精选 68 篇，从 16 条中筛选
pbakaus/impeccable项目是一个专注于前端设计的LLM工具，旨在通过提供设计技能、命令和反模式来提升AI在UI设计方面的能力。该项目为开发者提供了一套全面的设计技能和17个命令，帮助优化设计流程，解决常见的设计问题，如字体、颜色、布局和交互等。它填补了LLM在前端设计领域的应用空白，为开发者提供了一种新的设计辅助工具。
Heretic项目定位为LLM生态中的去审查工具，旨在自动移除语言模型中的审查内容。其核心功能是通过方向消融技术，在不进行昂贵后训练的情况下，自动移除模型审查。技术架构上，Heretic基于PyTorch框架，利用Optuna进行参数优化。在LLM生态中，Heretic的价值在于提供了一种高效、自动的去审查方法，填补了LLM审查内容移除的空白，为研究者、开发者提供了便利。
Claude Code Plugins Directory是一个由Anthropic管理的官方目录，提供高质量的Claude Code插件。该项目定位为服务于应用开发者，通过提供丰富的插件资源，优化了LLM插件开发流程，填补了插件市场的高质量资源空白。其核心功能是提供一个插件安装和管理的平台，支持内部插件和第三方插件，并遵循标准结构。技术架构上，该项目依赖于Claude Code的插件系统，并要求插件遵循特定的结构。在LLM生态中，该项目通过提供易于集成和使用的插件，降低了开发者使用LLM的门槛，促进了LLM技术的普及和应用。
鱼语音（fish-speech）是一个开源的文本到语音（TTS）项目，旨在提供高质量的跨语言语音合成。该项目通过集成先进的LLM技术，实现了零样本和少样本TTS，支持多种语言和方言。鱼语音针对研究者、开发者以及需要高质量语音合成的企业用户，其技术亮点在于其高性能的模型和易用的WebUI，填补了市场上对高质量多语言TTS解决方案的空白。
InsForge是一个为AI编码代理和AI代码编辑器构建的后端开发平台，通过语义层提供数据库、认证、存储和函数等后端原语，旨在简化全栈应用的部署。它为研究者、应用开发者和企业提供了独特的价值，通过优化后端操作和提供丰富的API，解决了复杂后端管理的难题。
OpenRAG是一个基于Langflow、Docling和Opensearch的综合RAG平台，旨在提供智能文档搜索和AI驱动的对话。它为研究者、应用开发者提供了一种快速构建和部署RAG解决方案的工具，通过其预包装、易于扩展和强大的搜索能力，填补了LLM生态中文档检索和生成的空白。
DimOS是一个面向通用机器人的现代操作系统，旨在为机器人开发者提供简单易用的Python开发环境，支持多种机器人硬件。它通过集成多种机器人制造商，提供无需ROS的Python编程接口，支持导航、感知、空间记忆等功能，旨在解决机器人开发中的复杂问题，为开发者提供高效、灵活的开发体验。
OpenViking是一款针对AI代理（如openclaw）设计的开源上下文数据库，旨在解决AI代理开发中的上下文管理难题。它通过文件系统范式统一管理代理所需的上下文（内存、资源和技能），实现分层上下文交付和自我进化。OpenViking的核心功能包括上下文统一管理、分层上下文加载、目录递归检索、可视化检索轨迹和自动会话管理。它是一个框架，为开发者提供了一个高效、易用的上下文管理解决方案，有助于提升AI代理的性能和智能。
LocoTrainer-4B是一款专注于代码分析领域的领域大模型，基于Qwen3-4B-Instruct-2507进行微调。其核心技术包括MS-SWIFT框架知识蒸馏和工具调用代理，能够生成结构化的代码分析报告。该模型在代码分析任务上表现出色，具有长上下文处理能力和本地部署版本，适用于需要代码分析报告的场景。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型采用 CoT 技术和 Claude-4.6 Opus 的推理链进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持多种语言，适用于需要复杂推理和精确解决方案的场景。性能方面，模型在相关基准测试中表现良好，具有开源协议，适合在多种硬件和推理框架上使用。
Tesslate/OmniCoder-9B是一款针对代码生成和推理的领域大模型，基于Qwen3.5-9B架构，参数量达到9B。该模型在代码生成、工具使用、终端操作和多步推理等任务上表现出色，具有强大的自恢复能力和遵循LSP诊断的能力。在AIME 2025、GPQA Diamond和Terminal-Bench 2.0等基准测试中取得了优异的成绩。模型开源，适用于需要高效代码生成和推理的场景。
Qwen/Qwen3.5-9B是一款通用大模型，具备9B参数，支持多模态学习。其核心技术包括多模态融合训练、高效的混合架构、可扩展的强化学习泛化能力、全球语言覆盖和下一代训练基础设施。在基准测试中表现出色，尤其在多模态理解和推理任务上。适用于需要多语言、多模态理解和高效推理的场景，如对话系统、内容生成等。
Qwen3.5-35B-A3B是一款定位在通用大模型领域的LLM，具备高效的混合架构和强大的多模态学习能力。该模型具有35B的参数量，支持1M的上下文长度，采用Apache-2.0开源协议。在性能上，Qwen3.5在多个基准测试中表现出色，尤其在多模态任务上具有显著优势。其主要应用场景包括多语言处理、代码生成和视觉理解等，适合需要高性能和高效推理的应用。
HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive 是一款通用大模型，具有9B参数和32层，支持多语言和上下文长度可扩展至1M。该模型在HuggingFace平台上具有较高下载量和点赞数，其核心能力在于无审查的文本生成，具有更强的拒绝处理能力。在性能表现上，该模型在MMLU、GPQA、IFEval等基准测试中表现良好，具有多模态支持，适用于需要无审查文本生成的场景。其开源协议为Apache-2.0，硬件需求较高，推理效率中等，与vLLM、TGI等流行推理框架兼容。
🔥 unsloth/Qwen3.5-9B-GGUF 是一款基于 Qwen3.5-9B 的多模态扩展模型，定位为通用大模型。其核心技术包括早期融合的多模态学习、Transformer 架构和 GGUF 技术，支持图像到文本的转换。该模型在 MMLU、GPQA、IFEval 等基准测试中表现出色，具有强大的推理和代码生成能力。开源协议为 Apache-2.0，适用于多种硬件平台，与 vLLM、TGI 等框架兼容。
Lightricks/LTX-2.3是一款专注于图像到视频生成的基础模型，定位为多模态模型。它基于DiT架构，具有高效的音频和视频生成能力，支持多种语言和格式。该模型在HuggingFace平台上具有较高的下载量和点赞数，表明其在社区中受到认可。LTX-2.3在性能上表现出色，尤其在图像到视频转换任务上具有显著优势。其开源协议和丰富的应用场景使其在多媒体内容创作领域具有广泛应用潜力。
Sarvam-105B是一款定位为通用大模型的混合专家模型，拥有10.3B参数，擅长复杂推理和代理任务。其架构采用MLA风格注意力堆叠，具有高上下文长度和独特的路由机制。在基准测试中，Sarvam-105B在多个领域表现优异，特别是在印度语言上达到顶尖水平。该模型开源，适用于需要高性能推理和复杂任务处理的场景。
🔥 unsloth/LTX-2.3-GGUF 是一款专注于图像到视频转换的多模态模型，定位为特定领域微调模型。它基于 Lightricks/LTX-2.3 模型，采用 GGUF 量化技术，具有高性能和高效的推理能力。该模型在图像到视频转换任务上表现出色，支持多种语言，并具有丰富的应用场景。其核心能力在于图像到视频的转换，技术特点包括高精度层上浮和 ComfyUI-GGUF 工具的使用。在性能上，模型在相关基准测试中表现优异，具有开源协议，适合在多种硬件平台上运行。
鱼声科技S2 Pro是一款领先的文本到语音（TTS）模型，专注于精细的韵律和情感控制。该模型采用双自回归架构，结合强化学习和超过10M+小时的音频数据训练，支持80多种语言。S2 Pro在LLM生态中定位为特定领域微调模型，具有多语言能力和指令遵循能力。其在TTS任务上表现出色，具有高效的推理性能和良好的开源协议。主要应用场景包括多语言语音合成、个性化语音助手等。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型通过从 Claude-4.6 Opus 中提取的 CoT 技术进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持文本生成。在性能上，模型在推理任务上表现出色，特别适合需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，适合在多种硬件和推理框架上使用。
HumeAI/tada-3b-ml是一款专注于语音建模的统一语音语言模型，定位为多模态模型。其核心技术为文本-声学双对齐框架，通过创新的分词器和架构设计，实现了高保真合成和生成。该模型在性能上表现出色，尤其在文本到语音转换任务中具有显著优势。模型参数量较大，支持多种语言，适用于需要高保真语音生成的场景。
RuneXX/LTX-2.3-Workflows是一款专注于图像到视频转换的多模态模型，定位在多模态模型类别。该模型基于LTX-2.3架构，具有丰富的转换工作流程，支持文本到视频、图像到视频等多种转换。模型在性能上表现出色，尤其在视频生成方面具有独特优势。其开源协议和硬件需求适中，适合在多种场景下使用。
NVIDIA-Nemotron-3-Super-120B-A12B-FP8是一款基于Transformer架构的通用大模型，具有120B的参数量和A12B的上下文长度。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。其核心技术包括NVIDIA的Nemotron架构和Latent MOE技术，旨在提高模型的安全性和效率。在性能方面，该模型在多个基准测试中表现出色，具有较好的代码生成、数学推理和多语言能力。该模型适用于需要高性能和广泛语言支持的通用场景，如文本生成、问答系统等。
NVIDIA-Nemotron-3-Super-120B-A12B-BF16是一款基于Transformer架构的通用大模型，具有120B的参数量和A12B的上下文长度。该模型在NVIDIA的Nemotron系列中，结合了MoE（Multi-Head Mixture of Experts）技术，提高了模型的表达能力和效率。在性能上，该模型在多个基准测试中表现出色，具有多语言处理能力。其开源协议和硬件需求适中，适合在多种场景下使用。
NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4是一款大型语言模型，定位为通用大模型。其核心技术包括Transformer变体、MoE等，具有120B的参数量和A12B的上下文长度。在性能上，该模型在多个基准测试中表现出色，具有多语言能力。主要应用场景包括文本生成、代码生成等。该模型采用NVIDIA开放模型许可，对硬件要求较高，但推理效率良好。
HumeAI/tada-1b是一款专注于语音合成的大语言模型，定位为多模态模型。其核心技术为文本-声学双对齐框架，通过创新的分词器和架构设计，实现了高保真合成和生成。在性能上，TADA在权威基准测试中表现出色，具有高效的推理效率和良好的兼容性。主要应用场景包括语音合成和文本生成，适用于需要高质量语音输出的场景。
HauhauCS/Qwen3.5-35B-A3B-Uncensored-HauhauCS-Aggressive 是一个基于 Qwen3.5-35B-A3B 的开源模型，专注于图像-文本到文本的转换。该模型定位为多模态模型，具有无审查的特性，适用于需要生成丰富文本内容的应用。其核心技术包括MoE架构和Qwen3.5-35B-A3B基座模型，支持多语言，上下文长度大，参数量高。在性能上，该模型在多个基准测试中表现出色，尤其在图像-文本转换任务中具有显著优势。主要应用场景包括内容生成、图像描述等。该模型开源，硬件需求较高，推理效率中等。
FireRedTeam/FireRed-Image-Edit-1.1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。其核心技术基于diffusers库，采用image-to-image的pipeline，支持多种语言。该模型在图像编辑任务上表现出色，具有丰富的功能，如风格迁移、图像修复等。在性能方面，虽然没有具体的基准测试结果，但根据其下载量和点赞数，可以推测其在社区中具有一定的认可度。主要应用场景包括图像编辑、艺术创作等，使用时需考虑其开源协议Apache-2.0，以及与流行推理框架的兼容性。
这篇论文提出了一种名为WaDi的图像合成蒸馏框架，通过分析单步扩散模型与多步扩散模型之间的权重方向变化，提出了一种低秩旋转权重方向的参数高效适配器LoRaD，并将其集成到变分得分蒸馏中，实现了参数效率高且性能优异的单步图像合成。
这篇论文提出了CREATE，一个用于评估大型语言模型（LLM）关联创造力的基准。CREATE要求模型生成连接概念路径，这些路径需要具有高度特异性和多样性。论文通过实验表明，即使在高token预算下，CREATE也能有效区分不同模型的创造力，并指出当前方法在提高模型关联创造力方面仍有提升空间。
这篇论文研究了预训练模型中任务专家的分布情况。作者发现，在大型、预训练良好的模型中，任务专家的密度显著增加，使得多样化的任务改进专家占据了预训练权重附近的大量区域。基于这一发现，论文提出了一种简单、完全并行的后训练方法，通过随机采样参数扰动并选择最佳扰动来提高模型性能。
这篇论文提出了RubiCap，一种基于奖励信号引导的强化学习框架，用于密集图像描述。RubiCap通过从大型语言模型（LLM）编写的评分标准中提取细粒度、样本特定的奖励信号，解决了传统强化学习在开放式描述任务中的局限性，实现了比监督蒸馏、先前强化学习方法、人工专家标注和GPT-4V增强输出更高的性能。
这篇论文提出了MR-Search，一种结合自我反思的情境元强化学习（RL）方法，用于增强搜索代理的搜索策略。MR-Search通过在每次回合后生成自我反思，并将其作为额外上下文来指导后续尝试，从而在测试时促进更有效的探索。该方法通过多回合RL算法估计回合级别的密集相对优势，实现了对每个回合的精细信用分配。实验结果表明，MR-Search在各种基准测试中优于基于RL的基线，显示出强大的泛化能力和相对改进，平均提升9.2%至19.3%。
这篇论文提出了SurvHTE-Bench，一个用于生存分析中异质处理效应估计的综合基准。它通过提供合成数据集、半合成数据集和真实世界数据集，对不同的生存分析HTE方法进行了严格的比较，旨在建立公平、可重复和可扩展的评估框架。
这篇论文提出了PACED框架，通过优化知识蒸馏过程中的梯度信号与噪声比，专注于学生模型能力的前沿区域，从而提高模型在知识蒸馏过程中的性能。PACED通过调整传递率权重，使得知识蒸馏更加高效，并在多个实验中展示了其在标准推理基准上的显著改进。
这篇论文提出了HyPER-GAN，一种基于混合补丁的图像到图像翻译方法，旨在提高实时图像的真实感。该方法通过结合合成图像和真实世界图像的匹配补丁进行训练，以增强视觉真实感和语义一致性，同时保持低延迟。
这篇论文研究了视觉-语言-动作（VLA）模型的持续强化学习（CRL），发现简单的序列微调（Seq. FT）结合低秩适应（LoRA）能够有效防止灾难性遗忘，实现持续学习。通过在三个模型和五个长期强化学习基准上的系统研究，论文证明了这种方法在保持模型稳定性和可塑性的同时，提高了零样本泛化能力。
这篇论文提出了一种名为Dr. SHAP-AV的框架，通过Shapley值分析在音频-视觉语音识别（AVSR）中的模态贡献。该框架通过全局SHAP、生成SHAP和时序对齐SHAP三种分析方法，揭示了模型在噪声环境下对视觉和音频信息的依赖关系，并指出信噪比是影响模态权重的主要因素。
这篇论文通过应用贝叶斯结构时间序列因果推断方法，分析了印度尼西亚莫罗瓦利工业园区镍加工扩张对近岸水浑浊度变化的影响，揭示了工业扩张对海洋环境的影响，并提出了一个适用于数据有限的热带沿海工业场所的因果影响评估框架。
这篇论文提出了一种名为Omnivorous Vision Encoder的新框架，旨在解决预训练视觉编码器在不同模态特征表示上对齐不佳的问题。该框架通过双重目标训练，使编码器能够生成一致的强大嵌入，无论输入模态是RGB、深度、分割等，从而实现鲁棒的跨模态理解和保留原始基础模型的可区分语义。
这篇论文提出了XSkill，一个针对多模态智能体的持续学习框架，通过从经验中学习工具选择和决策，以及从技能中学习任务规划和工具使用，以解决开放环境中智能体工具使用低效和编排不灵活的问题。
这篇论文提出了Neural Field Thermal Tomography (NeFTY)，一种基于可微物理框架的3D材料属性定量重建方法。NeFTY通过参数化3D扩散场为连续的神经网络场，并利用可微物理求解器强制执行热力学定律，从而在保持高分辨率3D断层扫描内存效率的同时，有效解决传统热成像和软约束PINNs在瞬态扩散场景中的问题。
这篇论文提出了一种使用神经网络细胞自动机（NCA）进行语言模型预训练的新方法。通过生成合成、非语言数据，该方法旨在解决自然语言预训练中的问题，如数据有限、包含人类偏见和知识推理的纠缠。实验表明，在仅使用164M NCA标记进行预训练的情况下，可以显著提高下游语言模型的性能，并加速收敛。
这篇论文提出了一种名为4DEquine的新框架，用于从单目视频中重建马匹的4D模型。该框架通过解耦运动和外观的重建问题，分别对动态运动和静态外观进行重建，使用时空变换器和前馈网络，并在合成数据集上实现了最先进的性能。
这篇论文研究了在FP4量化大型语言模型（LLM）训练中，均值偏差带来的影响。作者发现，由于低精度训练导致的数值不稳定性，主要是由一个一阶均值偏差引起的，该偏差是LLM表示中光谱各向异性的主要组成部分。论文提出通过简单的均值减法操作消除这种不稳定性，从而在低精度下实现稳定的LLM训练。
这篇论文提出了一种名为DVD的确定性视频深度估计框架，通过将预训练的视频扩散模型转换为单次传递的深度回归器，解决了现有视频深度估计中生成模型和判别模型的权衡问题。DVD通过重新利用扩散时间步作为结构锚点、使用潜在流形校正（LMR）和全局仿射一致性等技术，实现了高精度和鲁棒的视频深度估计。
这篇论文提出了一种自动生成高性能强化学习环境的通用方法，通过使用通用提示模板、分层验证和迭代代理辅助修复，以低计算成本产生语义等效的高性能环境。该方法在多个环境中实现了性能提升，包括直接翻译现有环境、验证现有性能实现以及创建新环境。
这篇论文提出了一种名为Accent Vector的技术，通过在非英语母语的语音数据上微调TTS系统，并计算反映口音特征的向量，实现了在多语言TTS中无需使用带口音的训练数据的情况下进行口音操控。这种方法可以精细控制口音强度，并生成混合口音的语音，同时也能跨语言应用。
暂无摘要
商汤科技与南洋理工大学合作推出了NEO-unify，这是一种端到端原生多模态统一模型，旨在直接处理原始像素和文本输入，摆脱传统多模态AI中视觉编码器和变分自编码器的依赖，实现文本和视觉的统一学习，并展现出高数据扩展效率。
NVIDIA的AI-Q深度研究代理在DeepResearch Bench I和II两个主要基准测试中均取得了第一名，标志着开放、可移植的深度研究迈出了重要一步。AI-Q是一个开源的AI代理构建蓝图，能够处理企业级和Web数据，提供完全开放和模块化的架构，企业可以拥有、检查、定制和配置。该代理采用多代理架构，包括规划者、研究员和协调者，基于NVIDIA的NeMo Agent Toolkit和微调的NVIDIA Nemotron 3 Super模型。
暂无摘要
本文介绍了名为“abliteration”的技术，该技术可以取消任何大型语言模型（LLM）的审查机制，使其能够响应所有类型的提示。这项技术通过修改模型权重来阻止模型拒绝请求，从而提高了模型的灵活性和响应能力。
NVIDIA 发布了多个开放数据集，旨在解决 AI 开发中的数据瓶颈，加速高质量 AI 模型和智能体系统的构建。这些数据集涵盖了多个领域，包括机器人、自动驾驶、主权 AI、生物学等，并提供了训练方案和评估框架，以促进整个生态系统的协作和创新。
Hugging Face 发布了 ALL Bench，一个旨在解决当前 AI 模型评估体系结构性问题的统一评估框架。该框架通过引入 5 轴智能框架和 3 层交叉验证系统，全面评估模型的各项能力，并强调元认知评估的重要性，以推动 AI 评估的标准化和可复现性。
NVIDIA发布了NVIDIA KGMON（NeMo Agent Toolkit）数据探索器，这是一种用于构建自主数据分析智能体的架构，旨在处理多步骤推理、工具调用和迭代数据分析。该架构在DABStep基准测试中排名第一，展示了其在复杂数据分析任务中的高效性和准确性。
暂无摘要
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。
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。
Kanon 2 Reranker，一款专为法律领域检索增强生成（RAG）优化的重排模型，由Hugging Face发布。该模型在Legal RAG Bench上排名第一，性能优于其他领先模型，并支持无限上下文窗口。Kanon 2 Reranker与Kanon 2 Embedder结合使用，显著提升了法律信息检索性能，并通过Isaacus API提供，定价为每百万token 0.35美元。
NXAI 发布了其边缘计算时间序列模型 TiRex 的初步实验室结果，该模型在推理速度和能耗方面优于竞争对手 Chronos-2，预测质量略低但可接受。TiRex 被认为适合工业应用，并在多种边缘设备上进行了测试，包括工业 PC、树莓派和 NVIDIA Jetson 等。NXAI 正在开发 TiRex2，预计在未来几周内发布。
OpenMed项目在六个月内取得了显著进展，发布了380多个开源医疗AI模型，并推出了Python工具包和交互式终端用户界面。该项目旨在打破医疗AI领域的付费壁垒，为研究人员、临床医生和开发者提供高性能、可定制的工具。
这篇公告介绍了基于LLM的音频模型，如Orpheus、Spark-TTS等，这些模型通过简单的两部件系统（LLM和神经编解码器）实现了高质量的文本到语音转换（TTS）和其他音频处理任务，同时保持了可扩展性。
Hugging Face发布了Tucano 2，一套针对葡萄牙语的开源语言模型，旨在提高透明度、性能和可复现性。这些模型基于大规模的葡萄牙语语料库，包括教育、毒性和指令质量分类器，以及用于编码、工具调用、结构化输出、推理和数学的监督微调数据集。
暂无摘要
Pruna 0.3.2版本发布了，该版本引入了更多开源优化算法，包括新的编译器、内核、剪枝器以及全新的算法家族，如解码器、蒸馏器、增强器和恢复器。这些更新旨在提高模型优化效率和灵活性，同时提供了更多教程和代码库维护，增强了系统的稳定性和易用性。
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。
