精选 13 篇，从 13100+ 条中筛选
LightX2V是一个高效的轻量级视频生成推理框架，旨在提供高效的视频合成解决方案。它支持多种视频生成技术，包括文本到视频（T2V）和图像到视频（I2V）。该项目面向研究者、应用开发者和普通用户，通过优化现有技术解决视频生成中的性能和资源效率问题，填补了视频生成领域的空白，并在LLM生态中提供了独特的性能优化和资源高效部署方案。
MiniMax-M2.1是一款定位在通用大模型范畴内的LLM，具有高性能和丰富的功能。它基于transformers库，采用自定义的架构，支持FP8精度，上下文长度可达200K。在性能上，该模型在多个基准测试中表现出色，具有代码生成、数学推理等多方面的能力。开源协议为modified MIT，适合在多种硬件和推理框架上使用。
Qwen-Image-Edit-2511-GGUF是一款基于Qwen-Image-Edit-2511的图像编辑模型，定位为多模态模型。该模型采用GGUF量化技术，具有较好的性能和效率。其核心技术包括GGUF和Unsloth Dynamic 2.0，能够实现图像到图像的编辑。在性能方面，该模型在图像编辑任务上表现出色，具有较好的稳定性和一致性。主要应用场景包括图像编辑、图像生成等。该模型开源协议为Apache-2.0，适合在多种硬件平台上运行，推理效率较高。
MiraTTS是一款专注于文本到语音转换的模型，定位为特定领域微调模型。其核心技术包括高效的Lmdeploy和批量处理技术，支持高达100倍于实时速度的语音生成。性能上，MiraTTS能够生成高质量的48kHz音频输出，具有低延迟和内存效率高的特点。在LLM领域中的差异化优势在于其快速、高质量的语音生成能力，适用于需要快速语音合成的场景。
🔥google/t5gemma-2-4b-4b模型定位为通用大模型，具备4B参数量，支持图像到文本的转换。其核心能力在于Transformer架构，上下文长度可达4B，具有较好的代码生成和数学推理能力。在Hugging Face基准测试中表现良好。该模型适用于需要多模态转换和复杂文本生成的场景，开源协议为Apache-2.0，硬件需求较高，推理效率中等。
Qwen-Image-Edit-2511-Lightning是一款针对图像编辑任务优化的模型，采用步进蒸馏和量化技术，提供高效的推理性能。该模型定位为多模态模型，具有轻量级、高效率的特点。核心技术包括步进蒸馏、FP8量化等，性能表现在同类模型中具有优势。主要应用场景为图像编辑，适用于需要快速、高效图像处理的场景。
这篇论文介绍了Erkang-Diagnosis-1.1模型，这是一个基于Alibaba Qwen-3模型的AI医疗咨询助手。该模型整合了约500GB的高质量结构化医学知识，采用混合方法结合增强预训练和检索增强生成，以创建一个安全、可靠且专业的AI健康顾问。通过3-5轮高效的交互，Erkang Diagnosis能够准确理解用户症状，进行初步分析，并提供有价值的诊断建议和健康指导。
这篇论文提出了一种结合了SHAP可解释性和多模态LLM驱动的迭代优化的Agentic XAI框架，用于生成更详细的解释。该框架在农业推荐系统中进行了测试，通过11轮迭代优化，显著提高了推荐质量，但同时也揭示了过度优化的风险。
这篇论文提出了NotSoTiny，一个基于大量实际硬件设计的RTL代码生成基准，旨在克服现有LLM在硬件设计应用中的局限性，通过提供更具挑战性的任务来评估LLM生成结构丰富和上下文感知的RTL代码的能力。
这篇论文介绍了ElfCore，一种专为事件驱动感官信号处理设计的28nm数字脉冲神经网络处理器。ElfCore集成了本地在线自监督学习引擎、动态结构化稀疏训练引擎和基于活动依赖的稀疏权重更新机制，实现了多层时序学习、高精度稀疏到稀疏学习，并在手势识别、语音和生物医学信号处理等任务中表现出色。
这篇论文提出了LookPlanGraph，一种结合视觉语言模型（VLM）和场景图的方法，用于增强机器人执行具身指令任务的能力。该方法通过动态更新场景图，使机器人能够在执行任务时适应环境变化，并在虚拟和现实环境中都取得了优于传统方法的性能。
这篇论文提出了DAO-Agent，一个结合了DAO治理机制、零知识证明（ZKP）和混合链上链下架构的框架，旨在解决在去中心化环境中，大型语言模型（LLM）多智能体系统中的透明协调、不可变日志记录、贡献测量和公平激励分配问题，同时保持智能体的战略隐私和最小化链上计算成本。
