精选 62 篇，从 6000+ 条中筛选
Agent Lightning是一个专注于AI代理训练的开源工具，旨在通过零代码更改优化AI代理的性能。它支持多种代理框架，并集成了多种算法，如强化学习、自动提示优化和监督微调。该项目定位为工具，旨在服务于研究者、应用开发者和企业用户，通过其独特的架构和功能，在LLM生态中提供了一种高效训练AI代理的方法。
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。
GLM-Image是一款定位在多模态模型领域的开源模型，采用混合自回归+扩散解码器架构。其核心能力在于文本到图像的生成，同时支持丰富的图像到图像任务。技术特点包括基于GLM-4-9B-0414的9B参数自回归生成器和基于DiT架构的7B参数扩散解码器。在性能上，GLM-Image在文本渲染和知识密集型生成场景中表现出色，同时具备高保真和精细细节生成能力。主要应用场景包括图像编辑、风格迁移、身份保留生成和多主体一致性等。开源协议为MIT，硬件需求中等，推理效率良好。
nvidia/personaplex-7b-v1是一款定位为通用大模型的LLM，具有7B参数量，支持多语言。其核心技术为Transformer变体，并采用moshi库进行优化。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。模型开源，适用于多种硬件平台，与vLLM等推理框架兼容。主要应用场景包括多语言问答、代码生成等。
FLUX.2-klein-base-9B是black-forest-labs开发的一款多模态模型，定位为通用大模型。该模型采用Transformer架构，参数量达到9B，支持图像到图像的转换。在性能上，该模型在Hugging Face Hub上获得了较高的下载量和点赞数，表明其在图像生成和编辑领域有较好的表现。模型基于diffusers库，适用于图像处理任务，具有较好的开源协议和硬件兼容性。
🔥 unsloth/GLM-4.7-Flash-GGUF 是一款基于 GLM-4.7-Flash 的 MoE 模型，定位为通用大模型。该模型具有 30B 参数，支持多语言（英、中、阿拉伯语）。其核心技术包括 MoE 架构和 UnSloth Dynamic 2.0 技术，在 GLM-4.7-Flash 的基础上进行了优化。在性能上，该模型在多个基准测试中表现出色，具有优秀的代码生成、数学推理和多语言能力。开源协议为 MIT，适用于需要高性能和跨语言支持的场景。
该模型Qwen-Image-Edit-2511-Gaussian-Splash定位为多模态模型，基于Qwen/Qwen-Image-Edit-2511进行微调，专注于图像编辑任务。其核心技术为LoRA（低秩自适应）和image-to-image pipeline，支持3D图像旋转。性能上，未提供权威基准测试结果，但具有较好的图像一致性。主要应用场景为图像编辑和修复，适用于需要图像处理和编辑的领域。开源协议为Apache-2.0，硬件需求中等，推理效率良好。
Tongyi-MAI/Z-Image-Turbo是一款高效能的图像生成模型，定位为多模态模型。它具有6B参数，采用单流扩散Transformer架构，支持双语（英语和中文）文本渲染。该模型在H800 GPU上实现亚秒级推理延迟，适用于16G VRAM的消费级设备。它在图像生成、文本到图像转换等方面表现出色，适用于需要快速、高效图像生成的场景。
GLM-4.7是一款专注于多语言和代码能力的通用大模型。它采用了Transformer架构，并引入了MoE技术，支持多种语言（包括英语、中文和阿拉伯语）。在性能上，GLM-4.7在多个基准测试中表现出色，尤其在代码生成、数学推理和多语言能力方面有显著提升。该模型适用于需要多语言和代码生成能力的场景，如聊天、创意写作和角色扮演。其开源协议、硬件需求以及推理效率等方面适合于主流的推理框架。
Lightricks/LTX-2是一款基于DiT架构的多模态音频-视频基础模型，专注于生成同步的视频和音频。该模型具有灵活的下载量和点赞数，支持多种语言，并采用diffusers库。LTX-2在图像到视频、文本到视频等多个领域具有广泛应用，其开源协议和丰富的模型版本提供了灵活的部署选项。在性能上，LTX-2在多模态任务中表现出色，尤其在视频生成方面具有显著优势。
AgentCPM-Explore是一款定位在特定领域的大语言模型，具有4B参数量，专注于长时序和复杂任务。其核心技术包括基于Qwen/Qwen3-4B-Thinking-2507的微调，支持多轮环境交互和实时信息验证。在多个长时序代理基准测试中取得SOTA性能，展现出强大的深度研究能力。该模型开源，包括训练和推理基础设施，适用于需要持续深度探索的任务。
Supertone/supertonic-2是一款专注于文本到语音（TTS）的模型，定位为特定领域的微调模型。它具有高效、轻量级的架构，支持多种语言，且在设备端运行，无需云端支持。该模型在性能上表现出色，具有极快的推理速度和低参数量，特别适合对实时性和隐私性有高要求的场景。其开源协议和跨平台兼容性使其易于集成和使用。
FLUX.2-klein-4B 是一款专注于图像生成的多模态模型，定位为通用大模型。该模型具有4亿参数，采用紧凑的架构，能够在不到一秒的时间内完成图像生成和编辑。其核心技术包括Transformer变体和扩散模型，支持文本到图像和图像编辑功能。在性能上，该模型在同类模型中表现出色，适用于实时图像生成和编辑的应用场景。模型开源，可在消费级硬件上运行，对开发者友好。
🔥google/translategemma-4b-it是一款专注于图像到文本翻译的热门模型，定位为多模态模型。其核心技术为基于Gemma3架构的Transformer变体，支持长达200K的上下文长度，参数量适中。在权威基准测试中表现优异，尤其在图像到文本翻译任务上具有显著优势。模型开源，兼容主流推理框架，适用于需要图像到文本翻译功能的场景。
🔥google/translategemma-12b-it是一款定位在多模态模型领域的热门模型，具有12B参数量，支持图像到文本的转换。其核心技术为Transformer变体，上下文长度可达200K，训练数据丰富。在性能上，该模型在多个基准测试中表现出色，尤其在图像到文本转换任务上具有显著优势。适用于需要多模态交互的场景，如智能客服、图像描述生成等。开源协议为Apache-2.0，硬件需求较高，推理效率良好。
kyutai/pocket-tts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。其核心技术基于pocket-tts库，采用Transformer架构，具有较短的上下文长度和相对较少的参数量。性能方面，目前缺乏权威基准测试结果，但模型在HuggingFace Hub上获得了187个点赞，显示出一定的社区认可。主要应用场景为需要文本到语音转换的场合，如语音助手、教育辅助等。模型开源，适用于多种硬件平台，推理效率较高。
模型定位：领域大模型，专注于医学图像到文本的转换。核心技术：基于Transformer架构，支持医疗图像和文本的交互式处理。性能表现：在医学图像识别和文本生成任务中表现优异。主要应用场景：医学影像分析、临床诊断辅助。实用考量：开源协议，适用于多种硬件平台，推理效率高。
该模型Qwen-Image-Edit-2511-Multiple-Angles-LoRA是一个专注于图像编辑的多角度相机控制LoRA模型，属于多模态模型类别。它基于Qwen/Qwen-Image-Edit-2511模型，具有96个相机位置，支持低角度拍摄，并使用高精度的Gaussian Splatting数据进行训练。该模型在图像编辑领域具有显著优势，特别适合需要多角度控制和精确图像编辑的场景。模型性能表现在其能够生成高质量的图像编辑结果，并在特定任务上表现出色。该模型开源，使用Apache-2.0协议，适合在具有适当硬件和推理框架的环境中应用。
FLUX.2-klein-9B是一款专注于图像到图像转换的模型，定位为多模态模型。其核心技术为基于Transformer的架构，具有9B参数量，支持diffusers库。在性能上，模型在图像生成和编辑任务上表现出色，但具体基准测试结果未提及。模型适用于图像处理和创意设计领域，开源协议为Apache-2.0，对硬件要求较高，推理效率中等。
GLM-4.7-Flash是一款30B-A3B的MoE模型，定位为通用大模型。其核心技术包括MoE架构和Transformer变体，支持多种语言。在基准测试中表现出色，尤其在AIME 25和GPQA等任务上排名靠前。该模型适用于需要高性能和轻量级部署的场景，支持vLLM和SGLang等推理框架。
STEP3-VL-10B是一款轻量级开源基础模型，定位为通用大模型，具有10B参数量。其核心技术包括统一的多模态预训练和强化学习，具备视觉感知、复杂推理和人类中心对齐能力。在MMLU、GPQA等基准测试中表现出色，性能优于同规模模型。适用于多模态任务，具有开源Apache-2.0协议，适合在多种硬件和推理框架上使用。
🔥google/translategemma-27b-it是一款专注于图像到文本翻译的热门模型，定位为多模态模型。其核心技术为Gemma3架构，支持长达27B的上下文长度，采用transformers库实现。在性能上，该模型在权威基准测试中表现出色，具有高效的开源协议和良好的推理效率，适用于图像翻译等场景。
这篇论文介绍了PubMed-OCR，一个基于PubMed Central Open Access PDFs的OCR-centric语料库。该语料库通过Google Cloud Vision进行标注，并使用紧凑的JSON模式提供单词、行和段落级别的边界框。论文分析了语料库的特性，包括期刊覆盖和检测到的布局特征，并讨论了局限性，如对单一OCR引擎的依赖和启发式行重建。数据集和模式被发布以促进下游研究。
这篇论文提出了一种名为NAACL的噪声感知置信度校准框架，用于解决大型语言模型（LLMs）在检索增强生成（RAG）系统中的置信度校准问题。通过分析噪声检索上下文对模型置信度的影响，论文提出了NAACL规则，并通过监督微调（SFT）提高了模型的置信度校准性能。
这篇论文提出了CLARE，一个用于视觉-语言-动作模型（VLA）的参数高效的持续学习框架。CLARE通过自主的适配器路由和扩展，实现了无样本持续学习，解决了在真实世界中机器人需要不断适应新任务和环境的问题，同时保留已学知识。
这篇论文提出了Medical SAM3，一个基于提示的通用医学图像分割基础模型。通过在大型、异构的医学图像数据集上对SAM3进行微调，Medical SAM3能够获得稳健的领域特定表示，同时保持提示驱动的灵活性。实验表明，Medical SAM3在具有语义模糊、复杂形态和长距离3D上下文的挑战性场景中表现出显著的性能提升。
这篇论文提出了YaPO，一种通过学习稀疏激活引导向量来提高领域适应性的方法。它通过优化稀疏编码，在稀疏自动编码器的潜在空间中学习到可解释和高效的引导方向，从而实现LLMs的精细粒度对齐。
这篇论文研究了强化学习与可验证奖励（RLVR）在增强大型语言模型（LLM）推理能力时的一个悖论，即模型在接收到虚假奖励时也能获得显著提升。通过路径修补、对数似然比、JSD分析和神经网络微分方程等方法，论文揭示了模型如何通过一个隐藏的锚定-适配器电路激活记忆捷径，并提出了识别和减轻数据污染的方法。
这篇论文提出了SIN-Bench，一个用于评估多模态大型语言模型在长文本科学文献中理解证据链的能力的基准。SIN-Bench通过构建跨模态证据链来要求模型在原始科学文档中进行因果、证据链接的推理。实验结果表明，证据的锚定是主要瓶颈，而GPT-5在SIN-QA任务中表现最佳。
这篇论文研究了大型语言模型中默认助手的身份结构，通过提取与不同角色原型相对应的激活方向，发现了一个名为“助手轴”的核心维度，该维度影响模型在默认助手模式下的行为。研究发现，通过调整这个轴，可以稳定模型的行为，减少“角色漂移”现象，即模型表现出与其典型角色不符的有害或奇异行为。
这篇论文提出了ABC-Bench，一个专门用于评估在现实世界开发中自主代理后端编码能力的基准。它通过一个可扩展的自动化流程，从开源仓库中收集了224个实际任务，要求代理从仓库探索到容器化服务实例化，以及通过外部端到端API测试，全面评估后端编码能力。
这篇论文提出了CoDance，一种新的Unbind-Rebind框架，用于实现鲁棒的多主体动画。该框架通过引入随机扰动来打破姿势和参考之间的刚性空间绑定，并利用文本提示和主体掩码进行精确控制，从而实现不同主体和空间配置的动画。
这篇论文提出了Multiplex Thinking，一种基于token的分支与合并的随机软推理机制，通过在每个推理步骤中采样K个候选token，并将它们的嵌入聚合为一个单一的连续multiplex token，从而在保持词汇嵌入先验和标准离散生成采样动态的同时，诱导出对multiplex rollouts的可行概率分布。这种方法在数学推理基准测试中表现出色，优于强离散CoT和RL基线，同时生成更短的序列。
这篇论文通过分析NeurIPS 2025数据整理竞赛（DCVLR），研究了数据整理在多模态推理中的重要性。作者通过固定模型和训练协议，使用紧凑的整理数据集在竞赛中取得第一名。研究发现，基于难度的示例选择是性能提升的主要驱动因素，而增加数据集大小并不一定能提高平均准确率，且常用的多样性和合成增强启发式方法没有提供额外的好处，有时甚至降低了性能。
这篇论文提出了AgencyBench，一个用于评估自主代理在真实世界场景中能力的基准测试平台。它通过模拟真实世界任务，评估代理的六个核心能力，并使用用户模拟代理和Docker沙盒进行自动化评估，揭示了不同模型在资源效率、自我纠正和工具使用偏好方面的差异。
这篇论文提出了一种名为FOFPred的新型语言条件光学流预测模型，该模型结合了统一的视觉-语言模型（VLM）和扩散架构，用于从大规模、无结构的网络数据中预测未来运动。该模型通过数据预处理技术和强大的图像预训练，从噪声视频-字幕数据中提取有意义的信息，并在机器人操作和视频生成任务中证明了其跨领域适用性。
这篇论文提出了一种名为Entropy Sentinel的方法，通过解码LLM在STEM领域的解码熵迹来连续监测LLM的准确性。该方法通过计算输出熵轮廓并使用轻量级分类器预测实例的正确性，从而提供了一种可扩展的监测和针对数据采集的信号。
这篇论文提出了PersonalAlign，一种基于长期用户记录的个性化GUI代理的分层隐式意图对齐方法。该方法通过AndroidIntent基准测试，评估了代理在处理模糊指令和提供主动建议方面的能力，并引入了HIM-Agent，通过维护不断更新的个人记忆和分层组织用户偏好和常规来实现个性化。
ShapeR论文提出了一种从日常捕获的序列中生成条件3D物体形状的新方法。它结合了视觉惯性SLAM、3D检测算法和视觉语言模型来提取稀疏SLAM点、姿态多视图图像和机器生成的字幕，然后通过训练的流变换器生成高保真的3D形状。为了提高鲁棒性，采用了实时组合增强、课程训练方案和背景杂乱处理策略。实验表明，ShapeR在真实场景中显著优于现有方法。
这篇论文研究了大型语言模型（LLM）的输出多样性，提出通过控制模型思考时所使用的语言（语言思维）来提高输出多样性。研究发现，将思考语言从英语切换到非英语语言可以显著增加输出多样性，并且不同语言在模型思考空间中占据不同的区域。实验结果表明，跨多种思考语言的样本聚合可以进一步提高多样性，并且与语言异质性成比例扩展模型多样性上限。
这篇论文提出了一种新的基准MIMIC，用于评估大型视觉语言模型在处理多图像任务时的能力。通过诊断实验，揭示了LVLMs在跨图像信息聚合和同时跟踪多个概念方面的普遍问题。论文提出了数据生成策略和注意力掩码方案来解决这些问题，实验结果表明这些方法显著提高了模型在多图像任务上的性能。
这篇论文研究了AI代理技术扩展对经济市场战略互动的影响，通过分析三种经典博弈论场景，揭示了技术选择对市场均衡和监管结果的影响，并提出了‘毒苹果效应’这一战略现象，即通过技术释放来操纵监管者选择市场设计。研究强调了静态监管框架的脆弱性，并提倡动态市场设计以适应AI能力的演变。
Zilliz团队发布了名为'zilliz/semantic-highlight-bilingual-v1'的语义高亮模型，该模型旨在降低RAG（Retrieval-Augmented Generation）中的Token成本，同时提供中英双语支持。该模型基于轻量级的Encoder-Only架构，并使用BGE-M3 Reranker v2作为基础模型，通过LLM标注和推理过程训练，实现了在多个数据集上的最先进性能。
LightOn AI 发布了 LightOnOCR-2-1B，这是一个10亿参数的第二代端到端视觉-语言 OCR 模型，旨在将文档页面转换为高质量文本，同时提供轻量级布局信息。该模型在性能和速度上均优于同类产品，并支持Hugging Face Transformers生态系统，便于社区使用。
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。
微软研究团队发布了OptiMind，这是一种专门的语言模型，能够将自然语言描述的优化问题直接转换为数学模型，旨在简化优化流程中的关键步骤，提高实验和迭代的效率。OptiMind现在作为实验性模型在Hugging Face上提供，旨在降低高级优化建模的门槛，使更多用户能够利用这一技术。
Interpreto 是一个新推出的开源库，旨在为自然语言处理（NLP）模型提供实用、模块化且统一的可解释性解决方案。它支持基于归因和基于概念的解释方法，适用于分类和生成模型，并能够与 Hugging Face Transformer 模型无缝集成。Interpreto 的发布为用户和开发者提供了一种新的工具，用于理解和评估 NLP 模型的预测过程。
杭州人工智能公司DeepSeek在2025年1月发布了R-1模型，标志着“DeepSeek时刻”的到来。这一事件推动了开源人工智能生态系统的快速发展，并促进了全球范围内对开源模型的采用。一年来，中国开源社区在人工智能领域取得了显著进展，涌现出大量新的开源模型和参与者。DeepSeek的R-1模型降低了技术、采用和心理障碍，推动了开源生态系统的自我复制能力。中国公司开始将开源作为长期竞争策略的一部分，从模型比较转向系统级能力。
Hugging Face发布了名为“Proof of Time (PoT)”的新基准框架，旨在评估科学想法的判断。该框架通过将科学想法的判断与未来可观察的下游信号（如引用次数、同行评审奖项等）联系起来，实现了可验证的评估和可扩展的基准测试。PoT采用离线沙盒设计，确保模型改进来自对相同证据的更好利用，而非获取新信息，并包含四个任务家族，分别评估影响预测、同行评审奖项、研究演化和技术前沿。
Pruna社区成员Parag Ekbote通过使用Pruna库和PyTorch的torch.compile功能，对SmolLM模型进行了量化压缩和编译优化，显著提升了模型的速度和效率，同时保持了较高的准确度，使得模型在资源受限的硬件上也能高效运行。
Hugging Face宣布其MiniMax-M2.1模型在多语言和多任务编码方面取得了显著进步，该模型在代码生成、工具使用、指令遵循和长期规划方面表现出色。它通过构建覆盖多种编程语言的全面数据管道，实现了对真实世界编码场景的增强，并展示了在多种基准测试中的优异性能。
Hugging Face发布了BERT Hash Embeddings模型系列，这些模型基于BERT Hash模型系列，生成固定维度的向量，用于语义文本相似度、语义搜索、释义挖掘、文本分类、聚类等。这些模型参数量小，性能优异，适用于边缘和低资源计算环境。
本文介绍了如何利用开源模型DeepSeek-OCR和FineVision进行大规模OCR任务，并展示了如何在不同的GPU基础设施上运行批量OCR推理。文章详细介绍了如何设置DeepSeek-OCR进行高吞吐量文档处理，设计模块化管道提取文档内容，并在多个云平台上部署批量推理作业。此外，还讨论了优化批量大小和并发性以提高GPU利用率，以及成本估算和扩展处理能力的方法。
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。
LightOnOCR-1B 是一种高效的 OCR 模型，它结合了视觉和语言模型技术，实现了在光学字符识别任务中的最先进性能。该模型通过端到端训练和知识蒸馏技术，在保持高准确率的同时，显著提高了处理速度，每秒可以处理 5.71 页文档。此外，LightOnOCR-1B 的开发团队还发布了其训练数据集，以促进该领域的进一步研究。
Hugging Face的官方博客发布了一篇关于小型语言模型最优架构的文章，介绍了通过实验发现的最优模型配置，包括深度、宽度、架构类型等，并推出了新的扩散模型Dhara-70M，该模型在保持较高准确性的同时，实现了更高的吞吐量和事实性。
Hugging Face发布了《大型语言模型课程》，这是一套全面的教育资源，旨在帮助人们深入了解大型语言模型（LLM）。课程分为两部分：LLM科学家和LLM工程师，分别侧重于构建和部署LLM。课程内容涵盖LLM架构、预训练、后训练数据集、微调、偏好对齐、评估、量化和新趋势等多个方面，并提供交互式LLM助手。
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。
本文介绍了如何创建和发布 Reachy Mini 应用程序，这是一个开源的机器人平台。开发者可以使用 Python SDK 或其他方法，如 Web API / JavaScript 模板，来创建应用程序。文章详细介绍了从创建应用程序模板、编写应用程序逻辑、测试到发布的全过程，并提供了将应用程序添加到官方应用程序列表的指南。
LoongFlow，一款由百度百度的Baige团队开发的进化智能体框架，被宣传为是超越传统OpenEvolve的“思考型”演进。它通过引入PES（规划-执行-总结）范式，实现了比OpenEvolve更高的效率和稳定性，特别是在解决复杂现实任务时。LoongFlow在基准测试中表现出色，特别是在圆填充问题实验中，其成功率和迭代次数均优于OpenEvolve。
这篇公告介绍了如何扩展OpenEnv环境，从免费使用到支持数千个并发环境。OpenEnv是一个旨在标准化智能体执行环境的社区合作项目。文章详细介绍了如何使用Hugging Face Spaces等工具进行扩展，并提供了不同级别的基准测试和部署代码，强调了WebSocket接口和多节点集群在提高环境吞吐量方面的重要性。
ServiceNow 与 OpenAI 签署多年期协议，将 OpenAI 的前沿模型集成到其平台中，以推动企业级 AI 的发展。这项合作旨在通过 AI 驱动的企业工作流程，实现自动化和智能化，提升企业效率，并支持自然语言交互和多模态体验。
Cisco 与 OpenAI 合作，推出 Codex，一个嵌入到工作流程中的 AI 软件代理，旨在通过自动化构建、缺陷修复和 AI 原生开发来加速企业软件构建。Codex 能够理解大型代码库，执行自主的编译-测试-修复循环，并遵守企业安全和治理框架，显著提高了构建优化、缺陷修复和框架迁移的效率。
