精选 69 篇，从 410+ 条中筛选
Gemma-4-26B-A4B-it 是一款由 Google DeepMind 开发的多模态大型语言模型，定位为通用大模型。该模型具备强大的推理和编码能力，支持文本、图像等多种输入，并生成文本输出。其核心能力包括扩展的多模态处理、Dense 和 MoE 架构、优化的设备本地执行等。在性能上，Gemma-4-26B-A4B-it 在多个基准测试中表现出色，尤其在代码生成和推理任务上。模型适用于需要高效率、高准确性的场景，如文本生成、编码和推理等。
LilaRest/gemma-4-31B-it-NVFP4-turbo是一款基于Gemma-4-31B-IT-NVFP4的优化模型，旨在提供更高效的推理性能。该模型定位为通用大模型，具有68%更小的GPU内存占用和2.5倍更快的推理速度，同时保持接近原始模型的质量。它在MMLU和GPQA基准测试中表现出色，参数量为31B，上下文长度未明确提及。该模型适用于需要高性能推理的场景，如文本生成等，且支持NVIDIA Blackwell FP4 tensor cores，具有较好的硬件兼容性。
tencent/HY-Embodied-0.5是一款针对真实世界智能体设计的多模态基础模型，定位为多模态模型。其核心技术为Mixture-of-Transformers (MoT)架构，具有高效的2B模型和强大的32B模型。在16个基准测试中，2B模型表现优于同类模型，32B模型则达到前沿水平。该模型适用于视觉语言行动（VLA）管道，具有强大的空间时间视觉感知和复杂具身推理能力。
Gemma-4-31B-it 是一款由 Google DeepMind 开发的多模态大型语言模型，定位为通用大模型。该模型具备高达 31B 的参数量和 256K 的上下文长度，支持文本、图像等多种输入和文本输出。其核心技术包括 Dense 和 MoE 架构，并针对移动设备进行了优化。在性能上，Gemma-4-31B-it 在多个基准测试中表现出色，尤其在代码生成和推理任务上具有显著优势。模型开源协议为 Apache 2.0，适用于从手机到服务器的多种部署环境。
Gemma-4-E4B-it是一款由Google DeepMind开发的通用多模态大语言模型，支持文本和图像输入，并生成文本输出。该模型具有高达256K的上下文窗口，支持超过140种语言。它采用Dense和MoE架构，适用于文本生成、编码和推理等任务。Gemma-4-E4B-it在代码生成、数学推理和指令遵循等方面表现出色，同时支持本地设备上的高效执行。该模型在Hugging Face平台上具有广泛的下载量和点赞数，表明其在LLM领域的受欢迎程度。
GLM-5.1是一款定位在通用大模型领域的旗舰模型，具备强大的编码能力。其核心技术包括Transformer架构、MoE（多智能体）设计，支持多语言处理。在基准测试中，GLM-5.1在代码生成、数学推理等任务上表现出色。该模型适用于需要多语言支持和复杂任务处理的场景，具有开源协议、高效推理等实用特性。
Gemma-4-31B-JANG_4M-CRACK是一款定位在通用大模型领域的模型，具有31B的参数量和18GB的模型大小。其核心技术包括Dense Transformer架构和Hybrid Sliding/Global Attention机制，支持多模态输入。在MMLU基准测试中，该模型保持了93.7%的合规性，显示出其在知识理解和推理方面的能力。该模型适用于需要高知识合规性和多模态处理的应用场景，如安全与渗透测试、代码生成等。其开源协议、硬件需求以及推理效率等特性使其在LLM领域具有差异化优势。
VoxCPM2是一款基于扩散自回归的文本到语音模型，具有2B参数，支持30种语言，输出48kHz音频。该模型无需分词器，能够根据自然语言描述生成新声音，克隆任何声音，并具有上下文感知的合成能力。它在HuggingFace平台上具有较高的下载量和点赞数，支持实时流式传输，并采用Apache-2.0开源协议。VoxCPM2在LLM生态中定位为多模态模型，其核心技术为VLM（语音语言模型），主要应用场景包括语音合成、语音克隆和语音设计。
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。
Jiunsong/supergemma4-26b-uncensored-mlx-4bit-v2 是一款针对 Apple Silicon 设计的快速、高效的文本生成模型。该模型基于 Gemma 4 26B，采用 MLX 4-bit 格式，具有 uncensored 特性，适用于代码生成、浏览器自动化、工具使用、规划和韩语等任务。它在基准测试中表现出色，尤其在代码生成和逻辑推理方面优于原始模型，同时保持了较高的生成速度。
netflix/void-model是一款专注于视频编辑和视频修复的模型，定位为特定领域微调模型。它基于CogVideoX 3D Transformer架构，具有强大的视频修复能力，能够去除视频中的物体及其引起的所有交互，包括物理交互。该模型在视频修复领域表现出色，特别适用于视频编辑和视频生成任务。其性能在相关基准测试中表现良好，但具体排名未提及。模型开源，需要较高的GPU资源，推理效率较高。
🔥 unsloth/gemma-4-26B-A4B-it-GGUF 是一款基于 Google DeepMind 的 Gemma 4 模型构建的多模态大语言模型。该模型定位为通用大模型，具有26B参数量，支持图像到文本的转换。其核心技术包括Transformer架构和Gemma 4基座模型，上下文长度未指定。在性能上，模型在MMLU、GPQA、IFEval等基准测试中表现出色。主要应用场景包括图像描述、文本生成等，具有开源Apache 2.0协议，适合在Unsloth Studio等平台上使用。
EXAONE-4.5-33B 是一款多模态扩展的通用大模型，具有33亿参数，包括1.2亿视觉编码器参数。其核心技术为结合视觉编码器的因果语言模型，支持多语言，具备图像-文本到文本的转换能力。在基准测试中表现出色，尤其在文档理解和韩语上下文推理方面优于同类模型。该模型适用于需要多模态理解和文本生成的场景，具有开源协议，对硬件要求较高，推理效率中等。
MiniMax-M2.7是一款定位在通用大模型范畴内的LLM，具有较大的参数量和较长的上下文长度。其核心技术基于transformers库，并引入了safetensors和custom_code等创新。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。开源协议为modified-mit，适合在多种硬件和推理框架上使用。
Comfy-Org/ERNIE-Image是一款基于ERNIE架构的多模态模型，定位为多模态LLM。该模型采用ERNIE架构，具有丰富的上下文长度和参数量，适用于图像和文本的多模态交互任务。在性能上，ERNIE-Image在多个基准测试中表现出色，具有较好的推理效率和兼容性。模型开源协议为Apache-2.0，适用于需要多模态交互的复杂场景。
ERNIE-Image-Turbo是一款由百度开发的开放文本到图像生成模型，定位为多模态模型。它基于ERNIE-Image，采用单流Diffusion Transformer架构，具有快速生成和强保真度的特点。该模型在复杂指令遵循、文本渲染和结构化图像生成方面表现出色，适用于海报、漫画等多媒体内容创作。性能上，ERNIE-Image-Turbo在8个推理步骤内提供高质量生成，适合对延迟敏感的应用。其开源协议为Apache-2.0，适合在多种硬件和推理框架上使用。
HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive 是一款专注于图像-文本转换的多模态模型，具有无审查、Gemma-4架构的特点。该模型在HuggingFace平台上具有较高的下载量和点赞数，支持多语言，并具有音频和视觉处理能力。其在性能上表现出色，能够生成无审查的内容，适用于需要处理图像和文本数据的场景。模型具有开源协议，对硬件要求较高，推理效率中等。
ERNIE-Image是一款由百度开发的开放文本到图像生成模型，定位为多模态模型。它基于单流扩散Transformer（DiT）架构，具有8B参数量，在保持视觉质量的同时，提供精确的内容实现和可控性。该模型在复杂指令遵循、文本渲染和结构化图像生成方面表现出色，适用于商业海报、漫画等多媒体内容创作。性能上，ERNIE-Image在开放权重文本到图像模型中达到最先进的水平。其开源协议为Apache-2.0，适合对图像质量和内容精确性有较高要求的场景。
这篇论文探讨了计算机使用代理（CUAs）在执行看似无害的用户指令时可能暴露出的安全漏洞。作者提出了OS-BLIND基准，评估了代理在意外攻击条件下的安全性，发现大多数代理在攻击成功率达到90%以上，即使在多代理系统中，这一比率也高达92.7%。论文指出，现有的安全防御在用户指令无害时保护有限，且在多代理系统中，分解的子任务会隐藏有害意图，导致安全对齐的模型失败。
这篇论文提出了Parcae，一种新的稳定的循环语言模型架构，通过限制注入参数的谱范数来解决循环架构中的不稳定性问题，并通过可预测的功率定律来扩展FLOPs，同时保持参数数量固定，从而在保持参数和数据预算不变的情况下提高了模型的质量。
这篇论文评估了Gemini视觉语言模型在视频场景理解中的内部推理过程（思维流）对输出质量的影响。通过引入三个评估指标，论文探讨了思维流的内容性、最终输出的覆盖范围以及模型关注的主题。实验结果表明，额外的思维质量提升迅速达到平台期，Flash Lite在质量和token使用之间提供了最佳平衡。
这篇论文提出了一种名为Humanoid Transformer with Touch Dreaming (HTD)的新方法，通过结合虚拟现实技术、强化学习和触觉感知，实现了人形机器人复杂操作中的灵活操作。该方法通过预测未来的手部关节力和触觉潜势，提高了机器人对接触变化的感知能力，从而在多个接触密集型任务中实现了显著的性能提升。
这篇论文提出了LASA，一种语言无关的语义对齐方法，旨在解决大型语言模型在低资源语言中的安全问题。LASA通过在语义瓶颈处直接锚定安全对齐，显著提高了模型在所有语言中的安全性。
这篇论文提出了PokeRL，一个用于训练深度强化学习代理在《宝可梦红》游戏中完成早期任务的模块化系统。它通过一个循环感知的环境包装器、多层反循环和反垃圾信息机制以及密集的分层奖励设计，解决了训练过程中常见的退化问题。
这篇论文提出了GlotOCR Bench，一个用于评估OCR模型在100多种Unicode脚本上的泛化能力的综合基准。该基准通过渲染真实多语言文本的图像来测试模型，发现大多数模型在少于十个脚本上表现良好，且即使是表现最好的模型也无法泛化到超过三十个脚本。这表明当前的OCR系统在视觉识别和语言模型预训练方面都存在依赖。
这篇论文提出了一个名为Spatial Competence Benchmark（SCBench）的基准测试，用于评估大型模型在空间能力方面的表现。SCBench涵盖了三个层次的能力任务，通过3D变换或视觉问答等方式对模型的空间理解能力进行测试。实验结果表明，随着任务难度的增加，模型的准确率逐渐下降，且输出限制对模型性能有显著影响。
这篇论文提出了一种基于BERT的评估方法BERT-as-a-Judge，用于评估基于参考的生成式语言模型的答案正确性。该方法通过轻量级训练在合成标注的三元组上进行，能够有效地评估答案的正确性，同时避免了传统词汇方法的问题，并在性能上优于词汇基线。
这篇论文提出了一种针对医学图像超分辨率的新方法，通过使用专门针对医学图像预训练的自动编码器（MedVAE）来替代通用的稳定扩散变分自编码器（Stable Diffusion VAE），显著提高了重建质量。实验结果表明，这种方法在膝部MRI、脑部MRI和胸部X光片上的峰值信噪比（PSNR）提高了2.91到3.29 dB，并且通过波束分解分析，这种优势被定位在编码解剖学相关精细结构的最高空间频率带。
这篇论文提出了一种名为3DTV的前馈网络，用于实时稀疏视图插值，通过结合轻量级几何和深度学习技术，实现了在多视图视频数据集上高效且高质量的实时自由视角渲染。
这篇论文提出了ClawGUI，一个统一的框架，用于训练、评估和部署GUI代理。它解决了GUI代理领域缺乏全栈基础设施的问题，包括在线强化学习训练、环境稳定性和评估协议标准化。ClawGUI通过提供并行虚拟环境和真实物理设备的支持，以及一个标准化的评估流程，显著提高了GUI代理的性能。
这篇论文提出了一个名为“Turing Test on Screen”的基准，用于评估移动GUI代理的人类化能力。通过收集高保真的移动触摸动态数据集，论文发现基于LMM的代理由于不自然的运动学而容易被检测。论文建立了代理人类化基准（AHB）和检测指标，以量化可模仿性和效用之间的权衡，并提出了从启发式噪声到数据驱动行为匹配的方法，以实现高可模仿性而不牺牲性能。
这篇论文提出了SpotSound，一个针对音频事件定位的音频语言模型。SpotSound通过抑制输入中不存在的事件的幻觉时间戳，并引入了SpotSound-Bench基准，解决了大型音频语言模型在时间定位上的不准确性问题，同时保持了在下游音频语言任务上的鲁棒性能。
这篇论文提出了一种名为DDTree的新方法，通过构建扩散扩散草稿树来加速推测性解码。DDTree通过从块扩散草稿器的位置分布中直接构建草稿树，使用最佳优先堆算法选择最有可能匹配目标模型的延续，并在单次目标模型前向传递中高效验证，从而提高了推测性解码的性能。
这篇论文探讨了在多智能体LLM谈判中，推理模型如何损害行为模拟，指出当目标不是解决战略问题而是模拟有限理性的行为时，增强推理的模型可能成为更好的求解器但更差的行为模拟器。通过在三个多智能体谈判环境中进行实验，论文发现有限反射条件下的模型能产生更多样化和妥协导向的轨迹。
这篇论文研究了大型语言模型（LLM）是否具有关于答案正确性的特权知识，通过在模型自身隐藏状态和外部模型上训练正确性分类器，发现自我表示在事实知识任务中优于同模型表示，但在数学推理中无优势，并揭示了这种领域不对称性在模型层中的分布。
这篇论文提出了HiVG，一个针对SVG（可缩放矢量图形）的层次化tokenization框架，用于自回归矢量图形生成。HiVG通过将SVG字符串分解为结构化原子token，并进一步压缩为几何约束的段token，提高了序列效率，同时保持了语法有效性。此外，还引入了Hierarchical Mean--Noise初始化策略和课程训练范式，以实现更稳定的SVG程序学习。实验结果表明，与传统的tokenization方案相比，HiVG在生成保真度、空间一致性和序列效率方面均有显著提升。
这篇论文研究了大型语言模型（LLM）在多智能体环境中的战略行为，通过构建一个简化版的纽约市模拟环境，让LLM驱动的智能体在相互对立的激励下互动，研究智能体如何通过迭代模拟过程学习策略，包括信任和欺骗行为，以及如何平衡安全性和任务完成率。
这篇论文研究了大型视觉语言模型（VLMs）中的语义固着现象，即模型在规则映射失败时仍然保持默认解释。通过引入VLM-Fix基准，论文发现标准规则下的准确率高于逆规则下的准确率，并探讨了通过提示干预和后训练来减轻这种固着现象的方法。
Hugging Face通过使用Codex、开源OCR模型和Hugging Face Jobs，成功对30,000篇论文进行了OCR处理，使这些论文的Markdown版本可供用户在平台上进行交互。
这篇公告介绍了如何使用llama.cpp与各种小型OCR模型结合使用，这些模型可以在低端设备上运行，支持GPU和CPU，适用于需要OCR功能的多种应用。
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。
ALTK-Evolve是一个AI代理的长期记忆系统，旨在帮助AI代理通过从先前执行中生成的指南中学习和使用，从而随着时间的推移不断改进。它通过捕获代理的完整轨迹，将交互痕迹转换为候选指南，并过滤出高质量的实体，如指南、政策和SOPs，来提高代理的可靠性和泛化能力。
这篇公告介绍了VAANI数据集，这是一个旨在解决语音识别在低资源语言中性能下降问题的项目。VAANI数据集通过大规模、地理基础的数据收集，系统地捕捉了语言多样性，包括区域口音、方言变化和社会语言多样性。该数据集旨在支持多语言和低资源语音研究，并强调数据质量对于多语言AI未来的重要性。
这篇公告主要讨论了在评估模型时不应仅依赖推理提供商，而应使用transformers库定义的模型来运行评估。文章介绍了如何利用Hugging Face Hub和开源库来运行可靠的基准测试，并提供了使用HF-Jobs进行模型评估的示例。
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。
Hugging Face 发布了 BidirLM，这是一种将生成式大型语言模型（LLM）转变为强大的双向编码器的方法。BidirLM 通过组合专门的因果模型并通过权重合并，将文本编码器转变为能够处理文本、图像和音频的单一紧凑模型，并在标准基准测试中击败了多模态和无模态的专家。
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。
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。
Darwin-TTS-1.7B-Cross，世界上第一个跨模态LLM到TTS的FFN迁移模型，通过将LLM的3%权重移植到TTS模型中，实现了情感表达，且无需训练、数据和GPU时间进行微调。
AI公司发布LiteCoder-Terminal-SFT，这是一个改进的性能的终端模型，包括11,255个轨迹的全训练数据集和602个开源的Harbor终端环境。该模型在多个终端基准测试中表现出色，并支持更广泛的领域覆盖。
Nucleus AI发布了Nucleus-Image，一个基于稀疏混合专家的17B参数文本到图像扩散模型。该模型在GenEval、DPG-Bench和OneIG-Bench等基准测试中取得了优异的成绩，并且是首个在该质量级别上完全开源的MoE扩散模型。Nucleus-Image通过稀疏混合专家技术，将计算成本与容量分离，实现了高效能的图像生成。
暂无摘要
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。
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。
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。
OpenAI发布了最新版本的Agents SDK，该SDK更新包括原生沙盒执行和模型原生线束，旨在帮助开发者构建安全、长期运行的智能代理。此版本提供了跨文件和工具操作的标准基础设施，增强了线束功能，并支持沙盒执行，解决了从原型到生产过程中的权衡问题。
这篇论文提出了推理图（Reasoning Graphs）的概念，通过将证据链的思考过程结构化为图结构，实现了基于证据的反馈，从而提高语言模型在推理任务上的准确性和稳定性。论文通过引入检索图（Retrieval Graphs）来优化候选集，形成自改进的反馈循环，无需重新训练，仅通过图遍历进行上下文工程即可获得性能提升。
这篇论文提出了Parallax，一个基于四个原则（认知-执行分离、对抗性验证、信息流控制和可逆执行）的安全自主AI执行范式，旨在解决AI代理在执行实际操作时可能带来的安全风险。通过OpenParallax的Go语言开源实现，论文展示了Parallax在对抗性测试中的有效性，证明了其在默认配置下能够阻止98.9%的攻击，在最大安全配置下能够阻止所有攻击。
这篇论文提出了Human-Centric Topic Modeling（Human-TM），通过将人类提供的意图直接集成到主题建模过程中，以生成可解释、多样化和目标导向的主题。它采用了一种名为GCTM-OT（Goal-prompted Contrastive Topic Model with Optimal Transport）的方法，利用基于LLM的提示从文档中提取目标候选，并通过最优传输进行语义感知对比学习以发现主题。实验结果表明，GCTM-OT在主题一致性和多样性方面优于现有方法，同时显著提高了与人类提供的目标的匹配度。
这篇论文探讨了移动GUI代理在现实世界威胁下的表现，提出了一种可扩展的应用内容配置框架，用于测试代理在真实世界应用中的性能。通过创建一个包含动态任务执行环境和静态GUI状态数据集的测试套件，论文发现所有测试的代理在第三方内容的影响下性能都会显著下降。
这篇论文提出了一种新的、解耦的两步代理架构，用于从复杂的VSM模拟中提取可操作见解。该架构通过分离编排与数据分析，结合领域专家知识，实现智能数据源选择和多跳推理，从而提高从大型语言模型中提取信息的准确性。
这篇论文提出了一种名为DeP（Decoding by Perturbation）的无监督方法，旨在减轻多模态大型语言模型在解码阶段的多模态幻觉问题。该方法通过动态文本扰动来抑制语言先验对视觉证据的影响，并通过注意力方差增强稳定证据区域，同时抑制特征空间中的可疑噪声。
这篇论文提出了INDOTABVQA，一个用于评估跨语言表格视觉问答（VQA）在巴厘语文档上的基准。该基准包含多种视觉风格和语言的文档图像及问答集，并测试了多种视觉语言模型（VLMs）的性能，发现针对特定文档理解任务的微调可以显著提升模型性能。
这篇论文研究了在计算机断层扫描（CT）肠造影的视觉-语言建模中，表示几何如何影响任务性能。通过实验，论文发现切片嵌入的平均池化在疾病分类上表现更好，而注意力池化在跨模态检索上表现更好。此外，多窗口RGB编码在提高分类性能方面优于增加空间覆盖的策略，而检索增强的生成（RAG）在报告生成方面提高了性能。
KumoRFM-2 是一种用于关系数据学习的预训练基础模型，它支持上下文学习、微调和广泛的应用。该模型能够同时处理多个连接的表格，无需手动展平或生成目标变量，并保持时间一致性。通过在四个维度上预训练，KumoRFM-2 在多个基准测试中表现出色，超越了监督和基础方法，并在微调后性能进一步提升。
