精选 49 篇，从 650+ 条中筛选
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。
SulphurAI/Sulphur-2-base是一款基于LTX 2.3的文本到视频生成模型，定位为多模态模型。该模型具有prompt enhancer功能，支持t2v和i2v格式，并具备与其他ltx 2.3格式兼容的特点。模型在性能上具有创新性，但未提供具体的基准测试结果。其开源协议、硬件需求和推理效率等信息未明确，但与流行推理框架的兼容性可能是一个考量点。
AngelSlim/Hy-MT1.5-1.8B-1.25bit 是一个专注于LLM压缩工具包的模型，定位为通用大模型。它采用1.25bit量化技术，参数量为1.8B，支持多语言翻译。该模型在性能上表现出色，具有高效能和低资源消耗的特点。在基准测试中，其翻译质量得分较高，尤其在多语言能力方面表现突出。适用于需要高效翻译和低资源消耗的场景，如移动设备和边缘计算。
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。
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。
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。
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。
🔥 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。
NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16是一款多模态大型语言模型，定位为通用大模型，具备视频、音频、图像和文本理解能力。该模型采用NVIDIA开发的Nemotron架构，结合了多种技术创新，如视频+语音理解、GUI、OCR和语音转录功能。性能上，模型在多个基准测试中表现出色，适用于企业级问答、摘要、转录和文档智能工作流程。主要应用场景包括客户服务、媒体娱乐、文档智能和GUI自动化等。
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。
Mistral Medium 3.5 是一个通用大模型，具有128B参数量和256k的上下文长度。它支持指令遵循、推理和编码，具有多模态输入和输出能力。该模型在推理和编码任务上表现出色，支持多种语言，并具有强大的系统提示和代理能力。它在MMLU、GPQA、IFEval等基准测试中表现出色，适用于需要复杂推理和代码生成的场景。该模型开源，适用于商业和非商业用途，具有较好的硬件兼容性和推理效率。
talkie-1930-13b-it是一款基于talkie-1930-13b-base的指令微调语言模型，专注于1931年之前的英语文本。该模型具有13B参数，上下文长度未指定。它通过从1931年之前的参考作品中提取的指令-响应对进行微调，并使用强化学习技术提升指令遵循能力。模型在LLM生态中定位为特定领域微调模型，具有独特的时代背景和语言风格。在性能上，具体基准测试结果未提供，但模型在历史文献和复古风格文本处理方面具有潜在优势。开源协议为Apache-2.0，适用于对历史语言风格有特定需求的场景。
z-lab/Qwen3.6-27B-DFlash是一款定位在通用大模型领域的LLM，具有27B参数和3.6B的上下文长度。其核心技术包括DFlash和speculative-decoding，旨在提高推理效率。在性能上，该模型在多个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，适用于需要高性能和高效推理的场景。
Laguna-XS.2是一款定位在通用大模型领域的33B参数Mixture-of-Experts模型，专注于代码生成和长周期任务。其核心技术包括混合SWA和全局注意力布局、KV缓存FP8量化、本地推理支持等。在性能上，Laguna-XS.2在基准测试中表现出色，具有强大的推理效率和本地运行能力。主要应用场景包括代码生成、数学推理等，适合对性能和效率有较高要求的场景。
SeeSee21/Z-Anime是一款基于Z-Image Base架构的动漫风格图像生成模型，属于特定领域微调模型。该模型采用S3-DiT架构，具有丰富的动漫美学风格和强大的风格多样性。它在HuggingFace平台上的下载量和点赞数表明其受到社区的认可。模型在性能上表现出色，支持自然语言提示，适用于动漫风格的图像生成。其主要应用场景包括动漫艺术创作、游戏设计等。该模型开源，支持BF16、FP8等高效计算格式，对硬件要求较高，适合在具有强大计算能力的设备上运行。
SenseNova-U1-8B-MoT是一款多模态模型，定位为通用大模型，具有强大的跨模态理解和生成能力。其核心技术为NEO-Unify架构，支持多模态数据直接处理，上下文长度大，参数量达到8B。在MMLU、GPQA等基准测试中表现优异。适用于图像编辑、文本到图像、图像到文本等多种场景，具有开源Apache-2.0协议，对硬件要求较高，推理效率较高。
Granite-4.1-8B 是一款由 IBM 开发的 8B 参数长上下文指令模型，属于通用大模型。该模型基于开源指令数据集和内部合成数据集进行微调，具有监督微调和强化学习对齐等后训练流程，增强了工具调用、指令遵循和聊天能力。模型在多个语言上支持，具有文本摘要、文本分类、问答、代码相关任务等多种能力。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、硬件需求合理、推理效率高等实用特性。
Granite-4.1-30B是一款由IBM开发的30B参数长上下文指令模型，定位为通用大模型。该模型基于Granite-4.1-30B-Base进行微调，具有监督微调和强化学习对齐等特性，增强了工具调用、指令遵循和对话能力。模型在多个语言上支持，具备文本摘要、分类、提取、问答、RAG、代码相关任务等功能。性能上，该模型在MMLU、GPQA、IFEval等基准测试中表现良好。其开源协议为Apache 2.0，适合用于构建AI助手、业务应用和具有工具使用能力的LLM代理。
TenStrip/LTX2.3-10Eros是一款专注于视频场景生成的多模态模型，具有独特的架构和训练数据。该模型在LLM生态中定位为多模态模型，具有较大的参数量和较长的上下文长度。其核心技术包括基于Sulphur-2-base的数据融合和创新的多步骤层缩放合并。在性能表现上，模型在特定视频生成任务上表现出色，但缺乏权威基准测试结果。实用考量方面，模型支持BF16和FP8_mixed_learned的加载，具有较好的硬件兼容性。
这篇论文提出了一种名为Haiku的三模态对比学习模型，用于整合分子、形态和临床数据，通过在多路复用免疫荧光（mIF）数据上训练，实现了空间蛋白质组学补丁与临床组织学图像和临床元数据的联合建模。Haiku能够进行跨模态检索，提高下游分类和临床预测任务的性能，并支持基于临床元数据的零样本生物标志物推断。
这篇论文提出了HiL-Bench（Human-in-the-Loop Benchmark），一个用于衡量智能体在何时请求帮助的基准。通过引入人类验证的阻塞器，该基准能够评估智能体在信息不完整或模糊时的判断能力。论文通过实验发现，当前前沿模型在决定是否请求帮助时存在显著的判断差距，并通过强化学习训练证明了判断能力的可训练性。
这篇论文提出将具有代理能力的AI系统设计为边际标记分配者，通过分析系统中的四个经济层（路由器、代理、服务栈和训练管道），揭示了这些层如何解决相同的第一阶条件，并指出局部最小化标记可能导致全局分配不当的问题，提出了边际标记分配作为共享会计对象，并预测了系统可能出现的失败模式，为标记感知评估、自主定价、拥塞定价服务和风险调整的RL预算提供了具体的研究议程。
这篇论文提出了一种名为PDACVI的基准数据集和挑战，用于评估胰腺导管腺癌血管侵犯的AI模型。该研究通过引入一个密集标注的数据集和多个专家标注，解决了血管侵犯评估中的数据缺乏和诊断模糊问题，并提出了一个多指标评估框架，强调了体积准确性的局限性，并提倡使用不确定性感知的概率模型进行术前决策。
这篇论文提出了一种混合方法，通过结合基于扩散模型的几何和材质变换能力与图像到图像翻译技术的分布匹配能力，来缩小游戏引擎合成数据集与真实世界图像之间的外观差距，从而提高合成数据集的真实感。
这篇论文提出了一种新的视觉建模方法，通过将注意力机制重新解释为具有动态预测参数的多层感知器（MLP），实现了线性时间复杂度的全局视觉建模，从而避免了传统Transformer中显式注意力机制的二次方复杂度。
这篇论文通过引入稳定计数能力这一实验方法，探讨了大型语言模型在遵循指令方面的可靠性。实验结果表明，这些模型在计数任务上的表现并不反映其逻辑能力，而是依赖于有限的内部状态，一旦这些状态耗尽，模型的性能就会下降。
这篇论文探讨了生成式AI中的幻觉问题，提出通过元认知来提高AI的可靠性。作者认为，尽管模型在事实可靠性方面取得了进展，但幻觉仍然是一个主要问题。他们提出了一种“忠实的不确定性”概念，即通过表达不确定性来减少幻觉，并强调元认知对于构建可靠和高效的AI系统的重要性。
这篇论文提出了一种名为BlenderRAG的检索增强生成系统，该系统通过从精心策划的多模态数据集中检索语义相似的示例，提高了从自然语言生成可执行Blender代码的准确性和一致性。它显著提高了编译成功率和语义对齐度，而不需要微调或专用硬件。
该论文提出了一种名为L2C2的深度强化学习框架，用于表格基础模型（TFM）的数据清洗，通过将数据清洗视为先验对齐问题，以最小化脏数据与TFM合成先验之间的分布差距，从而提高TFM在真实世界表格数据上的准确性和置信度校准。
这篇论文提出了一种名为Persistent Visual Memory (PVM)的轻量级模块，旨在解决LVLMs在深度生成过程中视觉注意力衰减的问题。PVM通过提供直接视觉嵌入来增强视觉感知，从而在保持视觉信息的同时，提高模型在复杂推理任务中的性能。
这篇论文研究了在德语语言建模中，通过高质量数据过滤来提高样本效率的问题。作者构建了分层质量过滤器，对500M网络文档进行过滤，比较了在过滤子集上多轮训练与在多样化语料库上单次训练的效果。实验结果表明，重复高质量数据优于在更大、过滤较少的集合上单次训练，即使在7轮训练后，性能差距仍然存在。
这篇论文提出了Ψ-RAG，一种基于树结构的检索增强生成框架，用于解决跨文档多跳查询中的分布适应性、结构隔离和抽象粒度粗糙等问题。该方法通过迭代合并和折叠过程构建层次抽象树索引，并使用多粒度检索代理智能地与知识库交互，实现了从标记级问答到文档级摘要的多样化任务，并在跨文档多跳问答基准测试中取得了显著的性能提升。
这篇论文详细评估了Meta开发的代码世界模型（CWM）的准备工作，该模型用于代码生成和推理。研究通过在可能带来灾难性风险的领域进行预发布测试，并评估了模型的偏差倾向，发现CWM不会带来超出当前AI生态系统的额外风险，因此将其作为开放权重模型发布。
这篇论文提出了MolmoAct2，一个专为实际部署设计的开放式动作推理模型，通过改进其前代模型，在五个方面取得了进展。它引入了MolmoER，一个专门用于空间和具身推理的VLM骨干网络，并发布了三个新的数据集。论文还提出了MolmoThink，一个自适应深度的推理变体，以减少延迟。实验表明，MolmoAct2在多个基准测试中优于强基线模型。
这篇论文介绍了OceanPile，一个针对海洋领域的大型多模态语料库，旨在解决海洋数据碎片化、多模态、高噪声和弱标签的问题。OceanPile包含海洋数据集、指令数据集和评估基准，通过高质量的数据和评估方法，显著提升了海洋基础模型的表现。
这篇论文提出了一种名为MotionCache的缓存框架，用于高效的自回归视频生成。该框架通过利用帧间差异作为像素级运动特征的轻量级代理，实现了对运动敏感的缓存策略，从而显著提高了视频生成的速度和质量。
这篇论文提出了Orbit-Space Geometric Probability Paths (OGPP)，一种用于粒子系统生成建模的粒子原生流匹配框架。OGPP通过将概率路径的终端端点进行轨道空间规范化和使用粒子索引嵌入，以及具有弧长感知终端速度的几何概率路径，来减少学习难度并提高生成质量。
这篇论文提出了Perceptual Flow Network (PFlowNet)，一种用于视觉 grounding reasoning 的网络，通过解耦感知和推理，结合多维度奖励和邻近几何塑造，实现了可解释且有效的视觉推理，并在多个基准测试中取得了优异的性能。
这篇论文提出了AcademiClaw，一个基于学生真实学术工作流程的双语基准测试，旨在评估AI代理在学术领域的表现。该基准包含80个复杂、长期任务，涵盖了多个专业领域，并通过多维度的评分标准和安全审计来评估任务完成情况。实验结果表明，即使是前沿模型在完成这些任务时也仅达到55%的通过率，揭示了AI在学术领域的能力边界和行为策略差异。
OpenAI发布了GPT-5.5 Instant，这是ChatGPT的更新版本，提供了更智能、更准确、幻觉更少和个性化控制更好的回答。
这篇论文提出了一种名为FT-RAG的细粒度检索增强生成框架，用于复杂表格推理。该框架通过将表格分解为语义单元并构建结构化图来提高对结构化表格数据的处理能力，同时引入了多表集成和文本-表格信息融合技术，显著提升了表格推理的性能。
这篇论文提出了GRAIL，一个基于SLM增强索引的实时智能体发现框架，通过SLM预测、伪文档扩展和MaxSim共振机制，实现了快速且准确的智能体发现，显著降低了发现延迟并提升了召回率。
Shadow-Loom论文提出了一种将叙事转化为版本化图形世界模型的框架，结合了基于Pearl因果层次结构的因果物理和基于Ancestral Multi-World Networks的反事实推理，以及评估叙事结构的叙事物理。该框架利用大型语言模型进行边界操作，如提取、渲染和审计，而因果推理和反事实推理则在图上通过类型化代码执行。
这篇论文通过审计非英语维基百科的数据质量，揭示了低资源和多语言NLP环境中维基百科数据的质量问题，并提出了一个四级的质量排名，同时评估了质量过滤对语言模型的影响，为NLP中维基百科的使用提供了质量感知的最佳实践。
这篇论文提出了基于字符分布签名的AI文本检测方法，通过构建MDTA基准数据集，实现了对传统基于模型对数概率的文本检测方法的改进，特别是在特定领域词汇约束增强的检测信号中表现突出。
这篇论文提出了GUI-SD，一个针对GUI grounding任务设计的基于策略的自蒸馏框架。该框架通过构建视觉丰富的特权上下文和熵引导蒸馏技术，提高了GUI grounding的准确性和训练效率。
这篇论文介绍了rAIson平台，这是一个高级技术环境，用于开发自动化、可靠和可解释的决策代理。该平台允许用户开发复杂的应用程序而无需编写代码，其技术进步已达到成熟阶段。
这篇论文提出了一种名为“自主QA代理”的检索增强生成（RAG）系统，用于生成可靠的Selenium脚本。该系统通过将项目特定的文档和HTML结构作为基础，将多种格式（Markdown、PDF、HTML）的文档内容转化为向量数据库中的向量，从而在生成脚本前检索相关上下文。实验结果表明，与标准LLM生成相比，该系统在语法有效性和执行成功率方面均有显著提升。
MedMosaic论文提出了一种新的医疗音频问答数据集，旨在评估语言和音频推理模型在现实临床约束下的表现。该数据集包含多种类型的医疗音频，包括生理声音、合成语音和临床对话，并提供了多样化的问答对，以测试多跳推理和答案生成能力。实验结果表明，尽管最先进的模型在医疗推理方面仍有挑战，但性能存在显著差异。
