精选 60 篇，从 2 条中筛选
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。
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。
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。
MOSS-TTS-Nano是一款开源的多语言小型语音生成模型，定位为特定领域微调模型。其核心技术包括轻量级的Transformer架构和0.1B的参数量，适用于实时语音生成。性能上，模型在HuggingFace平台上下载量超过33,394次，获得了140个点赞。主要应用场景包括本地演示、Web服务和轻量级产品集成。模型具有开源Apache-2.0协议，支持多种语言，适合对硬件要求不高的场景。
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。
Qwen3.6-35B-A3B是一款专注于代码生成的LLM，具有35B参数和10倍MoE结构，支持长达1,010,000个token的上下文。其核心能力在于Agentic Coding和Thinking Preservation，通过优化前端工作流程和推理上下文，提升开发效率。在性能上，模型在代码生成任务中表现出色，具有较好的稳定性和实用性。开源协议为Apache-2.0，与Hugging Face Transformers兼容。
🔥 unsloth/Qwen3.6-35B-A3B-GGUF 是一款基于 Qwen3.6-35B-A3B 的开源模型，专注于图像到文本的转换。该模型定位为通用大模型，具有35B参数量和A3B架构，支持多模态输入。它在性能上表现出色，尤其在图像到文本转换任务中具有显著优势。模型采用Apache-2.0开源协议，适用于多种硬件平台，推理效率高，与vLLM等框架兼容。
tencent/HY-World-2.0是一款专注于3D世界重建、生成和模拟的多模态世界模型。该模型定位为多模态模型，具有独特的图像到3D的转换能力。其核心技术包括世界模型、3D建模和图像处理。在性能表现上，模型在相关基准测试中表现出色，具有高效的开源协议和良好的硬件兼容性。主要应用场景包括3D内容创作、虚拟现实和增强现实。
ERNIE-Image-Turbo-GGUF是一款基于ERNIE-Image-Turbo的文本到图像生成模型，定位为多模态模型。它采用GGUF量化技术，通过Unsloth Dynamic 2.0方法实现SOTA性能。模型具有高精度的重要层，并使用ComfyUI-GGUF工具。在性能上，ERNIE-Image-Turbo-GGUF在权威基准测试中表现出色，具有高效的推理速度和良好的内容生成能力。适用于需要快速、高保真图像生成的场景。
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。
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。
Nucleus-Image是一款基于稀疏混合专家（MoE）扩散变换器架构的文本到图像生成模型，定位为多模态模型。其核心技术包括稀疏MoE架构，参数量高达17B，但每个前向传递仅激活约2B参数，实现了高效能。在GenEval、DPG-Bench和OneIG-Bench等基准测试中，Nucleus-Image的性能与Qwen-Image、GPT Image 1等领先模型相当。该模型开源，支持多种输出尺寸，适用于图像生成等场景。
OBLITERATUS/gemma-4-E4B-it-OBLITERATED是一款专注于文本生成的通用大模型，基于Google的Gemma 4 E4B模型，通过OBLITERATUS技术进行强化。该模型具有极高的 uncensored 特性，拒绝率几乎为零，同时在代码生成能力上有所提升。模型在训练数据上进行了扩展，增加了多个类别，包括药物合成、黑客攻击、武器等。性能上，相较于原始模型，OBLITERATED v2在拒绝率上有了显著提升，同时在代码生成能力上有所增强。
Lyra-2.0是一款专注于生成持久、可探索的3D世界的框架，属于多模态模型。其核心技术包括长程视频合成和3D重建，具有强全局几何一致性。性能方面，Lyra-2.0在单图像3D场景生成领域达到新水平。模型定位为多模态模型，主要应用场景为3D世界生成和探索。其开源协议为NVIDIA内部科学研究与发展模型许可，硬件需求较高，推理效率依赖于具体应用。
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。
HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive 是一款基于 Qwen3.6-35B-A3B 的开源多模态模型，专注于图像-文本到文本的转换。该模型具有无审查的特性，能够生成完整的内容，适用于需要无限制文本生成的场景。模型定位为多模态模型，具有强大的文本生成能力，特别适合于需要处理图像和文本信息的任务。技术特点包括基于Qwen3.6-35B-A3B的架构，无审查的生成能力，以及多语言支持。在性能上，模型在图像-文本到文本转换任务中表现出色，但未提供具体的基准测试结果。实用考量方面，模型开源，适用于多种硬件平台，但具体推理效率取决于硬件配置。
这篇论文提出了Value Gradient Flow (VGF)，一种用于行为正则化强化学习的新方法。VGF通过将行为正则化强化学习视为最优传输问题，将参考分布映射到价值诱导的最优策略分布，并通过离散梯度流解决传输问题。这种方法消除了显式的策略参数化，同时保持了表达性和灵活性，从而实现了自适应测试时间缩放。实验表明，VGF在离线强化学习和语言模型强化学习任务上取得了最先进的结果。
这篇论文提出了一种无条件3D逆变换方法，用于处理生成模型在处理非分布数据时的不敏感性。通过分析生成模型的采样轨迹，论文发现即使模型对文本提示不敏感，也能通过其无条件的生成先验来表示和生成复杂几何形状，从而实现更鲁棒的基于文本的3D形状编辑。
这篇论文提出了Three-Phase Transformer（3PT），一种针对解码器仅Transformer的残差流结构先验。该方法通过将隐藏向量划分为N个等大小的循环通道，并使用相位尊重的操作来提高Transformer的性能。
这篇论文提出了一种基于最优传输理论（Optimal Transport）的在线增量学习框架（MMOT），用于培养在线增量学习中的潜在空间。该方法通过动态地更新潜在空间中的中心点来适应数据分布的变化，同时设计了一种动态保护策略来维持类别的可分离性，从而提高了对复杂数据流的表征和学习新任务时的样本相似性估计。
这篇论文提出了一种通过自监督指导来增强视觉指令微调的方法，通过将旋转预测、颜色匹配和跨视图对应等经典自监督前缀任务重新表述为图像-指令-响应三元组，从而在不依赖视觉证据的情况下提供监督。这种方法不需要人工标注、架构修改或额外的训练阶段，通过在训练数据分布中进行简单的调整，可以显著提高视觉语言模型在视觉中心任务上的性能。
暂无摘要
暂无摘要
暂无摘要
暂无摘要
暂无摘要
暂无摘要
暂无摘要
暂无摘要
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
NVIDIA发布了NVIDIA Isaac GR00T N1.7，这是一个开源的商业许可Vision-Language-Action模型，用于人形机器人。该模型基于人类数据，旨在提高机器人智能的可扩展性，并支持多步骤任务推理和精细操作。
easyaligner是一个用于文本和音频对齐的库，旨在简化对齐过程，提高灵活性和性能。它支持多种应用，包括创建交互式阅读体验、章节导航、关键词搜索、议会辩论记录的访问性以及AI模型训练数据集的创建。
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。
本文详细介绍了如何使用PyTorch和Hugging Face工具微调大型语言模型（LLM），以将英文翻译成尤达语（Yoda-speak）。通过量化模型、设置低秩适配器（LoRA）、格式化数据集以及使用Hugging Face的`trl`库中的`SFTTrainer`进行监督式微调，展示了整个过程。LoRA技术允许在量化模型上进行高效训练，显著减少了可训练参数的数量，使其仅占原始大小的1%或更少，从而能在资源有限的消费级GPU上进行训练。
这篇公告深入解析了DeepSeek-R1，解释了如何通过PPO和GRPO算法理解强化学习，无需任何先前的强化学习知识。文章通过类比学校考试场景，详细介绍了奖励机制、价值函数、剪辑操作、参考模型和GRPO算法的工作原理。
这篇公告详细记录了一位AI技术分析师在训练Action Chunking Transformer (ACT)模型上的经历，包括遇到的挑战、解决方案和经验教训。文章描述了如何使用SO-101机器人进行数据收集和训练，以及如何通过改进硬件设置、数据收集流程和评估流程来提高模型的性能。
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。
