精选 69 篇，从 720+ 条中筛选
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。
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。
OpenAI Privacy Filter是一款专注于个人身份信息（PII）检测和屏蔽的token-classification模型，适用于高吞吐量数据清洗工作流程。该模型具有小型化、可微调、长上下文处理和运行时控制等特点，适用于需要快速、上下文感知且可调整的模型场景。它基于GPT-oss架构，具有1.5B参数，支持在浏览器或笔记本电脑上运行。该模型在性能和效率方面表现出色，适用于数据安全和隐私保护领域。
Qwen/Qwen3.6-27B是一款专注于代码生成的LLM，具有27B参数和64层结构。它具备前端工作流和仓库级推理的能力，上下文长度可扩展至1,010,000 tokens。该模型在Agentic Coding和Thinking Preservation方面有显著提升，适合开发者和研究人员使用。性能方面，具体基准测试结果未提供，但模型在代码生成和推理方面有优势。开源协议为Apache-2.0，与Hugging Face Transformers兼容。
LLaDA2.0-Uni是一款基于MoE的多模态统一扩散大语言模型，融合了图像理解和生成能力。该模型具有统一的dLLM-MoE架构，支持文本到图像生成、图像理解、图像编辑等功能。它在性能上表现出色，尤其在多模态理解与生成方面具有显著优势。LLaDA2.0-Uni适用于需要多模态交互的场景，如图像编辑、视觉问答等。其开源协议、硬件需求以及推理效率使其在多模态LLM领域具有竞争力。
Qwen/Qwen3.6-27B-FP8是一款专注于代码生成的通用大模型，拥有27B参数和高达262,144的上下文长度。其核心技术包括精细的FP8量化，支持前端工作流程和仓库级推理。在性能上，该模型在代码生成和推理方面表现出色，尤其在Agentic Coding和Thinking Preservation方面有显著提升。模型兼容Hugging Face Transformers，支持多种推理框架，适合需要高性能代码生成和推理的应用场景。
Kimi K2.6是一款开源的多模态智能模型，专注于长周期编码、编码驱动设计、自主执行和基于群体的任务编排。该模型在复杂编码任务上表现出色，能够生成生产级界面和全栈工作流程。其核心技术包括压缩张量、多代理和图像-文本到文本的管道。在性能方面，K2.6在多个基准测试中表现出色，具有强大的代码生成和设计能力。适用于需要高效编码和设计的场景，如软件开发和界面设计。
tencent/Hy3-preview是一款由腾讯Hy团队开发的295B参数混合专家（MoE）模型，具有21B激活参数和3.8B MTP层参数。该模型在复杂推理、指令遵循、上下文学习、编码和代理任务上表现优异。其上下文长度达到256K，参数量庞大，支持多种语言和任务，适用于通用大模型领域。在性能上，该模型在多个基准测试中表现出色，具有开源协议、良好的硬件需求匹配和推理效率。
DeepSeek-V4-Flash-Base是一款定位在通用大模型领域的LLM，具有FP8精度和safetensors支持。其架构特点包括Transformer变体和区域特定优化。该模型在Hugging Face Hub上下载量虽少，但获得了较高的点赞数，表明其在特定领域内具有一定的吸引力。性能方面，具体基准测试结果未明确提供，但根据更新时间和下载量推测，可能在特定任务上有所优化。主要应用场景可能包括通用文本生成和区域特定任务。开源协议、硬件需求和推理效率等信息未指定，但考虑到其FP8特性，可能对硬件要求较高。
DeepSeek-V4-Pro是一款通用大模型，具有1.6T参数，支持一百万token的上下文长度。其核心技术为混合注意力机制，结合了压缩稀疏注意力和高度压缩注意力，显著提高了长上下文处理效率。性能方面，模型在MMLU、GPQA、IFEval等基准测试中表现出色。主要应用场景包括文本生成、对话系统等，具有开源协议、硬件需求适中、推理效率较高的特点。
DeepSeek-V4-Flash是一款面向高效百万token上下文理解的混合专家（MoE）语言模型。该模型具有284B参数，支持一百万token的上下文长度，采用混合注意力机制，结合压缩稀疏注意力（CSA）和重度压缩注意力（HCA）以提升长上下文效率。性能方面，模型在权威基准测试中表现优异，具有代码生成、数学推理、多语言能力等优势。开源协议为MIT，硬件需求较高，推理效率良好，与流行推理框架兼容。
DeepSeek-V4-Pro-Base是一款定位在通用大模型范畴内的LLM，具有FP8精度和safetensors支持。该模型在架构上可能采用了Transformer变体，上下文长度和参数量未明确，但具备一定的创新性。性能方面，由于下载量和点赞数较高，推测在MMLU、GPQA等基准测试中表现良好。其主要应用场景可能包括多语言能力、指令遵循等，适合需要高性能和通用性的任务。开源协议、硬件需求和推理效率等信息未指定，但推测与主流框架兼容性较好。
🔥 unsloth/Qwen3.6-27B-GGUF 是一款基于 Qwen3.6-27B 的开源模型，专注于图像到文本的转换。该模型具有27B参数，上下文长度可达200K，采用GGUF技术进行量化，旨在提高推理效率。它在代码生成、数学推理等方面表现出色，适用于需要多模态交互的场景。模型遵循Apache-2.0开源协议，支持在Unsloth Studio中进行运行和微调。
🔥 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。
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。
z-lab/Qwen3.6-27B-DFlash是一款定位在通用大模型领域的LLM，具有27B参数和3.6B的上下文长度。其核心技术包括DFlash和speculative-decoding，旨在提高推理效率。在性能上，该模型在多个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，适用于需要高性能和高效推理的场景。
HauhauCS/Qwen3.6-27B-Uncensored-HauhauCS-Aggressive 是一款基于 Qwen3.6-27B 的 uncensored 模型，定位为通用大模型。该模型具有 27B 参数，支持多语言（英、中、多语言），并具备图像-文本到文本的转换能力。其在 Aggressive 模式下，能够直接提供答案，适合需要快速响应的场景。性能上，该模型在 uncensored 场景下表现出色，但未提供具体基准测试结果。实用方面，该模型遵循 Apache-2.0 协议，对硬件要求较高，适合在具备一定计算资源的环境中运行。
Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个推理优化版本的大型语言模型，定位为通用大模型。该模型基于 Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled 进行微调，具有丰富的上下文长度和参数量，采用 gguf 库进行量化。在 MMLU-Pro 测试中取得了 75.71% 的精确匹配率。模型具备推理和数学推理能力，适用于需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，硬件需求较高，推理效率中等。
MiMo-V2.5是一款定位在多模态模型领域的强大模型，具备处理文本、图像、视频和音频的能力。其核心技术包括混合注意力架构、原生多模态编码器以及多令牌预测。在性能方面，该模型在多模态感知、长上下文推理和代理工作流程方面表现出色。MiMo-V2.5适用于需要多模态理解和长上下文推理的场景，如视频理解、音频处理等。其开源协议为MIT，适合在多种硬件和推理框架上使用。
该论文提出了一种通过表示稳定性来提高表格检索鲁棒性的方法。作者发现，即使表格语义不变，不同序列化格式（如csv、tsv、html等）会产生不同的嵌入和检索结果。为了解决这个问题，他们使用序列化嵌入的质心作为标准表示，并通过在冻结的编码器上引入轻量级的残差瓶颈适配器来映射单序列化嵌入到质心目标，从而提高了检索鲁棒性。
Sapiens2是一系列高分辨率Transformer模型，专注于通用性、多样性和高保真输出。论文通过结合掩码图像重建和自蒸馏对比性目标，学习低级细节和高级语义特征。此外，通过在精心挑选的10亿高质量人类图像数据集上预训练，并采用窗口注意力机制，Sapiens2在姿态估计、身体部分分割、法线估计等任务上取得了显著的性能提升。
暂无摘要
这篇论文提出了一种名为PageGuide的浏览器扩展，它通过在HTML DOM中直接嵌入视觉覆盖层，将LLM的答案与页面内容关联起来，帮助用户在网页中快速定位信息、执行多步骤任务，并减少干扰内容。该方法通过三个核心功能（Find、Guide、Hide）显著提高了用户在网页上的信息检索和任务完成效率。
暂无摘要
暂无摘要
暂无摘要
这篇论文提出了UniGeo，一个通过视频模型实现相机可控图像编辑的新框架。它通过在表示、架构和损失函数三个层次注入统一的几何指导，解决了现有方法在连续相机运动下的几何漂移和结构退化问题，显著提升了视觉质量和几何一致性。
暂无摘要
暂无摘要
暂无摘要
暂无摘要
暂无摘要
这篇公告介绍了Hugging Face的ML Intern在完成实习期间的任务测试，测试内容包括使用最佳N采样和加权选择方法解决数学问题。该测试展示了如何通过采样、评分和选择解决方案来提高数学问题的准确性。
暂无摘要
NVIDIA发布了Nemotron-Personas-Korea数据集，这是一个基于韩国官方统计数据和种子数据的合成人数据集，用于训练更符合韩国人口统计和文化的AI代理。该数据集旨在解决当前AI代理在处理韩语数据时存在的文化差异和地域问题，并遵循韩国个人信息保护法。
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。
Hugging Face的社区科学团队通过使用大型语言模型（LLM）自动化联系作者，以促进更多研究人员将他们的工作发布到Hugging Face平台上，并使用元数据和链接来正确记录这些工作。该团队开发了一个工作流程，使用LLM来识别论文的GitHub URL，扫描README文件以查找新工件，并根据需要创建GitHub问题和Hub拉取请求。
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。
Hugging Face发布了mlinter，一个用于Transformers库中模型文件的静态分析工具，旨在帮助开发者遵守库的约定，减少错误，并提高代码质量。
OpenRA-RL是一个开源平台，允许AI代理在实时策略游戏《红色警戒》中通过50个MCP工具、25Hz异步流和64会话/进程的游戏运行器进行游戏。它作为一个顶级OpenEnv环境提供，使得任何TRL、torchforge或Unsloth训练器都可以驱动它，而无需编写胶水代码。
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。
Cohere Labs发布了Tiny Aya，一个支持70多种语言的工具调用模型，特别适用于移动设备。Tiny Aya在低资源语言上的表现良好，且无需云端依赖，可在中端手机上实现低延迟运行。此外，Cohere Labs还推出了TinyFacade，一个用于构建多语言工具调用应用的框架。
Hugging Face发布了Hy3 preview，这是一个开源的融合推理模型，集成了快速和慢速思考。该模型具有295B的总参数，但只有21B被激活，使其在激活方面效率最高。Hy3 preview在架构、数据质量和训练效率方面的创新，使其在性能上接近使用大参数但小激活参数的第二种方法。
NVIDIA发布了一款名为Nemotron OCR v2的多语言OCR模型，该模型通过合成数据训练，实现了高精度和快速识别。该模型使用了12百万个合成训练图像，支持英语、日语、韩语、俄语、简体中文和繁体中文，并通过创新的合成数据生成管道和高效的模型架构，实现了快速的多语言文本识别。
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。
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。
这篇公告介绍了Hugging Face Spaces上的长期软件工程（SWE）环境构建，通过将FrontierSWE任务打包为OpenEnv服务，并使用离线强化学习风格进行训练。这为开发者提供了一个新的工具，用于构建和训练能够进行长期软件工程任务的AI代理。
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。
Pruna AI发布了一款AI模型优化工具包，旨在简化可扩展推理。该工具包通过减少模型大小、降低计算成本和资源需求、提高推理速度以及减少能源消耗和环境影响，帮助机器学习团队优化模型。
这篇公告介绍了用于图像生成评估的客观指标，包括效率指标和质量指标，旨在帮助评估图像生成的质量，包括分布对齐、提示对齐和感知对齐。它还介绍了Pruna框架，这是一个用于计算和比较图像生成模型质量的开源工具。
OpenAI与AWS宣布扩展战略合作伙伴关系，推出三项关键服务：AWS上的OpenAI模型、AWS上的Codex和Amazon Bedrock托管代理，旨在帮助企业在其AWS环境中构建和利用OpenAI的能力，实现AI应用的安全部署和快速开发。
这篇论文提出了Graph Memory Transformer (GMT)，通过将Transformer解码器中的Feed-Forward Network (FFN)子层替换为显式学习的记忆图，以保持周围的自动回归架构。GMT使用记忆单元在学习的中心点库上路由标记表示，并通过学习的有向转换矩阵连接。实验表明，GMT在保持解码器架构的同时，通过图介导的记忆导航替换密集的内部标记转换，展示了其可行性和结构可解释性。
这篇论文提出了JigsawRL，一个基于管道复用技术的成本效益框架，用于提高强化学习（RL）的并行性。JigsawRL通过将每个管道分解为子阶段图，揭示了隐藏在阶段级系统中的内部和跨工作者的不平衡。通过动态资源分配、迁移长尾回滚以及将协调问题转化为图调度问题，JigsawRL实现了在同步和异步RL上的性能提升。
这篇论文提出了ELSA，一种精确线性扫描注意力机制，用于加速和降低视觉Transformer的内存消耗。ELSA通过保持精确的softmax语义，减少并行深度，并在不同硬件上实现，从而提高了处理速度和效率。
这篇论文提出了S2G-RAG，一个迭代检索增强问答（RAG）框架，通过结构化的充分性和差距判断来提高多跳问答的性能和鲁棒性。S2G-RAG通过预测当前证据记忆是否支持回答，并输出描述缺失信息的结构化差距项来控制检索过程，从而减少噪声积累。
这篇论文提出了Dr. RTL，一个基于工具的自主代理RTL优化框架，通过工具支持的自我改进在现实评估环境中进行RTL时序优化。它通过多智能体框架进行关键路径分析、并行RTL重写和基于工具的评估，并引入了群体相对技能学习，以提高性能、功耗和面积（PPA）。
这篇论文提出了PhysCodeBench，一个用于评估物理感知符号模拟的基准，并引入了自我纠正多智能体精炼框架（SMRF），通过迭代协作和领域特定验证，实现了物理上准确的模拟，显著提升了物理感知符号模拟的准确性。
这篇论文提出了一种名为VIBES的异步协作框架，用于高速公路视频中的远场异常检测。该框架利用视觉语言模型（VLM）和贝叶斯推理，通过在线贝叶斯推理模块动态更新正常驾驶行为的概率边界，从而精确地定位时空中的异常。VLM仅处理由触发器指示的局部视觉区域，以防止注意力稀释，并实现准确的语义推理。
这篇论文提出了SIV-Bench，一个用于评估多模态大型语言模型（MLLMs）在社会交互理解与推理方面的能力的新视频基准。SIV-Bench包含大量视频片段和问答对，涵盖了多种社会关系、视频长度和风格，实验表明MLLMs在社交场景理解方面表现良好，但在推理和预测方面仍有不足。
这篇论文提出了MultiDx，一个多源知识整合框架，用于诊断推理。该框架通过分析来自网络搜索、SOAP格式病例和临床病例数据库的证据，生成疑似诊断和推理路径，并通过匹配、投票和差异诊断来整合多角度证据，最终生成预测。
