精选 17 篇，从 14600+ 条中筛选
PentestGPT是一款基于GPT的大语言模型渗透测试工具，旨在利用AI技术自动化渗透测试过程。该项目定位为开发/运维工具，主要面向安全研究人员和渗透测试人员。其核心功能包括AI驱动的挑战解决、实时反馈和可扩展架构。技术架构上，PentestGPT依赖Docker容器化和多种LLM模型，如OpenAI、Gemini等。在LLM生态中，PentestGPT的价值在于其创新性地将AI应用于网络安全领域，提高了渗透测试的效率和准确性。
Mini-SGLang是一个高性能、轻量级的LLM推理框架，旨在简化现代LLM服务系统的复杂性。它为研究者、开发者提供了易于理解和修改的代码库，支持多种优化技术，如Tensor Parallelism和FlashAttention，旨在提高吞吐量和降低延迟。项目定位为工具，主要面向应用开发者，通过高性能和易用性在LLM生态中占据一席之地。
google/adk-js 是一款开源的 TypeScript 工具包，旨在为开发者提供构建、评估和部署复杂 AI 代理的灵活性和控制力。它填补了在 Google Cloud 服务中构建高度集成的 AI 代理的空白，通过代码优先的方式定义代理行为、编排和工具使用，支持模块化多代理系统，为开发者提供了丰富的工具生态系统。
tencent/HY-WorldPlay是一款专注于图像到视频生成的多模态模型，具有实时几何一致性。该模型在HuggingFace平台上具有较高的下载量和点赞数，支持多种语言和开源协议。其核心技术包括HY-World 1.5框架，能够实现交互式世界建模。在性能上，模型在实时交互和几何一致性方面表现出色，适用于场景生成、图像到3D转换等任务。模型定位为多模态模型，核心技术方向为VLM。
Shakker-Labs/AWPortrait-Z是一款基于Tongyi-MAI/Z-Image-Turbo的微调模型，专注于图像生成。该模型在LLM生态中定位为多模态模型，具有独特的图像生成能力。其核心技术包括LoRA和Z-Image-Turbo的优化，能够生成高质量的人像图像。性能方面，模型在图像生成任务上表现出色，但未提供具体的基准测试结果。主要应用场景为图像生成和个性化肖像制作。该模型开源，适用于对图像生成有特定需求的用户。
模型定位：通用大模型，规模大，参数量高。核心技术：采用Transformer架构，支持长上下文处理。性能表现：在权威基准测试中表现优异，具有较高排名。能力特点：擅长多语言处理和指令遵循。实用考量：开源协议友好，硬件需求较高，推理效率良好。
Qwen-Image-Layered是一款专注于图像处理的LLM模型，具有将图像分解为多个RGBA层的独特能力。该模型定位为多模态模型，其核心技术为基于Qwen/Qwen-Image的图像文本到图像的转换。模型在性能上表现出高保真度的编辑操作，如调整大小、重新定位和重新着色。在基准测试中，模型在图像处理任务上表现出色。主要应用场景包括图像编辑和图像生成。该模型开源，对硬件要求较高，推理效率取决于具体应用。
BU-30B-A3B-Preview是一款专注于浏览器使用场景的LLM，具有30B参数量，上下文长度可达32768。该模型基于Qwen3-VL-30B-A3B-Instruct，并针对浏览器使用进行了优化，具备强大的DOM理解和视觉推理能力。在性能上，模型在特定任务上表现出色，但在通用基准测试中的排名尚不明确。模型适用于需要浏览器交互和视觉理解的应用场景，如智能客服、信息检索等。其开源协议、硬件需求以及推理效率等特性使其在特定领域具有竞争力。
🔥 google/functiongemma-270m-it 是一款定位在通用大模型范畴内的开源模型，具备270M参数量，支持文本生成任务。其核心技术基于transformers库，采用gemma3_text架构，上下文长度适中。在性能上，该模型在Hugging Face Hub上下载量达6,881次，获得288个点赞，表现良好。主要应用场景包括文本生成、代码生成等，适合对推理效率有要求的场景。其开源协议、硬件需求以及与流行推理框架的兼容性均较为友好。
这篇论文提出了一种基于语义驱动的强化学习方法（SRL）用于医学报告生成，该方法在大型视觉语言模型（LVLM）上实现，通过优化报告级别的奖励来提高临床正确性，并在IU X-Ray和MIMIC-CXR数据集上取得了最先进的性能。
这篇论文深入探讨了分布式智能体生成式AI在普遍计算领域的应用。它概述了LLM智能体的架构组件，包括配置文件、内存、规划和行动，并探讨了它们在各种场景中的部署和评估。论文还审查了普遍计算中的计算和基础设施进步，并提出了“智能体作为工具”的概念框架，强调上下文感知、模块化、安全性、效率和有效性。
这篇论文提出了一种名为HFrame的图神经网络框架，用于解决子图同态问题。该框架结合了传统算法和机器学习技术，通过实验证明在处理非同构图对时，HFrame比标准图神经网络表现更优，并且速度比精确匹配算法快101.91倍，平均准确率达到0.962。
这篇论文通过实证研究和理论证明，揭示了Transformer模型在语言处理中token对齐的机制，并证明了softmax自注意力层可以模拟梯度下降在熵正则化最优传输问题的对偶上，从而为token对齐提供了理论基础。论文还分析了Transformer的深度如何控制最优传输的近似精度，并指出标准Transformer可以排序不同长度的列表，误差项随Transformer深度的增加而消失。
这篇论文提出了QuadSentinel，一个用于多智能体系统的机器可检查控制的安全机制。它通过将安全策略表达为序列，并使用四个智能体（状态跟踪器、策略验证器、威胁观察者和裁判）来编译这些策略为可机器检查的规则，从而提高了安全控制的准确性和规则召回率，同时减少了误报。
这篇论文提出了PyFi，一个用于金字塔式金融图像理解的框架，通过对抗性代理使视觉语言模型（VLMs）能够通过问题链以渐进、简单到复杂的方式推理。PyFi-600K数据集包含600K金融问答对，组织成一个推理金字塔，通过多智能体对抗机制和蒙特卡洛树搜索（MCTS）范式进行合成，从而实现数据可扩展性。实验表明，在金融领域，对VLMs进行微调可以显著提高其回答复杂问题的准确性。
这篇论文提出了一种名为ChemDFM-R的化学推理大型语言模型，通过构建一个包含原子化化学知识的全面数据集ChemFG，并采用混合源蒸馏方法和领域特定强化学习，显著提升了模型在化学领域的理解和推理能力，实现了可解释的、基于推理的输出。
这篇论文提出了VERAFI，一个结合神经符号策略生成的代理金融智能框架，旨在解决金融AI系统在推理过程中产生的计算错误和监管违规问题。VERAFI通过结合先进的密集检索和交叉编码重排序，以及金融工具和自动化推理策略，实现了对GAAP合规性、SEC要求和数学验证的覆盖，显著提高了金融AI的准确性。
