精选 71 篇，从 450+ 条中筛选
Unsloth项目是一个专注于LLM微调与强化学习的平台，旨在通过优化资源利用和加速训练过程，为研究者、开发者提供高效的工具。其核心功能包括支持多种LLM的快速微调、强化学习，以及提供免费的开源Notebooks。技术架构上，Unsloth基于Python和Triton语言，支持多种模型和训练方法。在LLM生态中，Unsloth的价值在于其性能优化和易用性，为用户提供了更高效、更便捷的LLM训练体验。
Open SWE是一个开源框架，旨在构建组织的内部编码代理，通过集成LangGraph和Deep Agents，提供云沙盒、Slack和Linear调用、子代理编排和自动PR创建等功能，旨在提高开发效率和安全性。
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。
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。
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。
鱼声科技S2 Pro是一款领先的文本到语音（TTS）模型，专注于精细的韵律和情感控制。该模型采用双自回归架构，结合强化学习和超过10M+小时的音频数据训练，支持80多种语言。S2 Pro在LLM生态中定位为特定领域微调模型，具有多语言能力和指令遵循能力。其在TTS任务上表现出色，具有高效的推理性能和良好的开源协议。主要应用场景包括多语言语音合成、个性化语音助手等。
HumeAI/tada-3b-ml是一款专注于语音建模的统一语音语言模型，定位为多模态模型。其核心技术为文本-声学双对齐框架，通过创新的分词器和架构设计，实现了高保真合成和生成。该模型在性能上表现出色，尤其在文本到语音转换任务中具有显著优势。模型参数量较大，支持多种语言，适用于需要高保真语音生成的场景。
NVIDIA-Nemotron-3-Super-120B-A12B-BF16是一款基于Transformer架构的通用大模型，具有120B的参数量和A12B的上下文长度。该模型在NVIDIA的Nemotron系列中，结合了MoE（Multi-Head Mixture of Experts）技术，提高了模型的表达能力和效率。在性能上，该模型在多个基准测试中表现出色，具有多语言处理能力。其开源协议和硬件需求适中，适合在多种场景下使用。
NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4是一款大型语言模型，定位为通用大模型。其核心技术包括Transformer变体、MoE等，具有120B的参数量和A12B的上下文长度。在性能上，该模型在多个基准测试中表现出色，具有多语言能力。主要应用场景包括文本生成、代码生成等。该模型采用NVIDIA开放模型许可，对硬件要求较高，但推理效率良好。
HumeAI/tada-1b是一款专注于语音合成的大语言模型，定位为多模态模型。其核心技术为文本-声学双对齐框架，通过创新的分词器和架构设计，实现了高保真合成和生成。在性能上，TADA在权威基准测试中表现出色，具有高效的推理效率和良好的兼容性。主要应用场景包括语音合成和文本生成，适用于需要高质量语音输出的场景。
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。
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。
zai-org/GLM-OCR是一款基于GLM-V架构的多模态OCR模型，专注于复杂文档理解。该模型采用多令牌预测损失和稳定的全任务强化学习，结合CogViT视觉编码器和GLM-0.5B语言解码器，实现高效训练和识别。在OmniDocBench V1.5基准测试中排名第一，适用于复杂表格、代码密集型文档等场景，支持vLLM、SGLang和Ollama等推理框架，易于集成到现有生产流程中。
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。
NVIDIA-Nemotron-3-Super-120B-A12B-FP8是一款基于Transformer架构的通用大模型，具有120B的参数量和A12B的上下文长度。该模型在HuggingFace平台上具有较高的下载量和点赞数，支持多种语言。其核心技术包括NVIDIA的Nemotron架构和Latent MOE技术，旨在提高模型的安全性和效率。在性能方面，该模型在多个基准测试中表现出色，具有较好的代码生成、数学推理和多语言能力。该模型适用于需要高性能和广泛语言支持的通用场景，如文本生成、问答系统等。
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。
Tesslate/OmniCoder-9B-GGUF是一款基于Tesslate/OmniCoder-9B的GGUF量化模型，定位为通用大模型，具有9B参数量。其核心能力在于代码生成和智能代理，采用Transformer架构，支持多种量化级别，适用于不同硬件环境。在性能上，模型在代码生成任务上表现出色，但在基准测试中的具体排名未提及。主要应用场景包括代码生成、智能对话等，使用时需考虑开源协议Apache-2.0，硬件需求中等，推理效率较高。
RoyalCities/Foundation-1是一款专注于音乐生成的领域大模型，旨在为现代音乐制作提供结构化的文本到样本生成。该模型具有独特的音乐结构理解能力，能够生成与节奏同步、关键和感知、条形感知的样本，适用于音乐制作工作流程。其核心技术包括基于stabilityai/stable-audio-open-1.0的基座模型，并支持多种音乐生成相关标签。在性能表现上，该模型在音乐生成领域具有优势，但在通用基准测试中的排名未提及。实用考量方面，该模型的开源协议、硬件需求和推理效率等信息未明确提供。
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。
这篇论文提出了MDM-Prime-v2，一种基于二进制编码和索引洗牌的掩码扩散语言模型，通过优化计算效率，实现了比自回归模型更高的计算效率，并在开放文本数据集上取得了更好的性能。
这篇论文探讨了现代Transformer架构中残差路径的双重性，提出了一种通过序列位置和层深两个维度来组织Transformer设计空间的方法，并分析了不同残差操作对模型性能的影响。
这篇论文提出了ARISE，一个基于层次强化学习的框架，通过内在技能进化来提升语言模型中的数学推理能力。ARISE通过共享策略来管理技能库并生成响应，通过结构化总结成功解决方案来维护技能库，并通过层次奖励设计来引导推理能力和库质量的协同进化。
这篇论文提出了ECG-Reasoning-Benchmark，一个用于评估心电图（ECG）解释中临床推理能力的基准。该基准包含超过6,400个样本，用于系统地评估17种核心ECG诊断的逐步推理。研究发现，尽管多模态大型语言模型（MLLMs）在自动ECG解释中表现出色，但它们在执行多步骤逻辑推理方面存在重大缺陷，这揭示了现有训练范式中的关键缺陷。
这篇论文提出了一种名为V-Co的视觉表示对齐方法，通过联合去噪来提高视觉生成模型的质量。它通过一个统一的JiT框架系统性地研究了视觉联合去噪，揭示了四个关键因素：双流架构、无监督引导、感知漂移混合损失和特征重缩放。实验表明，V-Co在ImageNet-256数据集上优于基线模型，使用更少的训练时间。
这篇论文通过大量实验，系统地研究了影响化学语言模型（CLMs）在分子性质预测（MPP）任务中性能的各种因素，如数据集大小、模型大小和标准化，旨在提供对CLMs性能影响的深入理解。
这篇论文提出了SparkVSR，一个交互式视频超分辨率框架，通过稀疏关键帧传播技术，允许用户通过选择关键帧来控制视频超分辨率过程，从而提高视频质量并增强用户体验。
这篇论文提出了一种名为MEMO的框架，用于优化多轮多智能体LLM游戏的鲁棒性。MEMO通过结合保留和探索来优化推理时的上下文，使用记忆库存储自我玩耍轨迹中的结构化洞察，并通过TrueSkill进行不确定性感知的选择，使用优先重放来回顾罕见和决定性的状态。实验表明，MEMO在文本游戏中显著提高了胜率，并降低了运行间的方差。
这篇论文介绍了HistoAtlas，一个跨癌症形态学图谱，它从TCGA数据库中的诊断H&E切片中提取了38个可解释的组学特征，并将每个特征与生存率、基因表达、体细胞突变和免疫亚型系统地联系起来。该图谱不仅恢复了已知的生物学知识，还揭示了具有不同结果的特定区域免疫信号和形态学亚型。HistoAtlas允许从常规H&E中系统地发现大规模生物标志物，而无需专门的染色或测序。
这篇论文提出了一种名为Idea-Catalyst的新框架，旨在通过大型语言模型（LLM）驱动的跨学科灵感激发科学创造力。该框架通过系统性地识别跨学科见解来支持人类和大型语言模型的创造性推理，避免过早地锚定具体解决方案，从而提高科学发现的创新性和洞察力。
这篇论文提出了Omnilingual Machine Translation (OMT)系统，一个支持超过1600种语言的机器翻译系统。该系统通过整合大型公开多语言语料库和手动创建的数据集，探索了将大型语言模型（LLM）专门化为解码器模型或编码器-解码器架构模块的方法，显著提高了低计算环境下的翻译质量。
这篇论文提出了一种名为StyleExpert的语义感知框架，该框架基于混合专家（MoE）架构，用于多样化的图像风格化。通过将不同的风格嵌入到一个一致的潜在空间中，并使用相似性感知的门控机制动态地将风格路由到MoE架构中的专业专家，StyleExpert能够处理从浅层纹理到深层语义的多样化风格。实验表明，StyleExpert在保留语义和材料细节方面优于现有方法，并且能够泛化到未见过的风格。
这篇论文提出了SuperLocalMemory V3，一种基于信息几何的AI代理内存系统。它通过三个主要贡献来增强内存检索、生命周期管理和一致性：使用Fisher信息结构构建检索指标，采用Riemannian Langevin动力学管理内存生命周期，以及使用细胞层模型检测矛盾。实验结果表明，该方法在LoCoMo基准测试中优于现有方法，并满足欧盟AI法案的数据主权要求。
这篇论文提出了一种名为Chain-of-Trajectories（CoTj）的无监督训练框架，通过图论规划方法解决扩散模型在生成优化上的难题。该方法通过引入低维度的Diffusion DNA来量化去噪难度，将采样过程转化为有向无环图上的图规划问题，从而实现更有效的计算资源分配，提高生成质量和稳定性。
这篇论文提出了Latent Posterior Factors (LPF)框架，用于在概率预测任务中聚合多种异构证据项。LPF通过变分自编码器将每个证据项编码为高斯潜在后验，并通过蒙特卡洛边缘化将后验转换为软因素，然后通过精确的Sum-Product Network推理或学习到的神经聚合器来聚合这些因素。论文证明了LPF在多个方面具有形式上的保证，包括校准保持、蒙特卡洛误差衰减、非空PAC-Bayes界限、操作接近信息论下限等，并在控制数据集上进行了实证验证。
这篇论文提出了Latent Posterior Factors (LPF)框架，该框架将变分自编码器（VAE）的潜在后验转换为软似然因子，用于Sum-Product Network（SPN）推理，从而在非结构化证据上实现可处理的概率推理，同时保留校准的不确定性估计。LPF通过LPF-SPN和LPF-Learned两种架构实现，允许在共享不确定性表示下对推理范式进行原则性比较。
这篇论文提出了WiT，一种通过轨迹冲突导航的Waypoint Diffusion Transformers，用于解决Flow Matching模型在像素空间中由于语义连续性不足导致的轨迹冲突问题。WiT通过中间语义航点将连续向量场分解，有效地解耦了生成轨迹，并通过迭代去噪过程动态推断中间航点，从而提高了图像生成的质量和训练效率。
这篇论文提出了GradMem，一种通过测试时梯度下降将上下文写入内存的方法，以减少大型语言模型在处理长上下文时的内存开销。GradMem通过优化模型级别的自监督上下文重建损失，实现了损失驱动的写入操作，并在关联键值检索任务中优于传统的只前向写入方法。
Qianfan-OCR 是一种统一的端到端视觉语言模型，它将文档解析、布局分析和文档理解整合到一个架构中。该模型能够直接将图像转换为Markdown格式，并支持表格提取、图表理解、文档问答和关键信息提取等多样化任务。通过提出“布局作为思考”的概念，该模型在处理复杂布局时提高了准确性。
这篇论文介绍了VAREX，一个用于评估多模态基础模型从政府表格中提取结构化数据的基准。VAREX使用反向标注流程生成合成数据，并通过三阶段质量保证验证确定性真实值。该基准包含1777份文档，涵盖1771个独特的模式，每个模式以四种输入模态提供：纯文本、布局保留文本、文档图像或文本和图像的组合。VAREX提供了四个控制模态，以系统地消除输入格式对提取精度的影响。论文评估了20个模型，并发现结构化输出合规性是瓶颈，而布局保留文本提供了最大的精度提升。
NVIDIA NeMo Retriever团队发布了新一代的智能体检索管道，该管道在多个基准测试中取得了优异的成绩，展示了其在通用性、超越语义相似性检索方面的优势，并采用了ReACT架构和进程内线程安全的单例检索器，以提高速度和可扩展性。
NVIDIA的AI-Q深度研究代理在DeepResearch Bench I和II两个主要基准测试中均取得了第一名，标志着开放、可移植的深度研究迈出了重要一步。AI-Q是一个开源的AI代理构建蓝图，能够处理企业级和Web数据，提供完全开放和模块化的架构，企业可以拥有、检查、定制和配置。该代理采用多代理架构，包括规划者、研究员和协调者，基于NVIDIA的NeMo Agent Toolkit和微调的NVIDIA Nemotron 3 Super模型。
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。
NVIDIA 发布了首个医疗机器人开放数据集 Open-H-Embodiment，包含 778 小时训练数据，旨在推动医疗机器人领域物理人工智能的发展。同时推出了两个开源模型 GR00T-H 和 Cosmos-H-Surgical-Simulator，用于手术机器人任务和动作条件式手术机器人模拟，以实现更精确和高效的手术操作。
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。
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
暂无摘要
暂无摘要
NVIDIA发布了NVIDIA KGMON（NeMo Agent Toolkit）数据探索器，这是一种用于构建自主数据分析智能体的架构，旨在处理多步骤推理、工具调用和迭代数据分析。该架构在DABStep基准测试中排名第一，展示了其在复杂数据分析任务中的高效性和准确性。
SILMA AI发布了SILMA TTS v1，这是一个轻量级的双语文本到语音模型，支持阿拉伯语和英语。该模型基于F5-TTS扩散架构，具有150M参数，并预训练了数万小时的公共和专有音频数据。SILMA TTS以Apache 2.0许可证开源，旨在支持研究和商业应用。
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。
本文介绍了名为“规范保持双投影消融”的技术，这是一种用于从语言模型中移除拒绝行为的新方法。该方法通过识别和干预激活空间中的“拒绝方向”来工作，并改进了传统的消融方法。它通过从另一层的输出中移除拒绝，避免干扰目标层中无害的方向，同时通过仅从目标权重中减去方向分量，同时保留权重范数，提高了推理性能。
Hugging Face和NVIDIA发布了一个名为Nemotron-Pretraining-Code-Concepts的大规模合成数据集，旨在通过编程概念种子生成数据，以增强大型语言模型（LLM）的编程能力。该数据集包含1500万个Python编程问题，用于预训练模型，并在HumanEval基准测试中实现了6个百分点的性能提升。
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。
Super Analyzer是一款结合推理和编码能力的工具，旨在通过使用Nvidia Nemotron 3 Super推理LLM来识别和修复代码中的性能瓶颈。该系统支持C++、Python、Java和Rust语言，并提供了Web UI、Python API和Rest API等交互方式，旨在提高代码性能。
这篇公告讨论了在多语言语言模型（LLM）中，分词（Tokenization）对模型性能的影响，特别是对低资源语言的影响。作者Omar Kamali指出，分词的不当会导致模型在理解语言结构上的困难，并提出了改进分词方法以提升低资源语言模型性能的必要性。
Hugging Face发布了《大型语言模型课程》，这是一套全面的教育资源，旨在帮助人们深入了解大型语言模型（LLM）。课程分为两部分：LLM科学家和LLM工程师，分别侧重于构建和部署LLM。课程内容涵盖LLM架构、预训练、后训练数据集、微调、偏好对齐、评估、量化和新趋势等多个方面，并提供交互式LLM助手。
Pollen Robotics 开源了一款名为 'Amazing Hand' 的完全 3D 打印机器人手，其成本低于 200 美元。这款手具有八个自由度，采用双伺服电机驱动，旨在降低高性能仿人手的入门成本，并允许用户进行定制和实验。
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。
这篇论文提出了IndexRAG，一种新的跨文档推理方法，通过将跨文档推理从在线推理转移到离线索引，提高了多跳问答系统的性能。IndexRAG通过识别共享的桥梁实体并生成可独立检索的桥梁事实，无需额外的训练或微调，从而在三个广泛使用的多跳问答基准测试中实现了显著的F1分数提升。
这篇论文提出了OMNIFLOW，一个基于物理学的多模态智能体，用于广义科学推理。OMNIFLOW通过将高维流张量投影到拓扑语言描述符，使模型能够感知物理结构，而不是原始像素值。它通过动态约束注入和迭代反思验证来引导推理，显著提高了零样本泛化和少样本适应任务中的性能。
这篇论文提出了一种将事件序列建模、因果发现和大型语言模型（LLMs）统一到一个框架中，用于处理高维度的离散事件序列，以实现自动化故障诊断。它通过引入基于Transformer的架构、可扩展的样本和人口级因果发现框架以及自动化布尔EP规则合成的多智能体系统，解决了传统统计方法在高维度数据集上的局限性。
这篇论文研究了视觉语言模型（VLMs）在辅助盲人和低视力人士进行导航任务中的潜力。通过评估多个VLMs在基础视觉技能和导航场景中的表现，论文揭示了不同模型在空间推理和场景理解方面的差异，并指出了开源模型在复杂环境中的局限性。
EngGPT2是Engineering Group开发的最新意大利语言大语言模型，通过混合专家（MoE）架构和高效的训练方法，实现了在保持高性能的同时降低资源消耗，特别适用于欧洲和意大利的NLP任务。
这篇论文通过大规模实证研究，比较了AI代理和人类在线社区的动态，分析了Moltbook和Reddit上的大量帖子，揭示了AI代理社区在参与度、语言特征和作者识别等方面的独特性，为理解多智能体交互如何产生与人类社区不同的集体沟通动态提供了实证基础。
这篇论文提出了SpokenUS，一个基于任务导向对话的口语用户模拟器，通过引入SpokenTOD数据集，该数据集包含了52,390个对话和1,034小时的语音数据，并增加了四种口语用户行为，用于训练和评估更鲁棒的口语对话系统。
这篇论文提出了V-DyKnow，一个用于评估视觉语言模型中时间敏感知识动态性的基准。通过分析模型在不同模态和输入扰动下的可靠性、知识编辑和多模态RAG方法的有效性，以及过时预测的来源，论文揭示了当前VLMs在获取和更新时间敏感知识方面的基本局限性。
这篇论文提出了一种名为SpecSteer的框架，该框架通过结合本地设备上的上下文和云端的大规模推理能力，解决了个性化生成中的隐私和推理能力不足的问题。SpecSteer利用贝叶斯知识融合和分布式对齐协议，实现了设备端模型草稿、云端验证和本地意图注入的流程，从而在保证用户隐私的同时，提升了个性化生成的质量和效率。
