精选 60 篇，从 3 条中筛选
netflix/void-model是一款专注于视频编辑和视频修复的模型，定位为特定领域微调模型。它基于CogVideoX 3D Transformer架构，具有强大的视频修复能力，能够去除视频中的物体及其引起的所有交互，包括物理交互。该模型在视频修复领域表现出色，特别适用于视频编辑和视频生成任务。其性能在相关基准测试中表现良好，但具体排名未提及。模型开源，需要较高的GPU资源，推理效率较高。
Gemma-4-26B-A4B-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。该模型具备强大的推理和编码能力，支持文本、图像等多种输入，并生成文本输出。其核心能力包括扩展的多模态处理、Dense 和 MoE 架构、优化的设备本地执行等。在性能上，Gemma-4-26B-A4B-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。模型适用于需要高效率、高准确性的场景，如文本生成、编码和推理等。
🔥 unsloth/gemma-4-26B-A4B-it-GGUF 是一款基于 Google DeepMind 的 Gemma 4 模型构建的多模态大语言模型。该模型定位为通用大模型，具有26B参数量，支持图像到文本的转换。其核心技术包括Transformer架构和Gemma 4基座模型，上下文长度未指定。在性能上，模型在MMLU、GPQA、IFEval等基准测试中表现出色。主要应用场景包括图像描述、文本生成等，具有开源Apache 2.0协议，适合在Unsloth Studio等平台上使用。
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。
Gemma-4-E4B-it是一款由Google DeepMind开发的通用多模态大语言模型，支持文本和图像输入，并生成文本输出。该模型具有高达256K的上下文窗口，支持超过140种语言。它采用Dense和MoE架构，适用于文本生成、编码和推理等任务。Gemma-4-E4B-it在代码生成、数学推理和指令遵循等方面表现出色，同时支持本地设备上的高效执行。该模型在Hugging Face平台上具有广泛的下载量和点赞数，表明其在LLM领域的受欢迎程度。
GLM-5.1是一款定位在通用大模型领域的旗舰模型，具备强大的编码能力。其核心技术包括Transformer架构、MoE（多智能体）设计，支持多语言处理。在基准测试中，GLM-5.1在代码生成、数学推理等任务上表现出色。该模型适用于需要多语言支持和复杂任务处理的场景，具有开源协议、高效推理等实用特性。
HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive 是一款专注于图像-文本转换的多模态模型，具有无审查、Gemma-4架构的特点。该模型在HuggingFace平台上具有较高的下载量和点赞数，支持多语言，并具有音频和视觉处理能力。其在性能上表现出色，能够生成无审查的内容，适用于需要处理图像和文本数据的场景。模型具有开源协议，对硬件要求较高，推理效率中等。
Gemma-4-31B-JANG_4M-CRACK是一款定位在通用大模型领域的模型，具有31B的参数量和18GB的模型大小。其核心技术包括Dense Transformer架构和Hybrid Sliding/Global Attention机制，支持多模态输入。在MMLU基准测试中，该模型保持了93.7%的合规性，显示出其在知识理解和推理方面的能力。该模型适用于需要高知识合规性和多模态处理的应用场景，如安全与渗透测试、代码生成等。其开源协议、硬件需求以及推理效率等特性使其在LLM领域具有差异化优势。
🔥 unsloth/GLM-5.1-GGUF是一款专注于代码生成的通用大模型，基于GLM-5.1模型架构，采用MoE（Mixture of Experts）技术，支持多语言。该模型在SWE-Bench Pro、NL2Repo和Terminal-Bench 2.0等基准测试中表现出色，具有强大的代码生成能力和多语言处理能力。模型开源，适用于需要高性能代码生成和多语言支持的场景。
Bonsai-8B-GGUF-1bit 是一款基于 llama.cpp 的端到端 1 位语言模型，具有高效率、低能耗的特点。该模型定位为通用大模型，采用 1 位权重和 GGUF Q1_0_g128 格式，参数量仅为 1.15 GB，适合在多种平台上运行。其在 6 个类别上的平均得分为 70.5，与全精度 8B 模型相当，但体积缩小了 14 倍。该模型适用于需要高性能和低功耗的场景，如移动设备和边缘计算。
VoxCPM2是一款基于扩散自回归的文本到语音模型，具有2B参数，支持30种语言，输出48kHz音频。该模型无需分词器，能够根据自然语言描述生成新声音，克隆任何声音，并具有上下文感知的合成能力。它在HuggingFace平台上具有较高的下载量和点赞数，支持实时流式传输，并采用Apache-2.0开源协议。VoxCPM2在LLM生态中定位为多模态模型，其核心技术为VLM（语音语言模型），主要应用场景包括语音合成、语音克隆和语音设计。
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。
LilaRest/gemma-4-31B-it-NVFP4-turbo是一款基于Gemma-4-31B-IT-NVFP4的优化模型，旨在提供更高效的推理性能。该模型定位为通用大模型，具有68%更小的GPU内存占用和2.5倍更快的推理速度，同时保持接近原始模型的质量。它在MMLU和GPQA基准测试中表现出色，参数量为31B，上下文长度未明确提及。该模型适用于需要高性能推理的场景，如文本生成等，且支持NVIDIA Blackwell FP4 tensor cores，具有较好的硬件兼容性。
MiniMax-M2.7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。
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。
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。
tencent/HY-Embodied-0.5是一款针对真实世界智能体设计的多模态基础模型，定位为多模态模型。其核心技术为Mixture-of-Transformers (MoT)架构，具有高效的2B模型和强大的32B模型。在16个基准测试中，2B模型表现优于同类模型，32B模型则达到前沿水平。该模型适用于视觉语言行动（VLA）管道，具有强大的空间时间视觉感知和复杂具身推理能力。
这篇论文提出了一种跨文化基准，用于从图像中推断结构化文化元数据，并使用LLM作为裁判框架来评估视觉语言模型（VLMs）的性能。该方法通过测量语义与参考注释的匹配度来评估文化推理，并发现模型在跨文化和元数据类型上的性能存在显著差异。
这篇论文提出了QEIL v2，一个针对边缘智能异构计算的新框架，通过基于Roofline的Pareto最优能耗建模和多目标编排，实现了在边缘设备上部署大型语言模型时的能效、推理质量和可靠性的联合优化。
这篇论文提出了Master Key Hypothesis，通过线性子空间对齐实现模型能力跨模型迁移，无需重新训练。通过对比不同模型激活差异，提取能力方向，并通过低秩线性变换与目标模型对齐，从而在推理时激发特定行为，显著提升了模型在不同规模上的推理能力。
这篇论文提出了一种半监督知识蒸馏框架，用于将预训练的视觉基础模型压缩成紧凑的专家模型，通过有限的标记数据和大量的未标记数据实现。该框架包括领域自适应、知识迁移和学生细化三个阶段，通过实例感知的像素级对比损失来提高模型性能。
这篇论文提出了一种名为CylinderDepth的新方法，用于多视图一致的自监督周围深度估计。该方法通过扩展感受野和限制跨视图注意力，解决了单图像深度估计中边界区域感受野有限和对应匹配困难的问题。通过在共享圆柱上映射图像特定的特征位置，并应用空间注意力机制，该方法在DDAD和nuScenes数据集上提高了跨视图深度一致性和整体深度精度。
这篇论文提出了ClawBench，一个用于评估AI代理完成日常在线任务的框架。该框架包含153个日常任务，涉及144个平台和15个类别，旨在测试AI代理在真实网络环境中的能力。实验结果表明，现有模型在完成这些任务方面表现有限。
这篇论文提出了Tempo，一个基于小型视觉语言模型（SVLM）的框架，用于压缩长视频以进行下游理解。Tempo通过将token减少作为早期跨模态蒸馏过程，生成紧凑、意图对齐的表示，同时引入自适应token分配（ATA）来确保严格的预算而不破坏因果关系。实验表明，Tempo在动态压缩方面取得了最先进的性能。
这篇论文提出了一种名为Faithful GRPO的新方法，通过约束策略优化来提高多模态语言模型在视觉空间推理方面的表现。该方法通过引入逻辑一致性和视觉基础约束，显著提高了推理质量，减少了推理过程中的不一致性，并提高了视觉基础得分。
这篇论文提出了一种名为AnomalyVFM的框架，该框架可以将预训练的视觉基础模型（VFMs）转化为零样本异常检测器。通过合成数据集生成方案和参数高效的适应机制，AnomalyVFM显著提升了现代VFMs在异常检测任务中的性能。
这篇论文研究了低级视觉模型中存在的配对训练集光度不一致性问题，提出了光度对齐损失（PAL），通过闭式仿射颜色对齐来减少干扰光度差异，同时保留恢复相关的监督信息，在多个任务、数据集和架构上均取得了性能提升。
这篇论文提出了ImplicitMemBench，一个用于评估大型语言模型中无意识行为适应的系统化基准。它通过三个认知基础结构来评估隐式记忆：程序记忆、启动和经典条件反射。实验结果表明，现有模型在隐式记忆方面存在严重限制，且需要架构创新来超越参数缩放。
这篇论文提出了一种名为PAMELA的个性化文本到图像生成方法，通过构建一个包含70,000个评分的数据库，对用户的主观偏好进行建模，从而实现更符合个人口味的图像生成。
这篇论文提出了POS-ISP，一种基于序列优化的ISP管道优化方法，通过将模块化ISP优化视为全局序列预测问题，预测整个模块序列及其参数，从而提高任务性能并降低计算成本。
这篇论文提出了ViVa，一个视频生成价值模型，用于机器人强化学习。ViVa通过复用预训练的视频生成器来估计价值，结合当前观察和机器人本体感知，预测未来的本体感知和当前状态的价值。这种方法利用了预训练视频生成器的时空先验，将价值估计与预期的身体动态相结合，从而在长时程任务中提供更可靠的价值信号。
这篇论文重新审视了在长链推理监督下的SFT泛化问题，发现泛化能力受优化动态、训练数据和模型能力共同影响，并提出了优化策略和数据质量对泛化性能的重要性。
这篇论文提出了一种名为LiVER的基于扩散模型的视频生成框架，通过条件化视频合成在显式的3D场景属性上，实现了对场景布局、光照和摄像机轨迹的精确控制，从而提高了视频生成的可控制性和真实感。
这篇论文提出了一种名为SIM1的物理对齐模拟器，作为变形世界中零样本数据缩放器。SIM1通过将模拟与物理世界对齐，将场景数字化为度量一致的副本，通过弹性建模校准可变形动力学，并通过基于扩散的轨迹生成和质量过滤来扩展行为。实验表明，在仅使用合成数据训练的策略在1:15的等效比下达到了真实数据基线的性能，同时在现实世界部署中实现了90%的零样本成功率和50%的泛化增益。
这篇论文提出了一种名为“Agent-as-Annotators”的框架，通过结构化合成轨迹生成，使Web代理能够从单个前沿教师模型中学习，从而实现通用化。该框架使用Gemini 3 Pro作为教师模型，通过纯监督学习微调了一个9B参数的学生模型，并在WebArena等基准测试中取得了优异的性能。
这篇论文通过神经拓扑学的视角研究视觉-语言模型（VLMs），通过构建神经元之间的相关性图来分析模型的计算组织方式。研究揭示了模型中神经元群体的结构与其行为之间的关系，并发现通过扰动关键神经元可以显著改变模型输出，为VLM的可解释性提供了新的视角。
这篇论文介绍了OpenSpatial，一个旨在推动空间智能发展的开源数据引擎。它通过采用3D边界框构建数据层次结构，涵盖了五个基础任务，并创建了一个包含300万个样本的大型数据集，显著提升了空间推理模型的性能。
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。
Hugging Face 发布了 BidirLM，这是一种将生成式大型语言模型（LLM）转变为强大的双向编码器的方法。BidirLM 通过组合专门的因果模型并通过权重合并，将文本编码器转变为能够处理文本、图像和音频的单一紧凑模型，并在标准基准测试中击败了多模态和无模态的专家。
这篇公告介绍了如何使用llama.cpp与各种小型OCR模型结合使用，这些模型可以在低端设备上运行，支持GPU和CPU，适用于需要OCR功能的多种应用。
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“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。
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。
本文详细介绍了如何使用PyTorch和Hugging Face工具微调大型语言模型（LLM），以将英文翻译成尤达语（Yoda-speak）。通过量化模型、设置低秩适配器（LoRA）、格式化数据集以及使用Hugging Face的`trl`库中的`SFTTrainer`进行监督式微调，展示了整个过程。LoRA技术允许在量化模型上进行高效训练，显著减少了可训练参数的数量，使其仅占原始大小的1%或更少，从而能在资源有限的消费级GPU上进行训练。
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。
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。
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。
Metric AI Lab发布了ArmBench-LLM 1.0，这是一个全面评估大型语言模型在亚美尼亚语任务上表现的基准测试。该版本扩展了评估范围，包括多种任务和模型，并发布了API支出报告，强调了开源模型在亚美尼亚语任务上的竞争力。
这篇公告详细记录了一位AI技术分析师在训练Action Chunking Transformer (ACT)模型上的经历，包括遇到的挑战、解决方案和经验教训。文章描述了如何使用SO-101机器人进行数据收集和训练，以及如何通过改进硬件设置、数据收集流程和评估流程来提高模型的性能。
Hugging Face的EvE Bio组织发布了名为Pharmome Map的公共数据集，这是一个全面的药物-靶点相互作用模型数据集。该数据集旨在帮助研究人员更好地理解药物对人体的影响，包括药物与其他蛋白质的相互作用，以及药物组合的效果。
Hugging Face 的 llama.cpp 服务器新增支持 Anthropic Messages API，允许用户使用兼容 Claude 的客户端与本地模型交互。这一更新通过内部格式转换，重用现有推理管道，并支持多种功能，如聊天补全、Token 计数、工具使用和视觉输入，旨在提升本地模型的性能和易用性。
