精选 77 篇，从 2900+ 条中筛选
MemU是一个面向LLM和AI代理后端的记忆框架，旨在处理多模态输入，提取结构化记忆，并组织成支持基于嵌入和非嵌入检索的分层文件系统。它旨在为研究者、应用开发者提供工具，解决记忆管理和检索的难题，通过其独特的多模态支持和自进化记忆结构，在LLM生态中提供独特的价值。
Shubhamsaboo/awesome-llm-apps 是一个收集了多种基于大语言模型（LLM）的应用项目，旨在为开发者提供丰富的LLM应用案例。该项目定位为开发者社区，通过提供多种LLM应用示例，帮助开发者了解和实现LLM在各个领域的应用。核心功能包括展示多种LLM应用案例，涵盖AI代理、RAG、多智能体团队等。技术架构上，该项目依赖于多种LLM模型和开源技术，如OpenAI、Anthropic、Gemini等。在LLM生态中，该项目通过提供多样化的应用案例，促进了LLM技术的普及和应用。
badlogic/pi-mono是一个专注于构建AI代理和LLM部署的工具集，旨在为开发者提供统一的LLM API、交互式编码代理CLI、终端UI和Web UI库等。该项目填补了LLM生态中工具集的空白，为研究者、应用开发者提供了一套完整的工具，以优化LLM的集成和管理流程。
Playwright CLI 是一款针对 Playwright 的命令行界面工具，旨在为开发者提供高效、便捷的浏览器自动化解决方案。它通过提供简洁的命令，允许开发者记录和生成 Playwright 代码，检查选择器和截图，从而优化了浏览器自动化流程。该项目主要面向应用开发者，通过其高效的 CLI 接口和 SKILLs，为高吞吐量的编码代理提供了更好的支持。其技术架构亮点在于其 token 效率，避免了将页面数据强制推入 LLM，从而提高了自动化流程的效率。
Kimi Code CLI是一款基于Python开发的终端AI代理，旨在辅助软件开发和终端操作。它支持代码阅读与编辑、执行shell命令、搜索网页以及自主规划执行过程中的动作。该项目填补了终端AI代理的空白，为开发者提供了一种新的开发范式，通过集成Agent Client Protocol和MCP等协议，实现了与IDE和MCP工具的集成，具有独特的易用性和功能集成度。
Moltbot是一个个人AI助手项目，旨在为用户提供跨平台的AI服务。它支持多种即时通讯平台，如WhatsApp、Telegram、Slack等，并可在macOS、iOS和Android上运行。Moltbot的核心功能是提供个性化的AI交互体验，解决用户在多平台沟通中的需求。该项目采用TypeScript编写，基于Node.js，并支持多种模型和技能集成，为开发者提供了丰富的定制和扩展能力。
项目asgeirtj/system_prompts_leaks旨在收集并共享流行聊天机器人如ChatGPT、Claude & Gemini的系统提示，为研究者、开发者提供LLM数据资源。该项目以JavaScript语言编写，具有高星标和 forks 数量，体现了其在LLM生态中的价值。它是一个工具，通过收集和整理LLM数据，为研究者提供便利，同时也为开发者提供了丰富的数据集。
LobeHub是一个面向工作与生活的AI协作平台，旨在构建人类与AI协同进化的网络。它通过提供多代理协作、轻松的代理团队设计等功能，解决了传统AI工具缺乏上下文、孤立且需要手动交互的问题。LobeHub基于TypeScript构建，支持多种模型和服务提供商，并通过MCP插件系统扩展功能。它在LLM生态中的价值在于其独特的协作模式和丰富的功能集，为用户提供了强大的AI协作工具。
modelcontextprotocol/ext-apps项目旨在为MCP（Model Context Protocol）提供一套标准化的SDK和规范，以支持在聊天机器人中嵌入交互式UI元素。该项目定位为开发框架，通过提供工具定义、工具调用、双向通信等功能，解决了在聊天机器人中集成复杂交互UI的问题。其技术栈以TypeScript为主，并支持多种前端框架。在LLM生态中，该项目通过提供标准化的解决方案，促进了聊天机器人的功能扩展和用户体验的提升。
AgentCPM-Report是一款由THUNLP、RUCBM和ModelBest共同开发的开放源代码大型语言模型，基于MiniCPM4.1 8B参数基座模型。该模型在报告生成方面表现出色，具有高性能和最小化资源占用等特点。它通过深度检索和思维链推理，生成逻辑严谨、深入见解的长篇报告。模型定位为通用大模型，具有强大的文本生成能力，适用于需要高质量报告生成的场景。
NuMarkdown-8B-Thinking是一款专注于文档到Markdown转换的推理型OCR大模型，基于Qwen 2.5-VL-7B进行微调。该模型在处理复杂文档布局和表格方面表现出色，能够生成思考标记以理解文档结构。在OCR和视觉语言模型领域，其性能优于GPT-4o和OCRFlux等模型。模型适用于文档解析、Markdown生成等场景，具有开源协议、硬件需求适中、推理效率较高的特点。
LightOnOCR-2-1B是一款高效的端到端视觉语言模型，专门用于将文档转换为文本。该模型在OCR领域表现出色，具有快速处理速度和高效能的特点。它基于Transformer架构，参数量为1B，支持多种语言，包括中文。在OlmOCR-Bench基准测试中取得了领先性能，同时体积小、速度快，适用于处理PDF、扫描图像等多种文档格式。
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。
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。
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。
LiquidAI/LFM2.5-1.2B-Thinking是一款针对边缘设备部署的推理优化版本的大语言模型。该模型基于LFM2架构，具有1.2B的参数量，支持多种语言。它在性能上与更大的模型相媲美，同时具有快速边缘推理能力。该模型在推理效率、内存占用和兼容性方面表现出色，适用于需要高性能和低延迟的边缘设备。
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。
Kimi K2.5是一款开源的多模态大语言模型，定位为通用大模型。它基于约150万亿混合视觉和文本标记的持续预训练，具备视觉和语言理解以及先进的代理能力。模型在视觉知识、跨模态推理和基于视觉输入的代理工具使用方面表现出色。其核心能力包括视觉到代码的生成和代理群体执行复杂任务。在性能上，Kimi K2.5在权威基准测试中表现良好，具有开源协议、硬件需求适中、推理效率较高的特点，适用于多模态任务和复杂任务处理。
VibeVoice-ASR是一款专注于语音识别的领域大模型，具备处理长达60分钟音频的能力，支持结构化转录，包括说话人、时间和内容信息。该模型采用Transformer架构，支持自定义热词，具有丰富的转录功能。在性能上，VibeVoice-ASR在权威基准测试中表现出色，具有高准确率和语义连贯性。模型适用于需要长音频转录和特定领域内容识别的场景，如会议记录、讲座转录等。其开源协议和硬件需求适中，推理效率较高。
Tongyi-MAI/Z-Image是一款专注于图像生成的LLM，定位为多模态模型。其核心技术为单流扩散Transformer，支持全Classifier-Free Guidance，具有强大的视觉语言处理能力。性能上，模型在图像生成任务中表现出色，但缺乏权威基准测试结果。主要应用场景为创意生成和艺术创作。开源协议为Apache-2.0，硬件需求较高，推理效率需进一步优化。
FlashLabs/Chroma-4B是一款多模态模型，定位为通用大模型。其核心技术为Transformer变体，支持任何到任何的转换，具有丰富的功能标签。该模型在Hugging Face Hub上表现活跃，下载量和点赞数均较高。性能方面，具体基准测试结果未提及，但其在多模态任务上具有优势。适用场景广泛，兼容性强，适合对多模态处理有需求的用户。
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。
🔥 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。
DeepSeek-OCR-2是一款专注于图像文本转换的多模态模型，定位为特定领域微调模型。其核心技术基于transformers库，采用自定义代码进行优化，支持多语言处理。模型在OCR任务上表现出色，但缺乏权威基准测试结果。开源协议为Apache-2.0，对硬件要求较高，推理效率需进一步优化。
Sweep Next-Edit 1.5B 是一款专注于代码编辑自动完成的模型，定位为代码模型。它采用GGUF格式量化，参数量为1.5B，上下文长度为8192 tokens。该模型在代码编辑自动完成方面表现出色，能够预测用户下一步的代码编辑。它在Hugging Face上的下载量和点赞数均较高，表明其在社区中受到认可。模型基于Qwen2.5-Coder，采用Q8_0量化，适合在本地设备上快速运行。性能方面，模型在代码编辑自动完成基准测试中优于同类模型。主要应用场景为代码编辑辅助工具，对开发者友好。
Qwen3-TTS是一款专注于语音合成的LLM，具备强大的语音表征能力和低延迟的流式生成能力。该模型覆盖10种主要语言，支持多种方言，具有强大的上下文理解能力。其核心技术包括自研的Qwen3-TTS-Tokenizer-12Hz和离散多码本LM架构，实现了高效的声学压缩和语义建模。在性能上，Qwen3-TTS在语音合成任务中表现出色，具有极低的延迟，适用于实时交互场景。模型适用于需要高质量语音合成的应用场景，如智能客服、语音助手等。
Qwen3-TTS是一款专注于语音合成的大语言模型，定位为特定领域微调模型。其核心技术包括自研的Qwen3-TTS-Tokenizer-12Hz和离散多码本LM架构，支持多种语言和方言，具有强大的语境理解和自适应控制能力。性能上，模型实现了低延迟的流式生成，端到端合成延迟低至97ms。主要应用场景包括实时交互和个性化语音合成。模型开源协议为Apache-2.0，适合对实时性和个性化语音合成有较高要求的场景。
Qwen3-TTS是一款多语言TTS模型，定位为通用大模型。它具备强大的语音表征能力和低延迟的流式生成能力，采用自研的Qwen3-TTS-Tokenizer-12Hz进行高效声学压缩和语义建模。模型在语音合成方面表现出色，支持多种语言和方言，并具备智能文本理解和语音控制功能。性能方面，模型在权威基准测试中表现良好，具有高效的开源协议和推理效率，适用于实时交互场景。
RuneXX/LTX-2-Workflows是一款基于LTXV2_comfy模型的LLM，定位为特定领域微调模型。其核心技术包括Gemma 3 12B it GGUF文本编码器，支持ComfyUI和GGUF。性能方面，具体基准测试结果未提供，但模型在视频生成等任务上表现出色。主要应用场景包括视频制作和创意内容生成。该模型开源，对硬件要求较高，推理效率需根据具体应用场景评估。
这篇论文提出了一种基于多对抗分布鲁棒优化的强化学习方法，用于大型语言模型（LLM）推理。该方法通过动态调整训练分布，解决了传统强化学习在处理异构、重尾推理数据时的效率问题，并通过实验验证了其在推理准确率上的提升。
这篇论文提出了一个名为VERGE的神经符号框架，用于可验证的大型语言模型（LLM）推理。该框架结合了LLM和SMT求解器，通过迭代精炼产生验证指导答案。它通过将LLM输出分解为原子断言，自动将它们形式化为第一阶逻辑，并使用自动定理证明来验证其逻辑一致性。该框架引入了多模型共识、语义路由和最小修正子集等技术，以提高推理的准确性和可靠性。
这篇论文提出了一种名为失败前缀条件的方法，用于解决强化学习在饱和问题上的训练停滞问题。该方法通过从罕见的不正确推理轨迹中提取前缀来重新分配探索，从而让模型接触到容易失败的状态，从而提高推理能力。
这篇论文提出了一种名为Self-Distillation Policy Optimization (SDPO)的强化学习方法，通过将丰富的文本反馈转换为密集的学习信号，提高了在可验证领域（如代码和数学）中强化学习的效果。SDPO利用模型自身的能力，在上下文中识别错误，并在科学推理、工具使用和编程竞赛等任务中实现了样本效率和最终精度的提升。
这篇论文提出了一种名为Shallow-π的知识蒸馏框架，用于减少基于流的视觉语言动作（VLA）模型的Transformer层数，从而提高推理速度。该方法通过减少模型层数，将模型从18层压缩到6层，实现了超过两倍的推理速度提升，同时成功率仅下降不到1%，在标准操作基准测试中达到了VLA模型的最新性能。
这篇论文提出了UPLiFT，一种高效的像素密集特征上采样架构，通过迭代上采样方法结合局部注意力机制，实现了在较低推理成本下达到最先进的性能，同时保持了特征稳定性。
这篇论文提出了SE-DiCoW，一种基于自注册的语音识别方法，通过利用说话人分割输出作为条件信息，解决了多说话人环境中说话人归因自动语音识别的挑战。SE-DiCoW通过定位对话中目标说话人最活跃的片段作为固定条件，并通过改进的数据分割、模型初始化和增强，显著提高了识别准确率。
这篇论文介绍了Innovator-VL，一个旨在促进跨多个科学领域理解和推理的多模态大型语言模型。该模型通过原则性的训练设计和透明的方法，在减少数据需求的同时，实现了强大的科学智能。它提供了一个端到端的可重复训练流程，并展示了在科学任务上的数据效率，同时保持了在通用视觉任务上的良好性能。
这篇论文提出了Spark，一种通过动态分支进行策略感知探索的框架，旨在解决强化学习在长时程任务中由于高质量轨迹稀缺而导致的训练挑战。Spark通过在关键决策点激活自适应分支探索，以实现资源高效探索，从而在保证样本质量的同时减少计算预算的浪费。
这篇论文提出了Soft-Verified Efficient Repository Agents (SERA)，一种通过监督微调快速且低成本地训练编码代理的方法，使其能够专门针对私有代码库进行优化。SERA在保持与前沿开放权重模型相当性能的同时，其创建成本比强化学习和先前合成数据方法降低了26倍和57倍。
这篇论文研究了语言模型在对话中的线性表示如何随时间变化。研究发现，这些表示在对话过程中可以发生显著变化，例如，最初被表示为事实的信息可能在对话结束时被表示为非事实，反之亦然。这些变化与内容相关，且在不同模型家族和层中发生，表明模型可能根据对话中的特定角色来调整其表示。
这篇论文提出了DeepSeek-OCR 2，一个能够根据图像语义动态重新排序视觉标记的编码器DeepEncoder V2。它挑战了传统视觉语言模型(VLMs)在处理视觉标记时的固定顺序，并引入了因果推理能力，以实现更符合人类视觉感知的图像理解。
这篇论文介绍了OmegaUse，一个通用的GUI代理模型，用于在移动和桌面平台上执行自主任务。它通过精心设计的数据构建管道和分阶段训练方法，结合了高质量数据和有效的训练方法，实现了高保真合成数据生成和交互语法的基本建立，最终在多个GUI基准测试中取得了优异的成绩。
这篇论文提出了一种通过自由形式草图表达动态意图的方法，用于动画生成。研究者通过用户与视觉语言模型之间的交互，实现了从草图故事板到动态图形工作流程的转换，并通过实验验证了这种方法在3D动画和视频生成中的潜力。
这篇论文提出了RIR-Mega-Speech，一个包含全面声学元数据和可重复评估的混响语音语料库。该语料库通过卷积LibriSpeech语音与RIR-Mega集合中的约5000个模拟房间脉冲响应创建，每个文件都包含RT60、直达混响比（DRR）和清晰度指数（C_{50}）。论文通过 Whisper 模型在干净和混响语音上的实验，展示了混响对语音识别的影响，并提供了重建数据集和重现评估结果的脚本。
这篇论文提出了一种名为MathForge的框架，通过难度感知的群策略优化（DGPO）和多角度问题重构（MQR）策略，旨在提升大型模型在数学推理方面的能力。该方法通过平衡难度和问题重构，解决了现有方法中对于难度较大问题的忽视问题，并在多个数学推理任务上显著优于现有方法。
这篇论文介绍了LingBot-World，一个基于视频生成的开源世界模拟器。它具有高保真度和鲁棒性，支持长时间记忆和实时交互，旨在缩小开源与闭源技术之间的差距，促进内容创作、游戏和机器人学习等领域的发展。
这篇论文提出了一种名为GDCNet的生成差异比较网络，用于多模态讽刺检测。该网络通过利用多模态语言模型（MLLMs）生成的描述性、事实性图像字幕作为稳定的语义锚点，来捕捉跨模态冲突。GDCNet计算生成的客观描述与原始文本之间的语义和情感差异，并测量视觉-文本保真度，然后通过门控模块融合这些差异特征与视觉和文本表示，以自适应地平衡模态贡献。
这篇论文提出了一种名为Self-Distillation Fine-Tuning (SDFT)的新方法，通过使用演示条件模型作为自己的教师，实现从演示中直接进行策略学习，从而在持续学习过程中减少遗忘，提高新任务准确性。
这篇论文提出了Youtu-VL，一个基于统一视觉-语言监督的框架，旨在解决当前视觉-语言模型在保留细粒度视觉信息方面的不足。Youtu-VL通过将视觉信息直接集成到预测流中，实现了对视觉细节和语言内容的统一自回归监督，从而在多模态任务和视觉中心任务上取得了有竞争力的性能。
RexRerankers 是一种先进的重排序器，旨在提高产品发现和人工智能助手的效率。它通过估计电子商务产品与查询的相关性来工作，并使用 Amazebay 数据集进行训练。此外，还发布了 ERESS 评估套件，用于全面评估产品发现重排序器的性能。
NVIDIA近日宣布推出NVIDIA Earth-2系列三个新的开源模型，旨在简化构建整个天气预报栈的能力，包括数据同化、预测、临近预报、降尺度等任务。这些模型包括用于千米级短时强对流天气预报的Earth-2 Nowcasting、用于15天全球预报的Earth-2 Medium Range以及用于生成初始条件的Earth-2 Global Data Assimilation。NVIDIA Earth-2提供了一套加速工具和模型，使开发者能够整合通常分散的天气和气候AI能力。
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Inference Labs团队发布了TruthTensor，这是一个评估大型语言模型（LLM）在动态市场条件下指令忠诚度的新框架。该框架通过模拟预测市场中的动态变化来测试模型是否会偏离其预设算法，并在601,891名用户和1,692,048次微调中得到应用。
Hugging Face发布了针对机器学习生命周期的存储基础设施，旨在解决传统云存储在处理机器学习模型、数据集和日志时的局限性。该基础设施通过Xet技术实现数据去重，提高迭代速度；支持数据流式传输，无需本地下载；提供供应链安全和治理功能，包括自动扫描、细粒度访问控制和数据驻留；同时，它还提供协作和文档功能，如模型卡片和社区功能，使机器学习团队能够更高效地协作。
本文通过比较mDeBERTa、GPT-OSS-20B（LoRA）和GPT-OSS-20B（Base）三种模型在多语言客户支持消息分类任务上的表现，展示了基于BERT的模型在速度和准确性上的优势，同时指出GPT-OSS-20B（LoRA）在精确匹配方面的优势。实验表明，选择合适的模型取决于具体的应用场景和需求，并强调了高效模型架构、智能量化和参数高效微调在构建定制ML解决方案中的重要性。
NVIDIA发布了Nemotron-Personas-Brazil，这是一个包含600万个完全合成的巴西人设的开放数据集，旨在解决巴西AI系统训练数据的问题，该数据集基于官方人口普查和劳工数据进行统计学接地，并支持巴西本地化的主权AI开发。
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。
Hugging Face的研究人员逆向工程了AI初创公司Magic的技术，发现其核心在于将哈希字符串或函数名视为单一token，从而实现了高效的键值查找和长上下文匹配。基于这一发现，研究者开发了MALM模型，并成功复现了Magic的演示，如计算器和密码强度计等应用场景。
Novita AI 发布了针对 GLM4-MOE 模型的生产级优化方案，通过共享专家融合、Qknorm 融合和异步传输等技术，显著提升了模型推理效率，实现了高达 65% 的 TTFT 减少和 22% 的 TPOT 提升，为生产环境中的高性能推理提供了实践蓝图。
本文介绍了如何从头开始构建一个简单的检索增强生成（RAG）系统，该系统结合了信息检索和文本生成，以增强语言模型的表现。文章详细解释了RAG系统的关键组件，包括检索模型和语言模型，并提供了使用Python和ollama实现RAG系统的示例代码。
本文探讨了大型语言模型（LLMs）如何存储和检索关于实体的事实知识。研究人员发现，LLMs 在其 MLP 层中维护一个隐藏的实体词汇表，这些实体以语义嵌入的形式编码，从而实现事实知识的检索。他们开发了一种方法来定位存储实体知识的特定权重，并展示了如何通过激活或抑制这些权重来影响模型的行为。
NVIDIA发布了一种名为Nemotron Speech ASR的新实时语音识别模型，该模型通过缓存感知流式处理技术，实现了更高的效率和更低的延迟，为实时语音代理提供了新的基准。
NVIDIA与AI Singapore合作发布了Nemotron-Personas-Singapore，这是一个为新加坡开发者设计的合成数据集，旨在支持构建主权AI系统。该数据集提供本地化、文化相关和隐私保护的数据，用于训练和评估AI模型。
本文提供了一篇面向初学者的 PyTorch 教程，通过构建和训练一个简单的线性回归模型，逐步介绍了 PyTorch 的核心概念和操作。文章详细解释了自动微分、动态计算图、模型类等概念，并展示了如何使用 NumPy 和 PyTorch 实现线性回归，同时介绍了数据生成、损失函数、优化器、模型训练和评估等关键内容。
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。
Maziyar Panahi 发布了名为 OpenMed 的项目，该项目提供了超过 380 个免费的医疗命名实体识别 (NER) 模型，旨在打破医疗人工智能领域高昂的付费壁垒。这些模型不仅性能卓越，而且完全免费，并遵循 Apache 2.0 许可协议，使得研究人员、医生和开发者能够轻松访问和使用。OpenMed 模型在多个医疗数据集上进行了优化和测试，涵盖了从药物和化学物质到疾病和基因等广泛的医疗术语，为医疗和临床文本分析提供了强大的工具。
本文介绍了名为“规范保持双投影消融”的技术，这是一种用于从语言模型中移除拒绝行为的新方法。该方法通过识别和干预激活空间中的“拒绝方向”来工作，并改进了传统的消融方法。它通过从另一层的输出中移除拒绝，避免干扰目标层中无害的方向，同时通过仅从目标权重中减去方向分量，同时保留权重范数，提高了推理性能。
Hugging Face 发布了 Qwen-Image-i2L，一个可以将图像转换为 LoRA 模型权重的模型，实现了图像到 LoRA 模型的直接生成。该模型通过实验和迭代，优化了模型架构和训练方法，旨在提高图像到 LoRA 模型的转换效率和准确性。
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。
OpenAI 宣布将于 2026 年 2 月 13 日退役 GPT-4o、GPT-4.1、GPT-4.1 mini 和 OpenAI o4-mini 模型，这些模型将在 ChatGPT 中停止使用。这一决定是在 GPT-5 推出的背景下做出的，同时 OpenAI 也将继续改进 ChatGPT，包括提升个性和创造力，并解决不必要的拒绝和过于谨慎或说教式的响应。
OpenAI 发布了其内部定制的 AI 数据代理，该代理利用 GPT-5、Codex 和内存推理大量数据集，以提供快速、准确的数据洞察。该代理旨在降低数据分析门槛，使员工能够通过自然语言在数分钟内获得复杂问题的答案。
这篇论文提出了一种名为TONEL的框架，用于提高边缘设备上基于大语言模型（LLMs）的检索增强生成（RAG）的噪声鲁棒性和领域适应性。TONEL通过使用噪声感知投影模型来学习与CiM硬件约束兼容的任务特定嵌入，从而在噪声条件下实现准确的检索。
这篇论文提出了BMAM（脑启发多智能体记忆框架），这是一种新型的记忆架构，它将智能体的记忆分解为多个功能专化的子系统，包括情景记忆、语义记忆、显著性感知和控制导向组件。BMAM通过组织情景记忆和融合多个互补信号来支持长期推理，实验结果表明，在LoCoMo基准测试中，BMAM在标准长期评估设置下达到了78.45%的准确率。
这篇论文提出了VERGE，一个结合LLMs和SMT求解器的神经符号框架，用于验证LLMs的推理。它通过将LLM输出分解为原子断言，自动将它们形式化为一阶逻辑，并使用自动定理证明来验证其逻辑一致性。VERGE引入了多模型共识、语义路由和最小修正子集等技术，以提供精确的逻辑错误定位和迭代答案细化。
这篇论文提出了一种名为SC-SAM的专家-通才框架，用于在未标记的医疗图像上进行学习。该框架结合了U-Net的点提示和伪标签来引导SAM的适应，同时SAM作为强大的通才监督器来正则化U-Net。这种双向共训练循环使得两个模型都能有效地利用未标记数据，在前列腺MRI和息肉分割基准测试中实现了最先进的性能。
这篇论文提出了LLaTTE，一种用于大规模广告推荐的扩展性transformer架构。通过实验证明了推荐系统中的序列建模遵循类似于大型语言模型的幂律缩放规律，并发现语义特征是扩展的基础。论文引入了两阶段架构，将大型长上下文模型的计算任务卸载到异步上游用户模型，从而在严格延迟约束下实现持续扩展的好处，并在Meta部署中实现了4.3%的转化率提升。
这篇论文提出了一种名为结构锚剪枝（SAP）的训练无关剪枝方法，用于可扩展的视觉RAG索引。该方法从中间层识别关键视觉块以实现高压缩性能，并通过Oracle Score Retention（OSR）协议评估层间信息对压缩效率的影响。实验表明，SAP在保持检索准确性的同时，可以将索引向量减少超过90%，为视觉RAG提供了一种高度可扩展的解决方案。
这篇论文提出了OmegaUse，一个通用的GUI代理模型，用于在移动和桌面平台上自主执行任务。它通过精心设计的数据构建管道和脱耦训练范式，结合了高质量数据和有效的训练方法，实现了高保真合成数据的生成和交互语法的基本建立，最终在多个GUI基准测试中取得了优异的成绩。
这篇论文提出了一种名为C2的决策转换器增强框架，通过引入交叉学习块和约束感知损失，解决了决策转换器在自动出价中的跨序列相关性建模不足和盲目学习问题。该方法通过交叉注意力机制增强了序列间的相关性建模，并通过结合预算和获取成本限制，实现了对最优轨迹的选择性学习。实验结果表明，C2在AuctionNet数据集上取得了显著的性能提升。
