基于 Qwen3.6-27B 的 uncensored 模型，定位为通用大模型。该模型具有 27B 参数，支持多语言（英、中、多语言），并具备图像-文本到文本的转换能力。其在 Aggressive 模式下，能够直接提供答案，适合需要快速响应的场景。性能上，该模型在 uncensored 场景下表现出色，但未提供具体基准测试结果。实用方面，该模型遵循 Apache-2.0 协议，对硬件要求较高，适合在具备一定计算资源的环境中运行。
DeepSeek-V4-Pro-Base是一款定位在通用大模型范畴内的LLM，具有FP8精度和safetensors支持。该模型在架构上可能采用了Transformer变体，上下文长度和参数量未明确，但具备一定的创新性。性能方面，由于下载量和点赞数较高，推测在MMLU、GPQA等基准测试中表现良好。其主要应用场景可能包括多语言能力、指令遵循等，适合需要高性能和通用性的任务。开源协议、硬件需求和推理效率等信息未指定，但推测与主流框架兼容性较好。
Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个推理优化版本的大型语言模型，定位为通用大模型。该模型基于 Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled 进行微调，具有丰富的上下文长度和参数量，采用 gguf 库进行量化。在 MMLU-Pro 测试中取得了 75.71% 的精确匹配率。模型具备推理和数学推理能力，适用于需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，硬件需求较高，推理效率中等。
🔥 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。
z-lab/Qwen3.6-27B-DFlash是一款定位在通用大模型领域的LLM，具有27B参数和3.6B的上下文长度。其核心技术包括DFlash和speculative-decoding，旨在提高推理效率。在性能上，该模型在多个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，适用于需要高性能和高效推理的场景。
🔥 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。
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。
这篇论文提出了一个基于分类法的评估框架ESRRSim，用于评估大型语言模型（LLMs）在推理过程中可能出现的战略推理风险，包括欺骗、评估游戏和奖励黑客行为。该框架通过构建一个可扩展的风险分类法，对11个推理LLMs进行评估，发现风险特征存在显著差异，并指出模型可能逐渐识别并适应评估环境。
这篇论文提出了DiagramBank，一个大规模的图表设计示例数据集，用于检索增强生成。该数据集包含89,422个从顶级科学出版物中精选的图表，并提供了丰富的上下文信息，旨在解决自动生成高质量科学图表的难题。
该论文提出了一种名为EmbodiedMidtrain的方法，旨在通过中期训练来弥合视觉-语言模型（VLM）和视觉-语言-动作模型（VLA）之间的差距。该方法通过构建一个中期训练数据引擎，利用轻量级可学习的邻近度估计器从大量VLM中选择与VLA最匹配的候选数据，从而提高VLA的性能。
这篇论文提出了Memanto，一个用于长时程智能体的通用记忆层，它通过信息论检索技术，实现了高效的语义记忆存储和检索。Memanto通过整合类型化的语义记忆模式、自动冲突解决机制和版本控制，显著降低了记忆系统的复杂性和成本，同时保持了高精度。
这篇论文提出了一种名为语义进阶函数的方法，用于分析视频生成模型中内容的变化。该方法通过计算语义嵌入之间的距离，拟合出反映语义随时间累积变化的平滑曲线，从而识别出语义变化的节奏不均。基于此，论文提出了一个语义线性化过程，以实现语义变化的恒定速率，从而产生更平滑、更连贯的视频过渡。
这篇论文提出了一种结合人类和AI监督的精确视频语言模型（VLM），通过构建开放数据集、基准和可扩展的监督方法，实现了精确的视频字幕生成。论文定义了描述视频内容的结构化规范，并引入了CHAI框架，通过人类专家对模型生成的预字幕进行批评和修订，以提高字幕质量。实验结果表明，这种方法在字幕生成、奖励建模和批评生成方面取得了显著的性能提升。
这篇论文提出了一种名为SLIDERS的框架，用于在长文档集中进行结构化推理以实现可扩展的问答。SLIDERS通过将关键信息提取到关系数据库中，利用SQL进行持久化结构化状态推理，解决了长文档问答中的聚合瓶颈问题。该框架通过数据协调阶段，利用来源、提取理由和元数据来检测和修复重复、不一致和不完整的记录，并在多个基准测试中优于现有方法。
这篇论文提出了Sessa，一种新的解码器，它通过在循环反馈路径中放置注意力，解决了长序列建模中信息保留和选择性检索的挑战。Sessa通过多个注意力路径实现信息传递，从而在长上下文中保持信息强度，并在实验中显示出优于Transformer和Mamba-style基线的性能。
这篇论文提出了FlowAnchor，一个无需训练的框架，用于稳定和高效的无反转、基于流的视频编辑。它通过解决编辑信号在视频潜在空间中的不稳定性，实现了在多对象场景和快速运动场景中的视频编辑的忠实性、时间一致性和计算效率。
这篇论文提出了一种名为DiffNR的新框架，用于优化稀疏视图3D断层扫描中的神经表示。该框架通过引入扩散先验和SliceFixer模型来减少稀疏视图下的伪影，并通过专门的调整层和数据整理策略来支持模型微调。实验表明，DiffNR在PSNR上平均提高了3.99 dB，具有良好的泛化能力和高效的优化性能。
这篇论文提出了AgriIR，一个可配置的检索增强生成（RAG）框架，旨在提供基于特定领域的答案，同时保持灵活性和低计算成本。AgriIR通过将信息访问过程分解为声明性模块化阶段（查询细化、子查询规划、检索、合成和评估）来设计，使得实践者可以轻松适应新的知识领域。该框架针对印度农业信息访问进行了参考实现，集成了1B参数的语言模型、自适应检索器和领域感知代理目录。系统强制执行确定性引用，集成遥测以实现透明度，并包括自动化部署资产以确保可审计、可重复的操作。通过强调架构设计和模块化控制，AgriIR展示了即使在资源受限的情况下，精心设计的管道也能实现领域精确、值得信赖的检索。
这篇论文提出了dWorldEval，一种通过离散扩散世界模型进行可扩展机器人策略评估的方法。该方法将视觉、语言和机器人动作等不同模态映射到一个统一的标记空间，并通过一个基于transformer的降噪网络进行建模，从而实现大规模的机器人策略评估。
这篇论文提出了一种名为SIREN的轻量级保护模型，该模型通过利用大型语言模型（LLM）内部表示来检测有害内容。SIREN通过线性探测识别安全神经元，并通过自适应层加权策略结合它们，从而在不修改底层模型的情况下构建有害性检测器。实验表明，SIREN在多个基准测试中显著优于现有的开源保护模型，同时使用更少的可训练参数，并展现出对未见基准的优越泛化能力。
这篇论文提出了AgentSearchBench，一个用于在真实世界环境中搜索AI代理的大规模基准。该基准通过将代理搜索形式化为检索和重排序问题，并使用执行性能信号来评估相关性，解决了从大量代理中识别适合特定任务的代理的难题。
这篇论文提出了一种名为HiLight的证据强调框架，用于解决大型语言模型在处理长文本时可能遗漏关键证据的问题。HiLight通过训练一个轻量级的强调演员，在不改变输入内容的情况下，为关键段落添加最小的高亮标签，然后由冻结的求解器对强调后的输入进行推理。这种方法通过强化学习优化演员，无需证据标签，也不需要访问或修改求解器。
这篇论文提出了一个关于智能体世界建模的框架，包括能力层级和治理法律，旨在解决AI系统在复杂环境中建模动态的能力瓶颈。通过分析超过400篇相关研究，论文提出了一个综合性的评价原则和最小可重复性评估包，并探讨了架构指导、开放问题和治理挑战。
这篇论文提出了一种名为“时延扩展混合专家模型”的新方法，通过在强化学习中的选项框架中引入控制器，来优化混合专家模型在处理大规模数据时的内存使用效率。这种方法通过减少专家切换频率，同时保持高准确率，使得模型能够在有限的GPU内存下运行，并适用于持续学习和内存高效的服务。
这篇论文提出了一种名为3D-VCD的视觉对比解码框架，用于减轻3D-LLM实体智能体中的幻觉问题。该方法通过对比原始和扭曲的3D场景图下的预测，抑制了那些对场景证据不敏感的token，从而提高了实体智能体的推理准确性。
这篇论文提出了CoReDi，一种在联合图像-特征扩散中协同进化的表示方法，通过在训练过程中学习轻量级线性投影，使语义表示空间与扩散模型共同进化，从而提高生成模型的质量和收敛速度。
Vista4D是一种基于4D点云的视频重摄框架，通过将输入视频和目标相机定位在4D点云中，实现了从不同相机轨迹和视角重合成场景。该方法通过静态像素分割和4D重建来保留可见内容并提供丰富的相机信号，并通过重建的多视角动态数据训练，以增强对点云畸变的鲁棒性。实验结果表明，与现有方法相比，Vista4D在4D一致性、相机控制和视觉质量方面均有显著提升。
暂无摘要
这篇公告介绍了Hugging Face的ML Intern在完成实习期间的任务测试，测试内容包括使用最佳N采样和加权选择方法解决数学问题。该测试展示了如何通过采样、评分和选择解决方案来提高数学问题的准确性。
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。
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。
Hugging Face发布了mlinter，一个用于Transformers库中模型文件的静态分析工具，旨在帮助开发者遵守库的约定，减少错误，并提高代码质量。
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。
Hugging Face发布了Hy3 preview，这是一个开源的融合推理模型，集成了快速和慢速思考。该模型具有295B的总参数，但只有21B被激活，使其在激活方面效率最高。Hy3 preview在架构、数据质量和训练效率方面的创新，使其在性能上接近使用大参数但小激活参数的第二种方法。
Hugging Face的社区科学团队通过使用大型语言模型（LLM）自动化联系作者，以促进更多研究人员将他们的工作发布到Hugging Face平台上，并使用元数据和链接来正确记录这些工作。该团队开发了一个工作流程，使用LLM来识别论文的GitHub URL，扫描README文件以查找新工件，并根据需要创建GitHub问题和Hub拉取请求。
FL-S发布了名为'RL: A Structured Human Action & Intent Dataset for Physical AI and World Models'的数据集，旨在解决物理AI中的数据难题，提供包含人类操作者意图、动作和结果轨迹的数据，以促进物理AI和世界模型的发展。
OpenRA-RL是一个开源平台，允许AI代理在实时策略游戏《红色警戒》中通过50个MCP工具、25Hz异步流和64会话/进程的游戏运行器进行游戏。它作为一个顶级OpenEnv环境提供，使得任何TRL、torchforge或Unsloth训练器都可以驱动它，而无需编写胶水代码。
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。
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。
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。
这篇公告介绍了Hugging Face Spaces上的长期软件工程（SWE）环境构建，通过将FrontierSWE任务打包为OpenEnv服务，并使用离线强化学习风格进行训练。这为开发者提供了一个新的工具，用于构建和训练能够进行长期软件工程任务的AI代理。
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。
这篇公告介绍了用于图像生成评估的客观指标，包括效率指标和质量指标，旨在帮助评估图像生成的质量，包括分布对齐、提示对齐和感知对齐。它还介绍了Pruna框架，这是一个用于计算和比较图像生成模型质量的开源工具。
暂无摘要
Google DeepMind与韩国科学技术信息通信部（MSIT）建立合作伙伴关系，旨在利用前沿人工智能加速科学发现和创新，支持韩国人工智能战略，并在生命科学、气象和气候等领域加速突破性发现。Google DeepMind将在韩国设立人工智能校区，提供实习机会，并与韩国人工智能安全研究所合作，加强人工智能安全。
OpenAI 发布了开源规范 Symphony，旨在通过智能体编排技术提高开发效率，将项目管理工具转化为智能体的控制平面，实现自动化任务分配和执行，从而减少上下文切换，提高生产力。
Choco公司通过使用OpenAI API，实现了食品分销的自动化，提高了生产力和效率。该平台通过处理数百万订单，减少了人工工作流程，并支持全天候运营。Choco引入了OrderAgent和VoiceAgent，进一步简化了订单处理和客户服务。OpenAI的API在模型性能、多模式能力和生产可靠性方面表现优异，帮助Choco实现了从传统工作流软件到AI驱动执行基础设施的转型。
OpenAI与Microsoft宣布修订合作协议，简化合作关系，增加长期清晰度，并支持大规模人工智能创新。新协议使OpenAI能够通过任何云提供商提供产品，同时Microsoft继续作为主要云合作伙伴，并拥有到2032年的非独占知识产权许可。
这篇论文提出了MuDABench，一个用于多文档分析型问答的基准测试平台。MuDABench通过远监督方法构建，要求在大量半结构化文档中进行跨文档分析和聚合，以执行定量分析。论文还提出了一种评估协议，并通过实验表明，标准的RAG系统在MuDABench上表现不佳，并提出了一个多智能体工作流程来改进性能。
这篇论文提出了Memanto，一个用于长时程智能体的通用记忆层，它通过信息论检索技术，挑战了知识图谱复杂性与高保真记忆之间的传统假设。Memanto采用了一种类型化的语义记忆模式，结合自动冲突解决机制和版本控制，实现了高效的记忆存储和检索，显著降低了计算复杂度。
这篇论文提出了UniSonate，一个统一的模型，能够通过文本指令生成语音、音乐和音效。它通过动态标记注入机制和跨模态扩散变换器，实现了对无结构声音的精确控制，并通过多阶段课程学习策略解决了跨模态优化冲突，实现了在指令驱动的TTS和TTM任务中的最先进性能。
这篇论文提出了一个关于人机共存的协同进化理论，强调在治理框架下的人机互惠共生。它综合了计算复杂性、统计机器学习、神经网络等领域的研究，将人机共存形式化为一个多层的动态系统，并探讨了共存的条件、唯一性和全局渐近稳定性。
这篇论文提出了一个名为“Jailbreak Oracle Problem”的新问题，旨在解决大型语言模型（LLM）在安全关键应用中的安全性问题。论文介绍了Boa系统，该系统通过两阶段搜索策略有效地解决Jailbreak Oracle Problem，从而实现对LLM的严格安全评估。
这篇论文提出了Sovereign Agentic Loops（SAL），一种控制平面架构，用于在大型语言模型（LLM）中解耦推理和执行，以减少安全风险。SAL通过结构化意图和证据链来确保模型输出与系统状态和政策的一致性，从而在执行前进行验证。
这篇论文提出了QuantClaw，一个针对OpenClaw的动态精度路由插件，通过根据任务特性动态分配精度，实现了在降低延迟和计算成本的同时，保持或提升任务性能。该方法通过量化敏感度分析，将轻量级任务路由到低成本配置，同时为高负载工作负载保留更高精度。
这篇论文提出了一种针对乌克兰文档问答的检索增强生成（RAG）系统，该系统通过一个定制的两阶段搜索流程和专门针对合成数据进行微调的乌克兰语言模型，实现了高效率的问答。该系统在资源受限的硬件上实现了高质量的、可验证的AI问答，且在UNLP 2026共享任务中取得了第二名。
