精选 69 篇，从 300+ 条中筛选
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。
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。
🔥 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。
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。
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。
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。
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。
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。
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。
🔥 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。
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。
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-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。
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。
这篇论文提出了LLaTiSA，一个结合视觉感知和语义的时间序列推理模型。LLaTiSA通过整合可视化模式和精确校准的数值表格，增强了视觉语言模型对时间感知的能力，并通过多阶段课程微调策略在多样化的时间序列推理任务和真实世界场景中实现了优异的性能。
这篇论文提出了一种名为结构化运动描述（SMD）的方法，通过将关节位置序列转换为结构化的自然语言描述，使大型语言模型（LLMs）能够直接应用于运动推理，无需学习编码器或对齐模块，从而在运动问答和运动字幕生成任务上取得了超越现有方法的性能。
这篇论文提出了一种基于知识图谱的外部记忆框架，用于个性化大型语言模型（LLM）的存储和检索。该框架通过自动构建和更新知识图谱，支持丰富的语义和时序表示，并提供了多种检索机制，以提高个性化LLM在复杂交互中的性能。
这篇论文提出了EditCrafter，一种无需微调的高分辨率图像编辑方法，它利用预训练的文本到图像（T2I）扩散模型处理高分辨率图像，解决了传统方法在处理任意宽高比或高分辨率图像时的局限性。
这篇论文提出了WebGen-R1，一个基于强化学习的端到端框架，旨在激励大型语言模型生成功能性和美观的多页网站。它通过引入结构化生成范式和级联多模态奖励机制，解决了大型语言模型在生成网站时面临的挑战，如主观美学评估、跨页面交互和功能正确性验证。
这篇论文提出了一种名为混合策略蒸馏（HPD）的新方法，用于压缩大型语言模型（LLMs）。该方法结合了前向和反向KL散度的优势，以平衡模式覆盖和模式寻求，并使用离策略数据与轻量级的近似在线策略采样。实验表明，HPD在长生成数学推理、短生成对话和代码任务上提高了优化稳定性、计算效率和最终性能。
这篇论文提出了一种名为COSPLAY的协同进化框架，用于解决长时程任务中的决策和技能学习问题。该框架结合了大型语言模型（LLM）和技能银行代理，通过从技能银行中检索技能来指导动作执行，并通过技能管道代理发现可重用的技能来形成技能银行。实验表明，COSPLAY在多个游戏环境中实现了显著的性能提升。
这篇论文提出了DAVinCI框架，用于在语言模型的声明推理中实现双重归因和验证，以增强LLM输出的事实可靠性和可解释性。DAVinCI通过将生成的声明归因于内部模型组件和外部来源，并使用基于蕴涵的推理和置信度校准来验证每个声明，显著提高了分类准确率、归因精度、召回率和F1分数。
这篇论文提出了一种名为EAVAE的框架，用于在生成式AI时代进行可泛化的作者归属分析。该框架通过解耦内容和风格，使用监督对比学习预训练风格编码器，并通过变分自编码器进行微调，以实现风格和内容的分离。EAVAE通过一个新颖的判别器来强制解耦，该判别器不仅能够区分风格/内容表示是否属于同一作者/内容来源，还能生成自然语言解释，同时减轻混淆信息并提高可解释性。
这篇论文提出了一种名为TingIS的端到端系统，用于在大型企业环境中实时发现风险事件。该系统通过多阶段事件链接引擎，结合高效索引技术和大型语言模型（LLMs），从大量噪声数据中提取可操作的风险事件。此外，它还采用了级联路由机制和多维噪声减少管道，以实现精确的业务归因和噪声降低。实验结果表明，TingIS在路由准确性、聚类质量和信噪比方面显著优于基线方法。
这篇论文提出了UniGenDet，一个统一的生成-判别框架，用于协同进化的图像生成和生成图像检测。该框架通过设计共生多模态自注意力机制和统一微调算法，实现了生成任务和真实性识别的可解释性提升，并通过检测器信息生成对齐机制促进了信息交换，实验表明该方法在多个数据集上达到了最先进的性能。
这篇论文提出了VLAA-GUI，一个模块化的GUI自动化框架，通过三个集成组件来指导系统何时停止、恢复和搜索，以解决自主GUI代理的早期停止和重复循环问题。该框架包括完整性验证器、循环中断器和搜索代理，通过在多个基准测试中实现顶级性能，证明了其有效性。
这篇论文提出了StyleID，一个感知感知的数据库和度量标准，用于风格无关的面部身份识别。StyleID旨在解决当前身份编码器在风格化图像上表现脆弱的问题，通过引入两个数据集和一种新的评估框架，提高了模型在风格化图像上的识别准确性和鲁棒性。
这篇论文提出了WorldMark，一个统一的基准测试套件，用于评估交互式视频世界模型。它通过提供一个统一的动作映射层、分层测试套件和模块化评估工具包，解决了不同模型之间公平比较的问题，并促进了该领域的研究。
这篇论文介绍了Omni模型，一个统一的多模态模型，它通过在多种模态（文本、图像、视频、3D几何和隐藏表示）上原生训练，实现了跨模态的上下文展开。这种方法使得模型能够在生成预测之前，明确地跨多个模态表示进行推理，从而聚合来自不同模态的互补信息，提高下游推理的准确性。Omni在多模态生成和理解基准测试中表现出色，展示了高级的多模态推理能力。
这篇论文提出了UniT框架，通过视觉锚定统一动作标记器，建立了一个统一的物理语言，用于人类到类人机器人的策略学习和世界建模。该框架通过预测统一标记，有效地利用了多样化的人类数据，在类人机器人模拟基准和现实世界部署中实现了数据效率的提升和鲁棒的泛化能力，特别是展示了零样本任务迁移的能力。
暂无摘要
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
Vessel Browser是一款专为自主代理设计的开源浏览器，旨在解决AI驱动的网络浏览问题。它旨在提供快速、高效的浏览体验，同时允许人类监督和干预。Vessel Browser具有集成聊天窗口、持久状态、自定义API提供者、书签文件夹和AI聊天窗口等功能，旨在改善与AI代理的协作。
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。
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。
这篇论文提出了RealRoute系统，该系统通过检索-验证范式，解决了在异构数据源上应用RAG时预测路由的挑战。RealRoute采用并行、源无关的检索和动态验证器来确保证据的完整性，并通过可视化工具展示了跨多个知识孤岛的实时重路由过程。
这篇论文提出了Introspective and Interactive Visual Grounding (IVG)框架，旨在解决视觉语言模型(VLMs)在图表解读中的错误和幻觉问题。IVG结合了基于规范的直觉和基于视图的交互，通过iPlotBench基准测试证明了其在数据重建和问答准确率上的提升。
这篇论文提出了OptiVerse，一个包含1000个问题的综合基准，旨在评估大型语言模型在解决复杂优化问题上的能力。OptiVerse涵盖了多个领域，包括随机优化、动态优化、游戏优化和最优控制，并展示了在难度较高的问题上，即使是高级模型也难以达到27%的准确率。论文还提出了一种双视角审计代理，以提高LLM建模过程的准确性。
这篇论文提出了Decoupled DiLoCo，一种用于大规模语言模型预训练的框架，通过解耦同步机制，实现更高效的分布式训练，即使在硬件故障或通信延迟的情况下也能保持高性能。
这篇论文提出了HiCrew，一个用于长视频理解的分层多智能体框架。它通过混合树结构、问题感知字幕机制和规划层来解决视频理解中的时空冗余和叙事依赖问题，同时提高因果推理的时序一致性。
这篇论文提出了IRIS，一种基于R'enyi迭代的自我博弈框架，用于大型语言模型的微调。IRIS通过调整目标函数，实现了对标注数据和合成数据的独立倾斜风险项分解，并通过自适应的顺序调度来优化学习动态。
这篇论文提出了一种名为Tool Attention的中间件机制，旨在解决大规模可扩展的智能工作流程中MCP/Tools Tax的问题。该方法通过动态工具门控和懒加载模式，显著减少了工具调用时的token开销，提高了上下文利用率和推理质量。
这篇论文提出了EngramaBench，一个用于评估长期对话记忆的基准，通过结构化图检索来评估记忆系统。论文比较了Engrama、GPT-4o full-context prompting和Mem0三种记忆系统，发现Engrama在跨空间推理方面表现最佳，但整体复合得分略低于GPT-4o full-context，而Mem0在成本上最低但性能最弱。
这篇论文提出了ReCAPA，一个用于视觉-语言-动作（VLA）系统的框架，通过预测和对比调整动作、子目标和轨迹的偏差，以减轻级联错误。它使用语义对齐模块和分数场模块在所有级别强制执行语义对齐，并通过引入新的度量标准来量化错误传播和恢复过程。
