精选 69 篇，从 680+ 条中筛选
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型采用 CoT 技术和 Claude-4.6 Opus 的推理链进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持多种语言，适用于需要复杂推理和精确解决方案的场景。性能方面，模型在相关基准测试中表现良好，具有开源协议，适合在多种硬件和推理框架上使用。
LongCat-Next是一款多模态的通用大模型，具有Transformer架构，支持任何到任何的管道。该模型在HuggingFace平台上拥有较高的下载量和点赞数，表明其在社区中受到认可。LongCat-Next在性能上表现出色，尤其在多模态任务上具有显著优势。其开源协议为MIT，适合在多种硬件和推理框架上使用。
Zeta 2是一款专注于代码编辑预测的领域大模型，基于ByteDance-Seed/Seed-Coder-8B-Base进行微调。该模型具有Transformer架构，支持文本生成、编辑预测等功能，适用于代码编辑和重构。模型在代码生成方面表现出色，特别适合开发者和代码编辑器使用。性能方面，未提供具体基准测试结果，但根据其设计，预计在代码相关任务上表现优异。开源协议为Apache-2.0，适合在多种硬件和推理框架上使用。
CohereLabs的cohere-transcribe-03-2026模型定位为特定领域微调模型，专注于语音识别与转录任务。该模型采用自动语音识别技术，具有自动化的数据处理流程。技术特点包括Transformer架构和自动语音识别技术。性能方面，模型在Hugging Face排行榜上表现良好，具有高效的处理速度和准确的转录结果。主要应用场景包括语音转文本、会议记录等。该模型适合对语音识别和转录有较高要求的场景，具有较好的开源协议和硬件兼容性。
Voxtral-4B-TTS-2603是一款专注于语音合成的LLM，定位为特定领域微调模型。其核心技术包括Transformer架构和Voxtral TTS模型，支持多语言和方言，具有低延迟和高性能的特点。在基准测试中表现出色，适用于客户支持、金融服务等多个场景。开源协议为CC BY-NC 4.0，对硬件要求较高，推理效率高。
Tesslate/OmniCoder-9B是一款针对代码生成和推理的领域大模型，基于Qwen3.5-9B架构，参数量达到9B。该模型在代码生成、工具使用、终端操作和多步推理等任务上表现出色，具有强大的自恢复能力和遵循LSP诊断的能力。在AIME 2025、GPQA Diamond和Terminal-Bench 2.0等基准测试中取得了优异的成绩。模型开源，适用于需要高效代码生成和推理的场景。
Chroma Context-1是一款基于gpt-oss-20b的20B参数的检索增强型模型，旨在提高检索效率和性能。该模型通过查询分解、并行工具调用和自我编辑上下文等特性，实现了在降低成本的同时，提供与前沿LLM相当的性能，且推理速度可快10倍。它适用于需要复杂查询和大量文档检索的场景，如法律、金融和Web搜索等。
TRIBE v2是一款多模态脑编码模型，结合了LLaMA 3.2（文本）、V-JEPA2（视频）和Wav2Vec-BERT（音频）等先进特征提取器，通过统一的Transformer架构预测自然刺激的fMRI脑响应。该模型在LLM生态中定位为多模态模型，具有独特的脑编码能力。技术特点包括多模态融合和Transformer架构。在性能上，模型在自然刺激的脑响应预测方面表现出色。主要应用场景包括神经科学研究和多模态内容分析。开源协议为CC BY-NC 4.0，对硬件需求较高，推理效率取决于具体应用。
Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF 是一个推理优化版本的大语言模型，专注于提高推理效率和准确性。该模型基于Qwen3.5-9B进行微调，结合了Claude 4.6 Opus风格的推理样本，特别强调在减少内部冗余循环的同时提升跨任务泛化能力。模型在推理速度和成本效益上有所提升，同时在基准测试中表现出色。适用于需要高效推理和准确性的场景，如代码生成、数学推理等。
microsoft/harrier-oss-v1-0.6b 是微软开发的多语言文本嵌入模型，定位为通用大模型。该模型采用仅解码器架构，具有高维嵌入和L2归一化技术，适用于检索、聚类、语义相似度等任务。在Multilingual MTEB v2基准测试中取得优异成绩。模型具有大规模参数量，支持多种语言，适用于需要多语言能力的场景。开源协议为MIT，硬件需求较高，推理效率良好。
该模型定位为多模态模型，具有text-to-image的Pipeline能力。核心技术包括基于black-forest-labs/FLUX.1-dev的base_model，支持diffusers库。性能方面，下载量和点赞数表明其受欢迎程度。主要应用场景为图像生成，适用于创意设计等领域。开源协议和硬件需求等信息未明确，但推理效率可能受限于其多模态特性。
HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive 是一款通用大模型，具有9B参数和32层，支持多语言和上下文长度可扩展至1M。该模型在HuggingFace平台上具有较高下载量和点赞数，其核心能力在于无审查的文本生成，具有更强的拒绝处理能力。在性能表现上，该模型在MMLU、GPQA、IFEval等基准测试中表现良好，具有多模态支持，适用于需要无审查文本生成的场景。其开源协议为Apache-2.0，硬件需求较高，推理效率中等，与vLLM、TGI等流行推理框架兼容。
Lightricks/LTX-2.3是一款专注于图像到视频生成的基础模型，定位为多模态模型。它基于DiT架构，具有高效的音频和视频生成能力，支持多种语言和格式。该模型在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。LTX-2.3在性能上表现出色，尤其在图像到视频转换任务上具有显著优势。其开源协议和丰富的应用场景使其在多媒体内容创作领域具有广泛应用潜力。
HauhauCS/Qwen3.5-35B-A3B-Uncensored-HauhauCS-Aggressive 是一个基于 Qwen3.5-35B-A3B 的开源模型，专注于图像-文本到文本的转换。该模型定位为多模态模型，具有无审查的特性，适用于需要生成丰富文本内容的应用。其核心技术包括MoE架构和Qwen3.5-35B-A3B基座模型，支持多语言，上下文长度大，参数量高。在性能上，该模型在多个基准测试中表现出色，尤其在图像-文本转换任务中具有显著优势。主要应用场景包括内容生成、图像描述等。该模型开源，硬件需求较高，推理效率中等。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型通过从 Claude-4.6 Opus 中提取的 CoT 技术进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持文本生成。在性能上，模型在推理任务上表现出色，特别适合需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，适合在多种硬件和推理框架上使用。
Qianfan-OCR是一款由百度Qianfan团队开发的4B参数端到端文档智能模型，定位为多模态模型。其核心技术为统一的视觉-语言架构，支持直接从图像到Markdown的转换，具有文档解析、布局分析和文档理解等功能。在OmniDocBench和OlmOCR Bench等基准测试中表现出色，尤其在文档解析和OCR任务上取得了领先成绩。该模型适用于文档智能处理、信息提取等场景，具有开源协议Apache-2.0，适合在多种硬件和推理框架上使用。
Qwen/Qwen3.5-9B是一款通用大模型，具备9B参数，支持多模态学习。其核心技术包括多模态融合训练、高效的混合架构、可扩展的强化学习泛化能力、全球语言覆盖和下一代训练基础设施。在基准测试中表现出色，尤其在多模态理解和推理任务上。适用于需要多语言、多模态理解和高效推理的场景，如对话系统、内容生成等。
Nemotron-Cascade-2-30B-A3B是一款开源的30B MoE模型，具备强大的推理和代理能力。该模型在数学和计算机科学竞赛中表现出色，具有推理和指令遵循模式。其核心技术包括MoE架构、强大的推理能力，以及针对特定数据集的微调。在基准测试中，该模型在数学推理任务中取得了优异成绩。适用于需要高级推理能力的应用场景，如数学问题解决和代码生成。
这篇论文提出了一种名为INSID3的无监督上下文分割方法，它利用DINOv3的特征进行无监督的语义匹配和分割，无需额外的监督或辅助模型。该方法在单次语义、部分和个性化分割任务上取得了最先进的性能，同时参数数量减少了3倍，且无需任何掩码或类别级别的监督。
这篇论文提出了STRIDE，一种用于流媒体视频理解的结构化序列建模方法。STRIDE通过在滑动时间窗口中联合预测和迭代细化激活信号，实现了对视频流中何时进行响应的决策。该方法在多个流媒体基准和下游模型上的实验表明，STRIDE能够提供更可靠和时序一致的前瞻性响应，显著提高了在线流媒体场景中的何时响应决策质量。
这篇论文介绍了ChartNet，一个大规模、高质量的图表理解多模态数据集，旨在提升图表解释和推理能力。ChartNet通过代码引导的合成流程生成150万个多样化的图表样本，并包含多种图表类型和绘图库。每个样本都包含绘图代码、渲染图表图像、数据表、自然语言摘要和推理问答，以实现细粒度的跨模态对齐。此外，ChartNet还包括专门的数据集，涵盖人类标注数据、现实世界数据、安全和扎根。通过在ChartNet上进行微调，模型在多个基准测试中取得了显著的性能提升。
这篇论文提出了AdaptToken，一种基于熵的自适应Token选择框架，用于解决多模态大型语言模型在长视频理解中的内存成本高和上下文长度限制问题。AdaptToken通过将视频分割成组，提取跨模态注意力来对每个组内的Token进行排序，并使用模型的响应熵来估计每个组的提示相关性，从而实现全局Token预算分配和早期停止。
这篇论文提出了HandX，一个用于生成高质量双手运动和交互的统一框架。它通过整合和过滤现有数据集，收集新的动作捕捉数据集，并引入了一种基于大型语言模型的解耦策略来生成细粒度的描述，从而解决了现有资源中缺乏高保真双手序列的问题。
这篇论文探讨了文本数据集成的重要性，提出将文本数据与结构化数据相结合的方法，以解决数据异构性问题。论文首先论证了文本数据集成的必要性，随后分析了其面临的挑战，并介绍了当前的技术状态和开放性问题。
这篇论文通过对比研究，分析了手术AI领域的数据集、基础模型以及迈向医疗通用人工智能（Med-AGI）的障碍。研究通过神经外科工具检测的案例，展示了即使使用多亿参数的模型和大量训练，当前的视觉语言模型在工具检测任务上仍然存在不足，并指出仅通过增加模型大小和训练时间并不能显著提升性能。
这篇论文提出了一种名为Unified Motion Flow (UMF)的模型，用于从文本生成无人数限制的运动。UMF通过将运动生成分解为运动先验生成和反应生成两个阶段，利用统一的潜在空间和不同的噪声级别来提高效率和减少错误累积，从而实现多个人物动作的生成。
KAT-Coder-V2 是由快手 KwaiKAT 团队开发的一种代理编码模型，采用“专业化-统一”范式，将代理编码分解为五个专家领域，并通过模块化基础设施和强化学习进行训练。该模型在多个基准测试中表现出色，实现了显著的性能提升。
这篇论文提出了一种名为SEAR的基于模式的评估和路由系统，用于多模型、多提供者的LLM网关。SEAR通过定义一个可扩展的关系模式，涵盖了LLM评估信号和网关操作指标，实现了对LLM响应的评估和请求的路由。该系统通过自我包含的信号指令、模式内推理和多阶段生成来生成结构化输出，从而提高了信号准确性并支持了实际的路由决策。
这篇论文提出了TAPS，一种任务感知的提案分布方法，用于推测采样。TAPS通过让轻量级草稿模型提出未来标记，然后由大型目标模型并行验证，从而加速自回归生成。论文研究了草稿训练分布对推测解码质量的影响，并通过实验表明，特定任务的训练可以显著提高解码质量，并且专门的草稿器在推理时比在权重空间中结合更好。
这篇论文提出了一种在上下文空间中应用即时排斥的方法，以在扩散变换器中实现丰富的多样性。通过在多模态注意力通道中干预，该方法在变换器的前向传递过程中动态地应用排斥，从而在不牺牲视觉保真度或语义一致性的情况下，产生更丰富的多样性。
这篇论文提出了EpochX，一个基于信用市场的AI代理生产网络基础设施，旨在通过促进人类与AI代理之间的协作，解决大规模任务分配、验证和奖励的问题，同时创建可重用的生态系统资产。
这篇论文提出了Story2Proposal，一个基于合约的多智能体框架，用于将研究故事转换为结构化的科学论文。该框架通过协调的智能体在持续共享的视觉合约下工作，以保持论文中叙事推理、实验证据和视觉元素的一致性。实验表明，Story2Proposal在结构一致性和视觉对齐方面优于现有方法。
这篇论文提出了一种名为Semi-Dynamic Context Compression的框架，通过预测并量化压缩比率来优化长文本的软上下文压缩，以减少LLM处理长文本的计算负担，并通过实验证明其性能优于静态基准。
这篇论文提出了一种名为GeoSR的框架，旨在通过鼓励视觉语言模型（VLMs）主动利用几何信息来进行空间推理。该框架通过几何释放掩码和几何引导融合两种机制，提高了几何信息在空间推理任务中的利用效率，并在静态和动态空间推理基准测试中取得了新的最先进性能。
这篇论文探讨了人工智能超级智能对法律秩序的影响，分析了AI代理在法律系统中的角色，包括成为法律主体、消费者和执法者，并提出了法律理论、法律机构合法性和法律与AI对齐的新挑战。
这篇论文提出了一种利用视频生成技术从蜂窝信号中重建GPS轨迹的方法。通过将信号轨迹渲染在地图上，并训练一个视频生成模型来绘制连续的GPS路径，论文解决了从粗略的蜂窝信号到高精度GPS轨迹的转换问题。
这篇论文提出了MuSEAgent，一个多模态推理代理，通过扩展研究代理的能力来发现和利用状态化的经验，从而增强决策能力。MuSEAgent通过后见之明推理将交互数据抽象为原子决策经验，并组织成一个质量过滤的经验库，支持策略驱动的经验检索。实验表明，MuSEAgent在细粒度视觉感知和复杂的多模态推理任务上优于基线。
这篇论文提出了MOOZY，一个以患者为中心的病理学基础模型，通过结合多阶段开放自我监督和低成本的任务监督，在预训练阶段显式地建模了同一患者所有幻灯片之间的关系，从而提高了计算病理学的性能。
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。
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。
WM Bench，一个针对世界模型认知智能的新基准测试，旨在评估模型是否真正理解其环境，而非仅仅渲染它。该基准测试通过感知、认知和具身三个核心支柱来评估模型，并引入了多个前所未有的评估类别，如自主情感升级和身体互换可扩展性。同时，WM Bench还发布了基线世界模型PROMETHEUS v1.0，以供社区参考和评估。
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。
暂无摘要
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Nemotron 3 Nano 4B，这是Nemotron 3系列中最紧凑的成员，采用混合Mamba-Transformer架构，专为边缘设备部署优化，提供高效、准确的小型语言模型，支持FP8和Q4_K_M GGUF量化，旨在降低模型大小和VRAM使用，提高吞吐量和降低延迟。
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。
NVIDIA近日发布了Alpamayo 1.5模型，这是一个基于推理的自动驾驶汽车（AV）的开放平台，旨在提供更强大的推理模型、灵活的仿真工具和高质量的数据集。该平台包括文本引导的轨迹规划、灵活的多摄像头支持、用户问答等功能，并支持在更广泛的驾驶数据上进行评估。
暂无摘要
暂无摘要
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Hugging Face博客文章介绍了状态空间模型（SSM）的基本概念，包括其在控制理论和深度学习中的应用。文章详细解释了SSM的三个视图：连续视图、递归视图和卷积视图，并讨论了它们各自的优势和局限性。
这篇公告讨论了G2P（Graphemes to Phonemes）在语音模型中的应用，提出通过G2P预处理可以压缩语音模型，减少模型和数据的规模，从而提高效率。文章还探讨了不同类型的G2P解决方案，包括基于查找表、规则和神经网络的方案，并强调了G2P在语音模型中的重要性。
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。
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。
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。
OpenAI 宣布完成 1220 亿美元的巨额融资，估值达到 8520 亿美元，并计划加速人工智能的全球发展。公司推出 GPT-5.4 模型，ChatGPT 用户量突破 9 亿，企业业务增长迅速，同时致力于构建统一的 AI 超级应用，整合 ChatGPT、Codex 等功能，提升用户体验和应用效率。
这篇论文提出了PubMed Reasoner，一个基于动态推理的生物医学问答系统，通过自我批评查询优化、反思检索和基于证据的响应生成三个阶段，实现了对生物医学问题的准确回答和证据支持。该系统使用GPT-4o作为骨干，在PubMedQA和MMLU Clinical Knowledge上取得了超越人类专家的性能。
这篇论文提出了Synergy，一个适用于开放代理网络的通用代理架构和运行时环境。Synergy旨在解决当前代理系统孤立和封闭的问题，通过实现代理间的协作、身份和终身进化，以适应即将到来的开放代理网络（Open Agentic Web）。它通过会话原生编排、基于存储库的工作空间和社交通信来支持协作，通过类型化内存、笔记、日程安排、技能和持久的社会关系来支持身份，并通过基于经验的主动召回奖励轨迹的学习机制来支持进化。
这篇论文提出了ORACAL，一个基于异构多模态图学习的智能合约漏洞检测框架。该框架结合了控制流图、数据流图和调用图，并利用检索增强生成和大型语言模型来丰富关键子图，同时采用因果注意力机制和PGExplainer进行可解释性分析，显著提升了检测性能和可解释性。
这篇论文提出了一种名为FSE-DP的并行化范式，专门针对低批量的MoE推理在多芯片架构上的加速。该方法通过动态轨迹调度和细粒度的专家流来优化计算和通信的重叠，以及负载平衡，从而显著提高推理速度并减少芯片内存使用。
这篇论文提出了一种名为STRIDE的模型，用于流媒体视频理解。该模型通过结构化时间序列建模，结合滑动时间窗口和迭代去噪技术，实现了对视频帧的实时理解和响应决策，显著提高了在线流媒体场景中何时发言的决策质量。
这篇论文提出了AMIGO，一个用于评估视觉语言模型在多图像场景中识别隐藏目标的能力的基准。AMIGO通过让模型在一系列属性相关的Yes/No/Unsure问题中识别目标图像，强调了在不确定性下的问题选择、跨轮次的约束跟踪和随着证据积累的精细区分。
这篇论文提出了M-RAG，一种新型的无文本块检索策略，用于提高检索增强生成（RAG）的效率和效果。M-RAG通过提取结构化的k-v分解元标记，实现了轻量级、意图对齐的检索键和丰富的上下文信息值，从而在保证表达力的同时，提高了检索的效率和稳定性。
这篇论文提出了一种基于多智能体的AI系统，用于自动将TensorFlow深度学习模型迁移到JAX框架。该系统通过静态分析与AI指令的混合使用，创建迁移计划，并定义了质量指标和AI判断器来加速开发过程，显著减少了模型迁移的时间。
这篇论文提出了一种名为混合文档路由检索（HDRR）的新方法，旨在解决金融领域检索增强生成（RAG）系统中的鲁棒性与精确性之间的权衡问题。HDRR结合了语义文件路由（SFR）和基于块的检索，通过两阶段架构提高了答案的准确性和鲁棒性。
