精选 69 篇，从 770+ 条中筛选
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。
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。
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。
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。
Bonsai-8B-GGUF-1bit 是一款基于 llama.cpp 的端到端 1 位语言模型，具有高效率、低能耗的特点。该模型定位为通用大模型，采用 1 位权重和 GGUF Q1_0_g128 格式，参数量仅为 1.15 GB，适合在多种平台上运行。其在 6 个类别上的平均得分为 70.5，与全精度 8B 模型相当，但体积缩小了 14 倍。该模型适用于需要高性能和低功耗的场景，如移动设备和边缘计算。
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。
microsoft/harrier-oss-v1-0.6b 是微软开发的多语言文本嵌入模型，定位为通用大模型。该模型采用仅解码器架构，具有高维嵌入和L2归一化技术，适用于检索、聚类、语义相似度等任务。在Multilingual MTEB v2基准测试中取得优异成绩。模型具有大规模参数量，支持多种语言，适用于需要多语言能力的场景。开源协议为MIT，硬件需求较高，推理效率良好。
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。
LiquidAI/LFM2.5-350M是一款针对边缘设备部署的混合模型，具有350M参数量，支持多种语言。该模型在性能上与更大规模的模型相媲美，同时具备快速边缘推理能力。它采用了扩展的预训练和强化学习方法，具有16层结构，上下文长度为32,768 tokens。在性能表现上，该模型在MMLU、GPQA、IFEval等基准测试中表现出色。主要应用场景包括边缘设备上的自然语言处理任务，如文本生成、问答等。其开源协议、硬件需求以及与流行推理框架的兼容性使其在实用考量方面具有优势。
🔥facebook/sam3.1是一款热门的通用大模型，具有强大的多模态处理能力。该模型采用Transformer架构，上下文长度可达3.1K，参数量庞大，训练数据丰富。在MMLU、GPQA等基准测试中表现优异，尤其在代码生成和数学推理方面具有显著优势。开源协议为Apache-2.0，硬件需求较高，推理效率良好，兼容主流推理框架。
Holo3-35B-A3B是一款专注于GUI Agent的视觉语言模型，属于多模态模型类别。该模型采用35B参数的稀疏MoE架构，基于Qwen3.5-35B-A3B进行微调，具有强大的视觉理解和文本推理能力。在OSWorld-Verified基准测试中达到77.8%的分数，展现出在计算机使用和网页导航方面的卓越性能。模型适用于需要多模态交互和复杂推理的场景，如企业级应用和智能导航系统。
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。
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。
这篇论文提出了OmniRoam，一个可控的全景视频生成框架，通过利用全景表示的丰富帧间场景覆盖和内在的长期空间和时间一致性，实现了长距离场景漫游。该框架通过预览阶段和细化阶段生成高分辨率视频，并引入了两个全景视频数据集进行训练，实验结果表明其在视觉质量、可控性和长期场景一致性方面优于现有方法。
这篇论文提出了一种名为MPDiT的多块全局到局部Transformer架构，用于高效匹配流和扩散模型。该架构通过在早期块中使用大块来捕捉粗略的全局上下文，而在后期块中使用小块来细化局部细节，从而减少了计算成本，同时保持了良好的生成性能。
TokenDial论文提出了一种通过时空标记偏移实现文本到视频生成模型中连续属性控制的框架。该框架通过在中间时空视觉块标记空间中添加偏移量，实现了对视频外观和运动动态的精确控制，而无需重新训练基础模型。该方法利用预训练的理解信号，如语义方向匹配和运动幅度缩放，实现了比现有基线更强的可控性和更高的编辑质量。
这篇论文提出了一种使用检索增强语言模型来量化移植指导文件中机构间差异的方法。通过将相同患者问题置于不同中心的指南手册中，并使用五标签一致性分类法比较结果，论文量化了四个维度的异质性：问题、主题、器官和中心。实验结果表明，20.8%的非空成对比较显示出具有临床意义的差异，主要集中在条件监测和生活方式主题上。
这篇论文研究了大型语言模型在推理过程中如何被表面启发式所影响，即使这些启发式与未声明的可行性约束相冲突。通过分析“汽车清洗问题”和构建Heuristic Override Benchmark（HOB），论文揭示了模型在处理约束推理时的系统性漏洞，并提出了改进方法。
这篇论文提出了WorldFlow3D，一种能够生成无界3D世界的创新方法。它通过在3D数据分布中流动来建模3D生成，不限于条件去噪，从而生成因果和准确的3D结构。该方法能够快速收敛，并支持通过向量化的场景布局条件来控制几何结构和视觉纹理，同时验证了其在真实数据和合成场景中的有效性和泛化能力。
这篇论文提出了一种名为TAP-GPT的表格型LLM框架，用于基于少量样本的多模态生物医学数据预测阿尔茨海默病。该框架基于TableGPT2，通过表格提示进行微调，并在多个数据集上显示出优于传统机器学习方法的性能。
这篇论文提出了一种名为Colon-Bench的代理工作流程，用于在完整结肠镜检查视频中实现可扩展的密集性病变标注。该流程结合了时间提案、边界框跟踪、AI驱动的视觉确认和人工审核，以大规模标注视频。Colon-Bench包含大量数据，用于评估现代多模态大型语言模型（MLLMs）在病变分类、开放词汇视频对象分割（OV-VOS）和视频视觉问答（VQA）方面的性能。
这篇论文提出了CREval，一个用于在复杂指令下进行创意图像操作的自动可解释评估框架。CREval通过一个基于问答的评估流程，解决了现有评估方法在复杂和创意编辑任务中缺乏系统性和人类对齐框架的问题，并通过CREval-Bench提供了一个全面的基准，用于评估创意图像操作的性能。
这篇论文提出了Falcon Perception，一个统一的密集Transformer模型，它通过混合注意力模式结合全局视觉上下文和自回归、可变长度的实例生成，实现了图像和文本的早期融合处理。该模型在保持轻量级的同时，提高了掩码质量，并在OCR任务上取得了显著的性能提升。
这篇论文提出了BizGenEval，一个针对商业视觉内容生成的系统性基准，它评估了图像生成模型在文本渲染、布局控制、属性绑定和基于知识的推理等方面的能力，并通过大量实验揭示了当前生成模型与专业视觉内容创作需求之间的能力差距。
这篇论文提出了TrajectoryMover，一种用于生成视频中的物体轨迹移动的方法。它通过引入TrajectoryAtlas数据生成管道和视频生成器，解决了在视频中移动物体轨迹的难题，同时保持了视频的合理性和身份。
这篇论文对超过1000个开放获取的医学影像数据集进行了全面调查，提出了一个元数据驱动的融合范式（MDFP），以整合公共数据集，并发布了一个交互式发现门户，旨在促进医学影像数据集的整合，支持更快的发现、更原则性的数据集创建和更强大的医学基础模型开发。
这篇论文提出了一种名为Flickerformer的基于Transformer的架构，用于去除短曝光摄影中的闪烁伪影。该架构通过融合周期性和方向性特征，有效去除闪烁而不引入鬼影，显著提升了图像质量。
这篇论文提出了一种名为Abstract Compression的方法，用于压缩对话音频上下文，以提高基于LLM的语音识别系统的性能。该方法通过用学习到的潜在标记替换先前对话的音频部分，同时保留相应的文本，从而减少处理成本，同时保持上下文信息。
这篇论文提出了一种从大型语言模型中提取人类对隐私敏感度评估的方法，通过将Mistral Large 3的隐私评估能力蒸馏到轻量级编码器模型中，实现了在保持与人类标注高度一致的同时，显著降低计算需求，从而为大规模隐私保护的自然语言处理提供了一种实用的评估指标。
这篇论文提出了Ghost-FWL，一个大规模的全波形激光雷达数据集，用于鬼影检测和去除。该数据集包含24K帧和750亿个峰值级别的注释，旨在解决移动LiDAR数据中鬼影去除的挑战，通过利用全波形激光雷达技术来提高3D映射和定位的准确性。
这篇论文提出了ArtHOI，一个基于优化的框架，用于从单目RGB视频中重建手部与可动物体的4D交互。它通过整合和细化多个基础模型中的先验知识，解决了现有方法在处理可动物体和4D重建时的限制。
这篇论文提出了daVinci-LLM，一个结合工业规模资源和研究自由的预训练模型，通过开放的数据处理流程、训练过程和探索结果，采用数据达尔文主义框架和两阶段自适应课程，系统地探索了预训练的深度、饱和动态和评估协议对模型能力的影响。
这篇论文提出了MonitorBench，一个用于评估大型语言模型（LLM）中思维链（CoT）可监控性的全面基准。MonitorBench提供了多样化的测试实例和压力测试设置，以量化CoT可监控性的降低程度，并揭示了CoT可监控性与模型能力之间的关系。
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。
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。
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。
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。
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。
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。
暂无摘要
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。
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。
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。
暂无摘要
NVIDIA NeMo Retriever团队发布了新一代的智能体检索管道，该管道在多个基准测试中取得了优异的成绩，展示了其在通用性、超越语义相似性检索方面的优势，并采用了ReACT架构和进程内线程安全的单例检索器，以提高速度和可扩展性。
暂无摘要
Gradient Labs发布了一款基于GPT-4.1和GPT-5.4 mini/nano模型的AI账户经理服务，旨在为银行客户提供高效、准确的金融支持工作流程自动化。该服务通过混合架构和强大的安全防护系统，解决了银行客户服务中的复杂问题，如欺诈和支付冻结，同时显著提升了客户满意度和公司收入。
这篇论文提出了ULTRAG，一个通用的知识图谱检索增强生成框架，通过为大型语言模型（LLMs）提供现成的神经查询执行模块，实现了在知识图谱问答（KGQA）任务上的高性能，同时无需对LLM或执行器进行重新训练。
这篇论文介绍了Mimosa框架，一个用于科学研究的自适应多智能体系统。Mimosa通过自动合成特定任务的智能体工作流程，并通过实验反馈迭代优化这些工作流程。它利用模型上下文协议（MCP）进行动态工具发现，通过元协调器生成工作流程拓扑，通过代码生成智能体执行子任务，并使用基于LLM的评分器对执行进行评分。实验表明，Mimosa在ScienceAgentBench上取得了43.1%的成功率，超越了单智能体基线和静态多智能体配置。
这篇论文提出了一个基于范畴论的比较框架，用于描述、比较和分析不同的通用人工智能（AGI）架构，旨在为AGI系统提供一个统一的代数和范畴论形式化基础，并支持定义和评估架构属性。
这篇论文提出了TSHA，一个用于视觉语言模型在可信安全危害评估场景中的基准。TSHA通过包含真实世界环境中的数据集来解决现有基准的局限性，并通过实验表明，基于TSHA训练的模型在安全危害评估方面有显著的性能提升。
PolarQuant是一种针对大型语言模型（LLM）的权重量化方法，通过Hadamard旋转优化高斯权重量化，实现近似无损压缩。该方法通过块状归一化、Hadamard旋转和匹配高斯分布的量化中心，显著降低了模型的复杂度，同时保持了良好的性能。
这篇论文提出了ASI-Evolve，一个用于AI加速AI发展的代理框架。该框架通过学习-设计-实验-分析循环，结合认知基础和专用分析器，实现了在数据、架构和学习算法三个核心AI发展组件上的AI驱动发现。实验结果表明，ASI-Evolve在神经架构设计、预训练数据整理和强化学习算法设计方面均取得了显著性能提升。
这篇论文提出了IMAGAgent，一个基于“计划-执行-反思”闭环机制的图像编辑代理框架，通过视觉语言模型（VLM）和大型语言模型（LLM）实现指令解析、工具调度和自适应校正的深度协同，有效解决了多轮图像编辑中的错误累积和语义漂移问题。
这篇论文提出了UniAI-GraphRAG，一个基于GraphRAG的增强框架，旨在解决RAG系统在复杂推理、多跳查询和领域特定问答中的挑战。它通过本体指导的知识提取、多维社区聚类策略和双通道图检索融合等方法，提高了检索性能和问答准确性。
Kwame 2.0 是一个基于检索增强生成的人工智能教学助手，旨在为非洲大规模在线编码教育提供及时准确的学习支持。它通过在 SuaCode 平台上部署，结合了人类监督和社区参与，实现了对课程材料的检索和上下文感知的响应生成，有效帮助了资源受限环境下的学习者。
