精选 17 篇，从 13900+ 条中筛选
LangExtract是一个Python库，利用LLM从非结构化文本中提取结构化信息，支持云模型和本地模型，提供精确的源定位和交互式可视化。它旨在帮助开发者从大量文本中快速提取关键信息，适用于研究者、应用开发者等，通过优化文本处理策略和提供灵活的模型支持，在LLM生态中提供了独特的价值。
Bloom项目是一个专注于LLM行为评估的开源工具，旨在帮助研究者评估LLM的行为表现。它通过提供灵活的评估配置和多种模型支持，填补了LLM行为评估的空白。Bloom的核心功能是自动生成评估场景，并支持多种模型API调用，包括OpenAI、Anthropic等。其技术架构亮点在于智能的批量处理和集成多种模型API。在LLM生态中，Bloom的价值在于其独特的评估方法和广泛的模型支持，为研究者提供了强大的工具。
vLLM-Omni是一个高效的跨模态模型推理框架，旨在为研究者、应用开发者提供快速、灵活的模型推理服务。它支持文本、图像、视频和音频数据的处理，并集成了Hugging Face模型。vLLM-Omni通过优化KV缓存管理、流水线执行和资源分配，实现了高性能的模型推理。在LLM生态中，它填补了跨模态模型推理的空白，为多模态生成和文本生成提供了强大的支持。
Yuxi-Know是一个基于LangChain v1 + Vue + FastAPI构建的知识库与知识图谱智能体平台，旨在提供全套智能体开发套件。它填补了LLM生态中知识库与知识图谱智能体平台的空白，为研究者、应用开发者提供了一套功能强大的工具，支持多模态模型、联网检索、工具调用等，具有高性能、易用性和功能集成度的优势。
Open WebUI是一个功能丰富、易于使用的自托管AI平台，旨在提供离线操作体验。它支持多种LLM运行器，如Ollama和OpenAI兼容的API，内置推理引擎，提供强大的AI部署解决方案。该项目面向开发者、企业和普通用户，通过其丰富的功能和灵活的配置，填补了LLM部署的空白，优化了AI应用的集成和部署流程。
Z-Image-Turbo-Fun-Controlnet-Union-2.1是一款专注于图像处理的模型，定位为多模态模型。其核心技术包括对Z-Image-Turbo模型的改进和ControlNet的集成，支持多种控制条件，如Canny、HED、Depth等。性能上，通过8步蒸馏算法提升了图像清晰度和合理性。该模型适用于图像超分辨率生成等任务，具有较好的实用性和兼容性。
Qwen-Image-Edit-2511是一款专注于图像编辑的多模态模型，定位为特定领域微调模型。其核心技术包括Transformer架构、diffusers库和LoRA能力。模型在图像编辑任务上表现出色，具有图像一致性提升、字符一致性改进、工业设计生成增强和几何推理能力加强等特点。性能方面，未提供具体基准测试结果，但模型在Hugging Face上的下载量和点赞数表明其受到社区认可。主要应用场景包括图像编辑和创意设计，使用时需考虑开源协议Apache-2.0，硬件需求较高，推理效率中等。
模型定位：google/medasr属于领域大模型，专注于医疗领域语音识别。核心能力：采用transformers库，结合safetensors和lasr_ctc技术，支持医疗和放射学领域的自动语音识别。性能表现：在医疗ASR领域表现优异，具有高准确率和效率。主要应用场景：医疗记录转录、患者咨询等。使用考量：开源协议，适合在通用硬件上高效推理。
Google在2025年回顾中宣布了在人工智能研究方面的多项突破，包括Gemini 3系列模型在推理和多模态理解方面的进展，AI在Pixel 10、搜索和Gemini应用等Google产品中的深度集成，以及AI在生命科学、量子计算和全球挑战解决中的应用。这些进展展示了Google在AI领域的创新能力和对科技未来发展的承诺。
这篇论文提出了一种名为Jensen-Shannon Divergence Message-Passing (JSDMP)的新学习范式，用于丰富文本图表示学习。该方法通过考虑结构和文本的相似性以及它们之间的差异，来计算文本节点间的新消息权重，从而使得表示能够从真正相关的文本节点中学习上下文和结构信息。论文提出了两种新的图神经网络，DMPGCN和DMPPRG，在丰富文本数据集上进行了实验，结果表明它们优于其他基线。
这篇论文提出了S$^3$IT，一个用于评估具身智能体在现实环境中的社交智能的基准测试。该测试通过一个创新的座位安排任务，要求智能体在3D环境中为具有不同身份、偏好和复杂人际关系的NPC安排座位，从而评估智能体在考虑物理和社会约束时的综合能力。
该论文提出了一种名为SAGE的基于大型语言模型（LLM）的代理，用于自动立体定向放射外科（SRS）治疗计划。通过在循环推理中引入人类专家，SAGE能够生成与人类规划者相当的计划，同时减少对耳蜗的剂量，并通过优化轨迹提供可审计的日志，从而提高计划的透明度。
这篇论文提出了MolAct，一个基于强化学习的分子编辑和性质优化框架，通过将分子设计视为一个多步骤、工具辅助的过程，实现了对分子结构的迭代优化，同时保持化学有效性和结构相似性。
这篇论文提出了MAGIC（MAGnItude Calibration），一种用于模型合并的框架，通过调整特征和权重空间中的层级幅度来提高合并模型的性能。MAGIC通过特征空间校准（FSC）和权重空间校准（WSC）来校正幅度，从而减少合并过程中的特征偏差，并在多个计算机视觉和自然语言处理任务上实现了性能提升。
这篇论文提出了CARE（Contrastive Anchored-REflection），一个针对多模态推理的失败为中心的框架，通过将错误转化为监督信号来提高强化学习模型的准确性和训练平滑度。CARE结合了锚定对比目标函数和反射引导重采样技术，在视觉推理基准测试中实现了显著的性能提升。
这篇论文提出了一种名为MATS的Text2SQL框架，该框架利用小型语言模型（SLMs）和执行反馈的多代理机制，以解决SLMs在复杂任务如Text2SQL中的泛化能力不足的问题。通过强化学习训练方案，MATS能够在使用更少参数的情况下，在单GPU服务器上实现与大型语言模型相当的性能。
这篇论文提出了一种名为Graph-O1的框架，该框架结合了蒙特卡洛树搜索和强化学习，用于文本属性图推理。Graph-O1允许大型语言模型（LLMs）逐步、交互式地进行推理，通过选择性探索和检索最有信息量的子图组件，从而提高推理的准确性和可靠性。
这篇论文提出了一种名为DACE的框架，用于解决铁路文档中的缩写歧义问题。DACE通过动态提示、检索增强生成、上下文选择和集成聚合等技术，增强了大型语言模型的能力，并在TextMine'26竞赛中取得了F1分数0.9069的优异成绩。
