精选 49 篇，从 320+ 条中筛选
Ovis2.6-30B-A3B是一款多模态大型语言模型，定位为通用大模型。其核心技术为MoE架构，具有30B参数量，支持64K长上下文处理。在性能上，该模型在多个基准测试中表现出色，尤其在多模态理解和信息密集型文档处理方面具有显著优势。主要应用场景包括图像-文本转换、长文档问答等。其开源协议为Apache-2.0，硬件需求较高，推理效率良好。
GLM-5-FP8是一款针对复杂系统工程和长期目标代理任务的大语言模型。该模型具有744亿参数，支持中英双语，并集成了DeepSeek Sparse Attention（DSA）技术，大幅降低部署成本同时保持长上下文能力。在多个基准测试中表现出色，尤其在推理、编码和代理任务上达到业界领先水平。模型适用于需要复杂推理和代码生成的场景，具有开源协议、高效的推理性能和良好的硬件兼容性。
Ring-2.5-1T是一款开源的通用大模型，具有混合线性注意力架构，参数量达到万亿级别。该模型在生成效率、深度思考和长期任务执行能力方面表现出色，尤其在数学和代码生成任务上具有显著优势。其在MMLU、GPQA等基准测试中取得了优异成绩，适用于需要深度推理和复杂任务执行的场景。
nvidia/personaplex-7b-v1是一款定位为通用大模型的LLM，具有7B参数量，支持多语言。其核心技术为Transformer变体，并采用moshi库进行优化。在性能上，该模型在多个基准测试中表现出色，具有较好的代码生成和数学推理能力。模型开源，适用于多种硬件平台，与vLLM等推理框架兼容。主要应用场景包括多语言问答、代码生成等。
Ming-flash-omni 2.0 是一款通用大模型，采用 LLM 架构，具有 100B 总参数和 6B 活跃参数。其核心技术为 MoE 框架，具备多模态认知能力，尤其在视觉知识、语音合成和图像生成方面表现优异。该模型在多个基准测试中取得了 SOTA 成绩，适用于多模态理解和合成任务。开源协议为 MIT，硬件需求较高，推理效率良好。
Kimi K2.5是一款开源的多模态大语言模型，定位为通用大模型。它基于约150万亿混合视觉和文本标记的持续预训练，具备视觉和语言理解以及先进的代理能力。模型在视觉知识、跨模态推理和基于视觉输入的代理工具使用方面表现出色。其核心能力包括视觉到代码的生成和代理群体执行复杂任务。在性能上，Kimi K2.5在权威基准测试中表现良好，具有开源协议、硬件需求适中、推理效率较高的特点，适用于多模态任务和复杂任务处理。
Qwen3-TTS是一款专注于语音合成的大语言模型，定位为特定领域微调模型。其核心技术包括自研的Qwen3-TTS-Tokenizer-12Hz和离散多码本LM架构，支持多种语言和方言，具有强大的语境理解和自适应控制能力。性能上，模型实现了低延迟的流式生成，端到端合成延迟低至97ms。主要应用场景包括实时交互和个性化语音合成。模型开源协议为Apache-2.0，适合对实时性和个性化语音合成有较高要求的场景。
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。
Qwen3-Coder-Next是一款针对代码生成和本地开发设计的开源语言模型。该模型具有3B激活参数和80B总参数，上下文长度为256k，支持多种CLI/IDE平台。其核心技术包括混合布局、MoE和Gated DeltaNet。在代码生成任务中表现出色，具有高效的性能和强大的适应性。模型在HuggingFace平台上的下载量和点赞数均较高，表明其在LLM领域中的受欢迎程度。主要应用场景包括代码生成、本地开发和集成到IDE中。
MiniCPM-o 4.5是一款多模态大语言模型，定位为通用大模型。该模型基于SigLip2、Whisper-medium、CosyVoice2和Qwen3-8B构建，参数量达9B。它在视觉、语音和全双工多模态直播方面表现出色，支持双语实时语音对话和全双工直播功能。性能上，MiniCPM-o 4.5在OpenCompass等基准测试中表现出色，超越了GPT-4o等模型。该模型适用于需要多模态交互和实时处理的场景，如直播互动、多语言对话等。
Voxtral Mini 4B Realtime 2602是一款多语言实时语音转写模型，定位为特定领域微调模型。它具有3.4B参数的语言模型和0.6B参数的音频编码器，支持13种语言，并具有可配置的转写延迟。该模型在实时语音转写任务中表现出色，能够在480ms延迟下达到与离线模型相当的性能。它适用于语音助手、实时字幕等应用，具有开源协议、硬件需求低、推理效率高等实用特性。
MOVA-360p是一款多模态模型，定位为通用大模型，具有强大的视频和音频生成能力。其核心技术包括不对称双塔架构和双向交叉注意力机制，采用MoE设计，参数量达到32B。在性能上，MOVA在唇同步和音效方面表现优异，并在开源模型中处于领先地位。该模型适用于需要高质量视频和音频同步生成的场景，具有开源协议、高效的推理性能和良好的兼容性。
MiniCPM-SALA是一款大型混合模型，定位为通用大模型，具有创新性的混合架构，结合了稀疏和线性注意力机制，实现了百万级别上下文建模。其核心技术为稀疏注意力与线性注意力混合架构，上下文长度可达百万以上，参数量适中。在性能上，MiniCPM-SALA在基准测试中表现出色，具有高效的推理速度和较低的内存占用。主要应用场景包括文本生成、对话系统等，适合对上下文长度有较高要求的任务。其开源协议为Apache-2.0，硬件需求适中，与主流推理框架兼容。
GLM-5是一款针对复杂系统工程和长期目标代理任务的大语言模型。它具有744亿参数，支持中英双语。GLM-5在预训练和后训练方面均有显著提升，尤其在推理、编码和代理任务上表现出色。其核心技术包括DeepSeek Sparse Attention（DSA）和异步RL基础设施slime，旨在提高训练效率和推理效率。模型在多个基准测试中表现优异，是开源模型中的佼佼者。
🔥 unsloth/GLM-5-GGUF是一款通用大模型，具有744亿参数，支持中英双语。其基于Transformer架构，采用MoE和DSA技术，上下文长度可达200K。在MMLU、GPQA等基准测试中表现优异。适用于复杂系统工程和长周期智能任务，具有开源协议、高效推理等实用特性。
MOSS-TTS是一款专注于语音和声音生成的开源模型，定位为特定领域的大模型。其核心技术包括高保真零样本语音克隆和可控长文本合成。模型在性能上表现出色，支持多种语言，适用于长文本语音合成、多角色对话、声音/角色设计等复杂场景。性能评估方面，模型在权威基准测试中表现良好，具有开源协议，对硬件要求适中，推理效率较高。
Qwen3.5-397B-A17B是一款通用大模型，具备强大的多模态学习能力和高效的推理性能。其核心架构采用Gated Delta Networks和sparse MoE，支持1M上下文长度，具有跨语言的广泛覆盖。在多模态学习、推理效率、适应性等方面表现出色，适用于需要高效率、高准确性的多模态任务。
MiniMax-M2.5是一款定位在通用大模型范畴内的LLM，具有较大的参数量和较长的上下文长度。其核心技术基于transformers库，并引入了safetensors和custom_code等创新。在性能上，该模型在多个基准测试中表现出色，具有较好的代码生成和数学推理能力。开源协议为modified-mit，适合在多种硬件和推理框架上使用。
FireRed-Image-Edit-1.0是一款专注于图像编辑的多模态模型，定位为通用大模型。它基于文本到图像的基础模型，具备强大的图像编辑能力，包括照片修复、多图像编辑等。该模型在HuggingFace平台上具有较高的下载量和点赞数，技术特点包括高保真编辑、文本风格保留等。在性能上，FireRed-Image-Edit-1.0在图像编辑任务中表现出色，具有与闭源解决方案相当的性能。模型适用于需要高质量图像编辑的场景，如虚拟试穿、老照片修复等。
Nanbeige4.1-3B是一款基于Nanbeige4-3B-Base的增强型推理模型，具有小型参数规模但强大的推理、偏好对齐和有效代理行为能力。该模型在代码、数学、科学等通用推理任务上表现出色，尤其在LiveCodeBench-Pro、IMO-Answer-Bench和AIME 2026 I等挑战性任务中表现出色。其技术特点包括监督微调和强化学习优化，支持深度搜索任务，并在小模型生态系统中实现了推理和代理能力的平衡。模型适用于需要复杂推理和代码生成的场景，具有开源Apache-2.0协议，适合在通用推理和特定领域应用中部署。
这篇论文提出了一种名为SemanticMoments的无监督运动相似度学习方法，通过计算预训练语义模型特征的时间统计量（特别是高阶矩）来提取视频中的语义运动信息，从而实现基于语义运动的视频检索。该方法在SimMotion基准测试中优于现有的RGB、光流和文本监督方法，证明了在语义特征空间中的时间统计量对于运动中心视频理解的重要性。
这篇论文主要介绍了OpenLID-v3，一个改进的紧密相关语言识别系统。该系统通过增加训练数据、合并问题语言变体簇和引入特殊标签来标记噪声，提高了识别精度。论文特别关注了低资源语言的识别问题，并提出了新的评估数据集。
这篇论文提出了SQuTR，一个用于在声学噪声下进行语音查询到文本检索的鲁棒性基准。SQuTR包含一个大规模数据集和统一的评估协议，旨在评估语音查询检索系统在复杂声学扰动下的鲁棒性。
这篇论文提出了UniDFlow，一个统一的离散流匹配框架，用于多模态理解和生成。该框架通过任务特定的低秩适配器解耦理解和生成，避免了目标干扰和表示纠缠，同时通过基于参考的多模态偏好对齐优化了相同条件下的相对结果，从而在不进行大规模重新训练的情况下提高了忠实度和可控性。实验表明，UniDFlow在八个基准测试中实现了最先进的性能，并展示了强大的零样本泛化能力。
这篇论文提出了Favia，一个基于代理的框架，用于识别和分析了漏洞修复提交，通过结合可扩展的候选排名和深度迭代语义推理，解决了在大型代码库中识别与公开CVE相关的修复提交的难题。
这篇论文提出了一种利用激光扫描数据生成的伪标签来训练深度学习模型进行图像中树木树冠分割的方法。该方法通过使用零样本实例分割模型SAM 2增强伪标签，实现了无需人工标注即可获得特定领域训练标注，从而提高了分割模型的性能。
这篇论文提出了一种名为Quantized Evolution Strategies (QES)的优化方法，用于在低精度量化空间中对量化大型语言模型（LLMs）进行微调。QES通过整合累积误差反馈和状态无关的种子重放，实现了在量化空间中的全参数微调，从而在算术推理任务上显著优于现有的零阶微调方法。
这篇论文提出了一种名为Self-EvolveRec的新框架，该框架通过结合用户模拟器和模型诊断工具，实现了基于大型语言模型（LLM）的推荐系统自进化。该方法通过提供定性和定量反馈，解决了传统推荐系统设计方法中搜索空间固定和缺乏改进方向的问题，显著提升了推荐性能和用户满意度。
这篇论文提出了一种名为DICE的扩散大型语言模型，专门用于生成CUDA内核。通过构建一个优化的数据集CuKe和采用双阶段强化学习框架BiC-RL，DICE在KernelBench上的实验中显著优于其他大型语言模型，为CUDA内核生成设定了新的基准。
这篇论文提出了一种基于强化学习的模拟-现实协同训练框架（RL-Co），用于视觉-语言-动作（VLA）模型。该框架通过在模拟环境中进行强化学习和在现实世界数据上添加辅助监督损失，以增强模型的现实世界能力和泛化能力，从而提高VLA模型在现实世界任务中的表现。
这篇论文提出了一种名为Feature Activation Coverage (FAC)的新方法，用于在大型语言模型（LLMs）的特征空间中衡量数据多样性。该方法通过使用稀疏自动编码器识别种子数据集中的缺失特征，并生成反映这些特征的合成样本，从而提高数据多样性和下游任务性能。
这篇论文提出了一种名为BPDQ的量化方法，通过位平面分解和可变网格量化，提高了大型语言模型在低比特率下的推理效率，解决了现有量化方法在低比特率下精度下降的问题。
该论文提出了一种名为CoPE-VideoLM的视频语言模型，通过利用视频编解码器的基本原理（如运动矢量和残差），减少了视频语言模型的计算开销，同时提高了模型在视频理解任务上的性能。
这篇论文通过提出一种Frankenstein式的分析框架，深入探讨了强化学习（RL）在视觉推理中的提升作用。该框架包括功能定位、参数比较和模型合并等手段，揭示了RL主要在中到后期层对视觉推理模型进行系统性的细化，从而提高了视觉与推理的匹配度和推理性能。
这篇论文提出了ABot-M0，一个用于机器人操作的基础模型，通过动作流形学习来提高动作预测的效率和稳定性。该模型通过构建数据整理流程，优化模型架构和训练策略，将异构原始数据转换为统一的表示。它引入了动作流形学习，使用DiT骨干网络直接预测干净、连续的动作序列，并支持模块化感知。
这篇论文提出了OneVision-Encoder，一种基于编解码器对齐稀疏性的多模态智能基础原理。该方法通过将预测性视觉结构压缩为语义意义，专注于信号熵丰富的区域，并在大规模数据集上训练，实现了高效和准确的视觉理解。
这篇论文提出了一个自适应的智能AI委托框架，旨在解决现有任务分解和委托方法在动态适应环境变化和应对意外失败方面的不足。该框架通过任务分配、权限转移、责任和问责制、角色和边界明确、意图清晰以及建立信任的机制，适用于复杂委托网络中的人类和AI委托者。
这篇论文提出了一种名为“Region-to-Image Distillation”的方法，通过在训练时将区域放大作为基本操作，将多模态大语言模型（MLLM）的细粒度感知能力提升，从而在推理时无需重复调用工具和视觉重编码，提高了细粒度感知的效率。
这篇论文研究了通过强化学习微调视觉语言模型（VLMs）在推理密集型任务中的鲁棒性和思维链一致性。研究发现，简单的文本扰动会导致鲁棒性和置信度下降，并揭示了模型在错误校准方面的特定趋势。论文提出了一个平衡准确性和可靠性的方法，强调了正确性、鲁棒性和视觉推理的忠实性。
这篇论文通过激活引导技术，研究了音频扩散模型内部机制，揭示了特定音乐概念由少量共享的注意力层控制，并提出了对比激活添加和稀疏自编码器来提高生成音频的精确控制，从而实现高精度地调整音乐元素。
这篇论文提出了GRAIL，一个基于几何感知检索增强推理的框架，用于预测患者未来的临床事件。GRAIL通过结构化几何表示和结构感知检索来建模纵向电子健康记录，并在双曲空间中嵌入这些表示，从而提高多类型下次就诊预测的准确性。
这篇论文提出了一种轻量级的LLM框架，用于灾害信息分类。该框架通过参数高效的微调，将HumAID数据集整合到一个双任务基准中，实现了灾害信息分类和事件类型识别。实验表明，LoRA微调在仅训练约2%参数的情况下，达到了79.62%的灾害信息分类准确率，而QLoRA则在50%内存成本下实现了99.4%的LoRA性能。
该论文提出了一种名为QuEPT的高效的模型量化方案，通过一次校准在小数据切片上重建块状多比特错误，支持动态适应不同位宽，并在不重复优化的情况下实时切换均匀量化和混合精度量化。它通过多比特标记合并（MB-ToMe）和多比特级联低秩适配器（MB-CLoRA）增强了准确性和鲁棒性，实验表明其性能与现有最先进的模型量化方法相当或更好。
这篇论文提出了MLLM-CTBench，一个用于持续指令调整的基准，它通过联合评估最终答案准确性和推理质量，以及通过链式思维（CoT）痕迹诊断灾难性遗忘，来促进多模态大型语言模型（MLLMs）的适应性和持续学习。它还通过大规模评估持续学习方法，并扩展了持续指令调整的范畴，从监督微调（SFT）到强化微调（RFT），来分析如何通过显式KL散度控制来稳定更新，从而影响跨任务知识保留。
这篇论文提出了VI-CuRL，一种通过置信度引导的方差减少方法，以稳定验证器独立的强化学习推理。该方法利用模型内在的置信度构建独立的课程，优先处理高置信度样本，从而有效管理偏差-方差权衡，并减少动作和问题方差。通过理论分析和实证实验，VI-CuRL在六个具有挑战性的基准测试中表现出色。
CacheMind论文提出了一种基于自然语言和基于跟踪的推理方法，用于缓存替换问题。它利用检索增强生成（RAG）和大型语言模型（LLMs）来分析缓存跟踪，并允许架构师以自然语言提问，从而实现语义推理。实验结果表明，CacheMind在缓存替换问题的推理上优于现有的RAG方法。
这篇论文提出了Flow-Factory，一个统一的框架，用于在流匹配模型中应用强化学习。该框架通过模块化和注册架构解耦算法、模型和奖励，支持新算法和架构的集成，并提供了内存优化、多奖励训练和分布式训练支持。
这篇论文提出了一种名为Highlight & Summarize (H&S)的新设计模式，用于检索增强生成（RAG）系统，以防止大型语言模型（LLM）的越狱和模型劫持攻击。该系统通过将任务分为提取相关段落和总结段落的两个组件，确保不向生成LLM透露用户问题，从而提高问答任务的准确性和相关性。
