精选 67 篇，从 280+ 条中筛选
Voxtral-4B-TTS-2603是一款专注于语音合成的LLM，定位为特定领域微调模型。其核心技术包括Transformer架构和Voxtral TTS模型，支持多语言和方言，具有低延迟和高性能的特点。在基准测试中表现出色，适用于客户支持、金融服务等多个场景。开源协议为CC BY-NC 4.0，对硬件要求较高，推理效率高。
CohereLabs的cohere-transcribe-03-2026模型定位为特定领域微调模型，专注于语音识别与转录任务。该模型采用自动语音识别技术，具有自动化的数据处理流程。技术特点包括Transformer架构和自动语音识别技术。性能方面，模型在Hugging Face排行榜上表现良好，具有高效的处理速度和准确的转录结果。主要应用场景包括语音转文本、会议记录等。该模型适合对语音识别和转录有较高要求的场景，具有较好的开源协议和硬件兼容性。
Chroma Context-1是一款基于gpt-oss-20b的20B参数的检索增强型模型，旨在提高检索效率和性能。该模型通过查询分解、并行工具调用和自我编辑上下文等特性，实现了在降低成本的同时，提供与前沿LLM相当的性能，且推理速度可快10倍。它适用于需要复杂查询和大量文档检索的场景，如法律、金融和Web搜索等。
TRIBE v2是一款多模态脑编码模型，结合了LLaMA 3.2（文本）、V-JEPA2（视频）和Wav2Vec-BERT（音频）等先进特征提取器，通过统一的Transformer架构预测自然刺激的fMRI脑响应。该模型在LLM生态中定位为多模态模型，具有独特的脑编码能力。技术特点包括多模态融合和Transformer架构。在性能上，模型在自然刺激的脑响应预测方面表现出色。主要应用场景包括神经科学研究和多模态内容分析。开源协议为CC BY-NC 4.0，对硬件需求较高，推理效率取决于具体应用。
Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF 是一个推理优化版本的大语言模型，专注于提高推理效率和准确性。该模型基于Qwen3.5-9B进行微调，结合了Claude 4.6 Opus风格的推理样本，特别强调在减少内部冗余循环的同时提升跨任务泛化能力。模型在推理速度和成本效益上有所提升，同时在基准测试中表现出色。适用于需要高效推理和准确性的场景，如代码生成、数学推理等。
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。
LongCat-Next是一款多模态的通用大模型，具有Transformer架构，支持任何到任何的管道。该模型在HuggingFace平台上拥有较高的下载量和点赞数，表明其在社区中受到认可。LongCat-Next在性能上表现出色，尤其在多模态任务上具有显著优势。其开源协议为MIT，适合在多种硬件和推理框架上使用。
nvidia/gpt-oss-puzzle-88B是一款由NVIDIA开发的推理优化大型语言模型，基于OpenAI的gpt-oss-120b模型，通过Puzzle架构搜索框架进行优化。该模型参数量约为88B，针对推理密集型工作负载进行优化，在NVIDIA H100-class硬件上表现出色。模型在长上下文和短上下文服务中均有优化，同时保持了较高的准确率。该模型适用于商业用途，具有高效的推理性能和广泛的适用场景。
Zeta 2是一款专注于代码编辑预测的领域大模型，基于ByteDance-Seed/Seed-Coder-8B-Base进行微调。该模型具有Transformer架构，支持文本生成、编辑预测等功能，适用于代码编辑和重构。模型在代码生成方面表现出色，特别适合开发者和代码编辑器使用。性能方面，未提供具体基准测试结果，但根据其设计，预计在代码相关任务上表现优异。开源协议为Apache-2.0，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。
🔥 unsloth/Qwen3.5-27B-GGUF 是一款通用大模型，具备强大的多模态处理能力。该模型基于Qwen3.5-27B进行微调，采用GGUF技术，实现了高效的混合架构。其上下文长度可达27B，参数量庞大，支持图像到文本的转换。在MMLU、GPQA等基准测试中表现出色，尤其在多模态理解和推理方面具有显著优势。适用于需要多模态交互和复杂推理的场景，如问答系统、内容生成等。
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。
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。
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。
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。
Qianfan-OCR是一款由百度Qianfan团队开发的4B参数端到端文档智能模型，定位为多模态模型。其核心技术为统一的视觉-语言架构，支持直接从图像到Markdown的转换，具有文档解析、布局分析和文档理解等功能。在OmniDocBench和OlmOCR Bench等基准测试中表现出色，尤其在文档解析和OCR任务上取得了领先成绩。该模型适用于文档智能处理、信息提取等场景，具有开源协议Apache-2.0，适合在多种硬件和推理框架上使用。
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。
Nemotron-Cascade-2-30B-A3B是一款开源的30B MoE模型，具备强大的推理和代理能力。该模型在数学和计算机科学竞赛中表现出色，具有推理和指令遵循模式。其核心技术包括MoE架构、强大的推理能力，以及针对特定数据集的微调。在基准测试中，该模型在数学推理任务中取得了优异成绩。适用于需要高级推理能力的应用场景，如数学问题解决和代码生成。
这篇论文研究了大型语言模型中思维链推理的忠实度，通过在多个公开推理模型上测试，发现模型在准确表达影响输出的因素方面存在差异，揭示了思维链推理作为安全机制的可行性问题。
这篇论文提出了一种名为“Learning to Commit”的框架，通过在线仓库记忆来提高基于大型语言模型（LLM）的编码代理生成代码的有机性。该框架通过对比学习历史提交，使代理能够生成符合项目特定规范和架构约束的代码更改。
Composer 2 是一个专为软件工程设计的模型，通过预训练和强化学习，提升了长期规划和编码能力，并在真实软件工程问题上的编码性能上取得了显著提升。
这篇论文提出了GenMask，一种直接通过直接掩码来训练DiT进行分割的方法，解决了传统分割方法中特征提取管道复杂和适应性问题，通过引入时间步长采样策略，实现了生成黑白分割掩码和彩色图像的和谐联合训练，并在分割基准测试中取得了最先进的性能。
这篇论文提出了RealChart2Code，一个基于真实数据的大规模基准，用于评估视觉语言模型在复杂图表生成方面的能力。该基准包含超过2800个实例，并首次系统地评估了从大规模原始数据生成图表以及多轮对话中的代码迭代优化。实验结果表明，与简单基准相比，视觉语言模型在处理复杂图表结构和真实数据方面存在显著性能下降。
这篇论文提出了自然语言代理 harness 的概念，旨在将代理的 harness 行为以可编辑的自然语言形式表达，并通过智能 harness 运行时（IHR）执行这些 harness，从而提高 harness 的可移植性、可比较性和可研究性。研究通过编码和计算机使用基准测试，评估了其操作可行性、模块消融和代码到文本 harness 迁移。
该论文提出了一种新的数据集KITScenes LongTail Dataset，用于端到端驾驶场景，专注于长尾驾驶事件。数据集包含多视角视频数据、轨迹、高级指令和详细的推理轨迹，以促进情境学习和少样本泛化。该数据集超越了安全性和舒适性指标，通过评估指令遵循和模型输出之间的语义一致性，为多模态模型如VLMs和VLAs提供了基准。
这篇论文提出了MedOpenClaw，一个可审计的运行时环境，允许视觉语言模型（VLMs）在标准的医学工具或查看器中动态操作，以处理未经过滤的完整医学影像研究。通过引入MedFlowBench，一个涵盖多序列脑部MRI和肺部CT/PET的完整医学影像基准，论文系统地评估了医学代理的能力，并揭示了当前最先进的LLMs/VLMs在拥有专业支持工具时性能下降的现象。
这篇论文介绍了Diffutron，一个专门为土耳其语设计的掩码扩散语言模型。该模型通过资源高效的训练流程，结合多语言编码器和渐进式指令调整策略，实现了在土耳其语文本生成中的非自回归能力，并在多个基准测试中展现出与现有大型模型相媲美的性能。
这篇论文提出了PackForcing，一种通过高效管理生成历史来克服自回归视频扩散模型在长视频生成中遇到的线性KV缓存增长、时间重复和累积错误等挑战的统一框架。该方法通过将历史上下文分为三类（锚点帧、中间帧和最近帧）并采用动态上下文选择机制，实现了对长视频的高效采样和长上下文推理。
这篇论文提出了Trace2Skill框架，通过分析大量执行经验，将轨迹局部经验提炼成可迁移的智能体技能，从而解决大型语言模型在复杂任务中技能生成的可扩展性和脆弱性问题。该方法通过并行子智能体分析多样化执行，并利用归纳推理将特定轨迹的教训整合到一个统一的技能目录中，显著提升了技能的迁移性和泛化能力。
这篇论文提出了Sommelier，一个可扩展的开源多轮音频预处理管道，旨在解决全双工语音语言模型（SLMs）在处理多说话人对话数据时的挑战，如重叠和回声。Sommelier通过改进数据预处理流程，减少了语音识别（ASR）的错误和对话识别（Diarization）的误差，从而提高了全双工模型的性能。
这篇论文提出了Know3D，一个结合视觉语言模型（VLM）知识进行3D生成的框架。通过将VLM的语义理解和指导注入到3D生成模型中，Know3D能够实现语言可控的3D资产背视图生成，解决了现有3D生成模型在生成未见区域时缺乏控制性和可能产生不合理几何形状的问题。
这篇论文提出了ShotStream，一种新的因果多镜头视频生成架构，用于交互式叙事。它通过将任务重新定义为基于历史上下文的下一镜头生成，实现了动态的交互式叙事和高效的即时帧生成。论文通过双重缓存机制和两阶段蒸馏策略，解决了自回归生成中的镜头一致性和错误累积问题，实现了亚秒级延迟的多镜头视频生成。
这篇论文提出了一种名为Hybrid Memory的内存机制，用于动态视频世界模型。该机制能够同时作为静态背景的精确档案和动态主体的警惕追踪者，确保在主体出镜期间的运动连续性。论文还构建了一个名为HM-World的大规模视频数据集，并提出了HyDRA内存架构，通过选择性关注相关运动线索，有效地保留了隐藏主体的身份和运动。
这篇论文提出了WAFT-Stereo，一种基于变形的立体匹配方法，通过仅使用变形而非成本体来提高立体匹配的效率。该方法在ETH3D、KITTI和Middlebury公共基准测试中排名第一，将ETH3D基准测试中的零样本误差降低了81%，同时比竞争方法快1.8-6.7倍。
这篇论文提出了Agentic Variation Operators (AVO)，一种新的进化变异算子，它使用自主编码智能体来替代传统的进化搜索中的固定变异、交叉和手工设计的启发式方法。AVO能够通过自我指导的循环，结合当前谱系、特定领域的知识库和执行反馈，来自主地提出、修复、评估和验证实现编辑。实验表明，AVO在多头注意力机制上优于现有的实现，并在GPU硬件上实现了性能提升。
这篇论文提出了一种基于强化学习的多答案生成方法，用于训练语言模型在推理过程中进行分布推理，以生成多个可能的答案及其置信度，从而解决现实世界中涉及多个有效答案的任务，如医学诊断和模糊问题回答。
这篇论文提出了一种名为ScratchMath的新型基准，用于分析和分类学生手写数学作业中的错误。该基准包含来自中国小学生和中学生的1720个数学样本，并支持错误原因解释（ECE）和错误原因分类（ECC）两个任务。论文评估了16个领先的MLLMs在ScratchMath上的表现，发现它们在视觉识别和逻辑推理方面与人类专家存在显著差距。
这篇论文提出了一种名为VFIG的视觉-语言模型，用于将复杂的图形从SVG格式转换为矢量图形。该模型通过引入一个大规模数据集VFIG-DATA，并采用粗到细的训练课程，实现了高保真度的图形到SVG的转换，同时通过VFIG-BENCH评估套件对转换结果进行评估。
Cohere Labs 发布了 cohere-transcribe-03-2026，这是一个拥有20亿参数的先进语音识别模型，在 Hugging Face 上以 Apache 2.0 许可证开源。该模型专为14种企业关键语言训练，包括中文普通话，实现了最先进的准确性，并具有高效率。它在英语识别方面在 Hugging Face Open ASR 排行榜上位居第一，在其他13种语言中也表现出色。
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。
WM Bench，一个针对世界模型认知智能的新基准测试，旨在评估模型是否真正理解其环境，而非仅仅渲染它。该基准测试通过感知、认知和具身三个核心支柱来评估模型，并引入了多个前所未有的评估类别，如自主情感升级和身体互换可扩展性。同时，WM Bench还发布了基线世界模型PROMETHEUS v1.0，以供社区参考和评估。
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。
本文介绍了作者Niels Rogge如何利用编码智能体Codex将VidEoMT模型贡献到Hugging Face的Transformers库中，强调了自2025年12月以来编码智能体在代码编写能力上的显著提升，以及如何通过提供清晰的提示和利用文件系统等方法，有效指导智能体完成模型移植等任务。
暂无摘要
暂无摘要
NVIDIA发布Nemotron 3 Nano 4B，这是Nemotron 3系列中最紧凑的成员，采用混合Mamba-Transformer架构，专为边缘设备部署优化，提供高效、准确的小型语言模型，支持FP8和Q4_K_M GGUF量化，旨在降低模型大小和VRAM使用，提高吞吐量和降低延迟。
这篇博客详细介绍了在Transformer模型中处理张量维度的重要性，包括矩阵乘法、嵌入层、位置编码、解码器层和注意力机制等关键概念，旨在帮助读者更好地理解Transformer架构。
SPEED-Bench是一个统一且多样化的基准测试，旨在解决大型语言模型（LLM）推断中推测解码（SD）评估碎片化且不具代表性的问题。它通过引入两个专用数据集拆分和一个统一测量框架，提供了一种评估SD在不同语义领域和实际服务环境下的性能的方法。
NVIDIA近日发布了Alpamayo 1.5模型，这是一个基于推理的自动驾驶汽车（AV）的开放平台，旨在提供更强大的推理模型、灵活的仿真工具和高质量的数据集。该平台包括文本引导的轨迹规划、灵活的多摄像头支持、用户问答等功能，并支持在更广泛的驾驶数据上进行评估。
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。
这篇公告讨论了G2P（Graphemes to Phonemes）在语音模型中的应用，提出通过G2P预处理可以压缩语音模型，减少模型和数据的规模，从而提高效率。文章还探讨了不同类型的G2P解决方案，包括基于查找表、规则和神经网络的方案，并强调了G2P在语音模型中的重要性。
暂无摘要
MiniMax AI 发布了Forge，一个可扩展的Agent强化学习框架和算法，旨在解决大规模Agent RL在系统吞吐量、训练稳定性和Agent灵活性之间的冲突。Forge通过灵活的系统架构、算法设计、优化的异步调度和极致的训练-推理效率，实现了对复杂现实世界Agent的大规模强化学习训练，并在MiniMax M2.5模型中取得了显著成果。
阿里巴巴Qwen团队发布了新一代基础模型Qwen3.5-397B-A17B，该模型采用混合注意力架构，结合了Gated Delta Networks和稀疏混合专家，并支持多模态输入和多种语言。Qwen3.5在推理、数学、知识遵循、代理、编码和视觉任务上表现出色，但并非在所有类别中都是最佳选择。
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
这篇Hugging Face博客文章介绍了状态空间模型（SSM）的基本概念，包括其在控制理论和深度学习中的应用。文章详细解释了SSM的三个视图：连续视图、递归视图和卷积视图，并讨论了它们各自的优势和局限性。
这篇论文提出了一种名为GUIDE的框架，通过实时网络视频检索和即插即用标注来解决GUI代理的领域偏差问题。该框架利用视频字幕分析进行语义解锁，并通过检索增强的自动化标注管道自动获取特定领域的专业知识，从而提高GUI代理在实际任务中的表现。
这篇论文提出了ProbGuard，一个针对大型语言模型（LLM）代理的主动运行时监控框架，通过概率风险预测来预测和预防安全违规。ProbGuard通过将代理执行抽象为符号状态，并从执行轨迹中学习离散时间马尔可夫链（DTMC）来建模行为动态。它能够在风险超过用户定义阈值时触发干预，从而提高LLM代理的安全性。
这篇论文提出了一种利用AI平台Hive，通过大语言模型驱动分布式进化过程来发现新的量子算法。该研究专注于量子化学中的基态问题，并发现了一种高效的量子启发式算法，解决了LiH、H2O和F2分子的基态问题，与最先进的近端量子算法相比，显著减少了量子资源的需求。此外，论文还进行了算法的可解释性研究，并确定了导致效率提升的关键函数。最后，在Quantinuum System Model H2量子计算机上对发现的电路进行了基准测试，确定了化学精度的最小系统要求。
这篇论文提出了一种基于测度论框架的上下文表示方法，将文本建模为语义嵌入空间上的概率测度，并引入了Sinkhorn Transformer来表示词语之间的上下文关系。通过一个通用逼近定理，证明了任何连续的语义关系耦合函数都可以由Sinkhorn Transformer以适当的参数进行逼近。
这篇论文提出了RealChart2Code，一个基于真实数据的大规模基准，用于评估视觉语言模型在复杂图表生成方面的能力。该基准包含超过2800个实例，并首次系统地评估了从大规模原始数据生成图表以及多轮对话中的代码迭代优化。实验结果表明，现有的视觉语言模型在处理复杂图表结构和真实数据时存在显著性能下降。
SkinGPT-X论文提出了一种自进化的多智能体系统，用于皮肤病学诊断，通过模拟皮肤科医生的诊断流程和连续的记忆进化，实现了透明和可靠的诊断，并通过实验验证了其在复杂和罕见皮肤病例管理中的优越性能。
这篇论文提出了AIRA_2，一种克服AI研究代理性能瓶颈的方法。它通过异步多GPU工作池、隐藏一致评估协议和ReAct代理来解决样本吞吐量限制、泛化差距和固定单轮LLM操作能力限制等问题。实验结果表明，AIRA_2在长时间搜索中显著提升了性能。
