精选 68 篇，从 420+ 条中筛选
SulphurAI/Sulphur-2-base是一款基于LTX 2.3的文本到视频生成模型，定位为多模态模型。该模型具有prompt enhancer功能，支持t2v和i2v格式，并具备与其他ltx 2.3格式兼容的特点。模型在性能上具有创新性，但未提供具体的基准测试结果。其开源协议、硬件需求和推理效率等信息未明确，但与流行推理框架的兼容性可能是一个考量点。
ResembleAI的Dramabox模型定位为特定领域的TTS模型，基于LTX-2.3音频分支进行微调。其核心技术包括Diffusion Transformer和flow matching，支持语音克隆和丰富的情感表达。在性能上，Dramabox在TTS任务上表现出色，具有高下载量和点赞数。主要应用场景包括语音合成、情感表达等，使用时需考虑其开源协议和硬件需求。
TencentARC/Pixal3D是一款专注于图像到3D资产生成的模型，定位为多模态模型。其核心技术为Pixal3D算法，通过像素到3D的直接映射实现高保真3D生成。该模型在SIGGRAPH 2026上获得认可，具有高性能和详细几何纹理的特点。性能表现上，模型在图像到3D转换任务中表现出色，但缺乏权威基准测试结果。实用考量方面，模型开源，支持在线演示，但下载量较低，可能受限于硬件需求。
ScenemaAI/scenema-audio是一款专注于音频生成的LLM，定位为多模态模型。其核心技术基于音频扩散Transformer，具有零样本情感语音克隆和语音生成能力。模型在情感表达、儿童声音、场景感知音频等方面表现出色。性能方面，模型在多个语言和情感表现上均有良好表现，但在权威基准测试中的具体排名未提及。主要应用场景包括音频生成、语音克隆和场景感知音频制作。使用时需考虑其开源协议、硬件需求以及推理效率。
microsoft/Fara-7B是一款专注于计算机使用的7B参数的代理小语言模型（SLM），在LLM生态中定位为特定领域微调模型。其核心技术包括多模态解码器架构、128k的上下文长度和7亿参数量。在性能上，Fara-7B在同类模型中表现出色，能够执行复杂任务如预订餐厅、申请工作等。该模型基于MIT许可证开源，对硬件要求较高，适合需要高效率推理的场景。
Jackrong/Qwopus3.5-9B-Coder-GGUF是一款专注于代码生成、工具调用和逻辑推理的专用大模型。该模型基于Qwopus3.5-9B-v3.5，采用9B密集架构，支持多语言，并集成了Trace Inversion数据增强技术。在代码生成、调试和工具调用方面表现出色，适用于需要复杂逻辑推理和代码处理的场景。
Cactus-Compute/needle是一款基于Simple Attention Network的编码器-解码器模型，参数量为26M。该模型在Cactus平台上运行，支持本地微调，适用于工具调用和代码生成等任务。其核心技术包括纯注意力机制、RoPE和门控残差等。在性能上，该模型在预训练和后训练数据上表现出色，支持bfloat16精度。模型适用于需要高性能和可微调性的场景。
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。
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。
SeeSee21/Z-Anime是一款基于Z-Image Base架构的动漫风格图像生成模型，属于特定领域微调模型。该模型采用S3-DiT架构，具有丰富的动漫美学风格和强大的风格多样性。它在HuggingFace平台上的下载量和点赞数表明其受到社区的认可。模型在性能上表现出色，支持自然语言提示，适用于动漫风格的图像生成。其主要应用场景包括动漫艺术创作、游戏设计等。该模型开源，支持BF16、FP8等高效计算格式，对硬件要求较高，适合在具有强大计算能力的设备上运行。
Zyphra/ZAYA1-8B是一款专注于推理优化的领域大模型，具有8.4B参数，特别擅长数学和代码推理任务。其架构采用混合专家模型，参数效率高，推理速度快，适用于设备端部署。在MMLU、GPQA等基准测试中表现出色，与同类模型相比具有显著优势。
HiDream-O1-Image是一款基于Pixel-level Unified Transformer的图像生成模型，定位为多模态模型。其核心技术特点包括无VAE和分离文本编码器，支持文本到图像、图像编辑和主题驱动个性化。性能上，该模型在人工分析文本到图像领域排名第八，具有高分辨率和推理驱动的提示代理。主要应用场景包括图像生成、编辑和个性化定制。开源协议为MIT，硬件需求较高，推理效率良好。
🔥 froggeric/Qwen-Fixed-Chat-Templates 是一款针对 Qwen 3.5 和 3.6 版本的固定聊天模板，旨在解决官方模板中的渲染错误、token 浪费和缺失功能。该模型定位为特定领域微调模型，专注于聊天模板的优化。其核心技术包括 Jinja 模板引擎和 Qwen 模型适配，具有参数量小、上下文长度适中、易于部署的特点。在性能表现上，该模型在聊天模板领域表现出色，能够有效提升聊天体验。主要应用场景为聊天机器人、虚拟助手等。实用考量方面，该模型开源协议为 Apache-2.0，硬件需求较低，推理效率较高，与流行推理框架兼容性好。
MiniCPM-V 4.6是一款针对移动端优化的多模态语言模型，定位为多模态模型。它基于SigLIP2-400M和Qwen3.5-0.8B LLM构建，具有强大的图像和视频理解能力。该模型在保持高性能的同时，通过混合4x/16x视觉token压缩和LLaVA-UHD v4技术，显著提高了计算效率。在基准测试中，MiniCPM-V 4.6在多个视觉语言理解任务上表现优异，尤其在OpenCompass、RefCOCO等基准上达到Qwen3.5 2B级别的性能。模型适用于移动平台，支持多种推理框架，并开源了边缘适配代码，便于开发者定制。
Supertone/supertonic-3是一款专注于本地推理的轻量级文本到语音系统，定位为特定领域的微调模型。其核心技术包括ONNX Runtime和多种语言支持，具有高阅读稳定性和低重复/跳过失败率。性能上，Supertonic 3在31种语言中表现出色，支持简单的表情标签，适用于本地设备上的快速语音合成。主要应用场景包括语音合成和多媒体内容创作，使用时需考虑其开源协议和硬件需求。
🔥 unsloth/Qwen3.6-27B-MTP-GGUF 是一款基于 Qwen/Qwen3.6-27B 的多模态扩展模型，专注于图像到文本的转换。该模型具有27B的参数量，支持MTP（多任务预测）技术，实现了更快的生成速度。它在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。该模型在特定任务上表现出色，如代码生成和工具调用，适用于需要多模态交互的场景。其开源协议为Apache-2.0，支持在Unsloth Studio中进行运行和微调。
🔥 unsloth/Qwen3.6-35B-A3B-MTP-GGUF 是一款基于 Qwen/Qwen3.6-35B-A3B 的多模态扩展模型，定位为通用大模型。其核心技术包括GGUF（Generalized GPT-3 Unconditional Fine-tuning）和MTP（MTP speculative decoding），具有高达35B的参数量和1.5-2倍加速的生成速度。在MMLU、GPQA、IFEval等基准测试中表现优异。适用于图像到文本的转换等任务，具有开源协议、硬件需求适中、推理效率高的特点。
Anima模型定位为特定领域微调模型，专注于动漫风格的艺术图像生成。其核心技术为基于扩散模型的单文件库，参数量为20亿。模型在动漫风格图像生成方面表现出色，但未公开权威基准测试结果。主要应用场景为动漫艺术创作，使用时需考虑开源协议和硬件需求。
这篇论文指出，在地理空间基础模型（GFMs）领域，由于缺乏标准化评估、训练和测试协议，导致无法准确判断哪些模型适用于特定任务。作者提出了六个具体期望，以解决这一协调失败问题，并推动GFMs的创新发展。
这篇论文提出了MetaAgent-X，一个通过端到端强化学习框架来优化自动多智能体系统设计和执行的方法。它解决了现有自动多智能体系统在训练和执行之间的分离问题，通过联合优化设计和执行，实现了智能体工作流的自动生成和执行。
这篇论文提出了ProofGrid，一个用于评估大型语言模型（LLM）推理能力的基准测试套件，通过机器可检查的证明而非最终答案来评估。ProofGrid包含15个任务，涵盖了证明写作、证明检查、证明遮蔽和证明补全。论文通过一个仪器化的证明检查流程来提高测量分辨率，并评估了多种模型，发现尽管模型在基础任务上表现良好，但在复杂任务上仍有很大提升空间。
这篇论文对物理竞赛题目的视觉推理进行了审计，发现了训练和评估过程中的三个问题：训练-评估污染、翻译漂移和多项选择题饱和。论文提出了一个经过审计的竞赛语料库和视觉物理推理的解决方案，显著提升了模型在物理竞赛题目上的表现。
这篇论文提出了Raster2Seq，一种将栅格化的平面图图像转换为结构化矢量图形表示的方法。该方法将平面图元素（如房间、窗户和门）表示为标签化的多边形序列，通过自回归解码器预测下一个角落，从而有效地处理复杂平面图。
这篇论文提出了MLAIRE，一个多语言语言感知信息检索评估协议，旨在评估跨语言语义检索和查询语言偏好的分离效果。它通过构建包含并行文本的受控池来测量语义检索准确性和查询语言偏好，并引入了语言感知指标，如语言偏好率和Lang-nDCG，以区分语义和查询语言偏好失败。
这篇论文提出了AuralSAM2，一种将音频信息整合到SAM2模型中，以增强其视频剪辑中的可提示分割能力的方法。AuralSAM2通过融合音频和视觉特征生成提示，并使用音频引导的对比损失来强化跨模态影响，从而在公共基准测试中实现了显著的准确率提升。
这篇论文研究了如何通过分析LLM浏览器代理的用户界面（UI）痕迹来识别其背后的模型。研究人员发现，通过被动跟踪代理的行为和交互时间，可以以高达96%的F1分数识别出底层模型。他们还展示了如何通过少量交互痕迹训练出强大的分类器，并指出随机延迟操作之间的时间可以显著降低分类器的性能，但这种方法并不提供稳健的保护。
这篇论文提出了MANSU算法，通过结合因果电路归因、电路限制的零空间投影和参数幅度下限保证，实现了通过量化永久性未学习。该方法解决了量化过程中模型遗忘能力下降的问题，并通过引入电路归因差异（CAD）作为机制验证指标，区分了结构擦除和行为抑制。
这篇论文提出了一种通过参考示例进行自适应的流匹配方法，用于可控生成。该方法通过改变参考集来控制预训练模型，实现了对颜色、身份、风格和结构的控制，同时保持提示、种子和权重不变。实验结果表明，这种方法在保持高质量的同时，允许在推理时更换参考集。
这篇论文研究了激活引导在大型语言模型（LLM）中的应用，提出激活引导可能无法通过文本提示实现，并证明了激活引导会将残差流推离从离散提示可达的状态流形，从而在白盒可引导性和黑盒提示之间建立了形式上的分离。
这篇论文提出了一种名为Sphere Latent Encoder的图像生成方法，通过将框架解耦为预训练的图像编码器和独立的潜在空间去噪模型，提高了图像生成的效率和速度，同时保持了生成质量。
这篇论文提出了一种名为SAE-FT的新方法，用于在视觉语言模型CLIP上进行鲁棒的微调。该方法通过惩罚稀疏自动编码器识别出的语义特征的增加和删除，来正则化视觉表示的变化，从而防止灾难性遗忘，并使微调过程可解释。实验表明，SAE-FT在ImageNet及其分布偏移基准测试中实现了与现有技术相当或更好的性能。
这篇论文提出了MobileEgo Anywhere，一个用于收集长时间段自视角数据的开放基础设施，通过利用智能手机的传感器套件，实现了高保真、长期相机姿态跟踪，并发布了包含200小时多样自视角数据的全新数据集，同时开源了移动应用程序和数据处理管道，以促进长时域数据的收集和通用机器人策略的发展。
这篇论文提出了ChangeFlow，一种基于生成模型的遥感变化检测方法，通过在潜在空间中合成变化掩码来改进变化检测的准确性和鲁棒性，同时保持与现有强基线相当的推理速度。
这篇论文提出了一种名为COVER的算法，用于将3D资产转换为稀疏全景RGB-D-pose数据，以实现完整场景覆盖，同时保持低冗余和可审计的来源。该方法通过将选定的视图中的几何投影到候选ERP探针上，评分增量覆盖并惩罚深度冲突，从而提高3D视觉学习的几何一致性。
这篇论文提出了GQLA，一种对硬件自适应的大型语言模型解码的改进方法。GQLA通过修改MLA（Multi-head Latent Attention）机制，提供了两种解码路径，以适应不同硬件的优化，同时支持tensor parallelism，并在不重新训练的情况下提高性能。
这篇论文提出了一种名为Pinductor的新方法，通过利用语言模型先验知识，从有限的观察-动作轨迹中学习部分可观察马尔可夫决策过程（POMDP）世界模型。这种方法能够减少环境交互的成本，同时保持与假设访问隐藏状态的LLM-POMDP学习方法的性能和样本效率。
这篇论文提出了HölderPO，一种基于Hölder平均的通用策略优化框架，用于增强大型语言模型。该框架通过动态调整参数p来平衡梯度集中和方差界限之间的权衡，从而提高模型的稳定性和收敛速度。
这篇论文提出了CiteVQA，一个用于评估多模态大型语言模型在文档理解中证据归因能力的基准。CiteVQA要求模型在给出答案的同时返回支持证据的边界框引用，并通过严格的归因准确性（SAA）来评估模型性能。实验发现，现有模型在证据归因方面存在显著缺陷，这为构建可信赖的文档智能提供了新的视角。
VIDRAFT的Darwin Family通过重新组合现有检查点的权重空间，实现了零梯度训练的frontier-level reasoning LLMs。其旗舰产品Darwin-28B-Opus在GPQA Diamond基准测试中达到了88.89%的分数，展示了在无需额外训练的情况下，通过重组现有模型权重空间来提升模型性能的潜力。
Adalat AI 发布了Vividh-ASR，一个用于诊断和修复Whisper ASR模型在印度语种中存在的录音室偏见的基准和微调方法。该方法通过使用高学习率和反向多阶段微调，显著提高了模型在自发和嘈杂语音上的鲁棒性，而无需进行任何架构更改或使用专有数据。
这篇公告讨论了在过去两年中，尽管硬件性能没有显著提升，但本地AI模型在笔记本电脑上的性能却以超过摩尔定律的速度增长。文章强调了稀疏混合专家、量化技术和推理训练等创新在推动这一进展中的作用。
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。
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发布了关于如何遵守SOC 2和ISO 27001标准的指南，以帮助AI模型供应链治理。该指南详细介绍了如何使用Hugging Face平台和不同计划层来满足合规性要求，包括审计日志、访问控制、变更管理和系统操作等。
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。
Hugging Face宣布推出适用于10,000个Reachy Minis的代理机器人应用商店。用户可以使用自然语言描述他们想要的机器人行为，然后AI代理将编写、测试和部署代码到机器人上。该平台旨在降低机器人编程的门槛，使非技术用户也能轻松创建机器人应用。
这篇公告讨论了人工智能行业在数据获取和模型训练过程中的伦理问题，特别是关于版权、数据许可和劳动者权益的问题。它强调了使用未经授权的数据和忽视劳动者权益的实践，并提出了Urro组织正在构建的基于授权数据和公平劳动实践的通用人工智能模型。
这篇公告讨论了人工智能（AI）的自我进化，将其视为AI发展的最终目标。它强调了大型语言模型（LLMs）在执行长期任务方面的突破，如网络安全和电子商务，并提出了实现自我进化的三个技术支柱：记忆、持续学习和自我判断。此外，文章还探讨了人工智能通用智能（AGI）的概念，以及它对计算机科学和操作系统的影响。
本文介绍了如何从头开始实现一个稀疏混合专家语言模型（makeMoE），该模型基于Andrej Karpathy的项目“makemore”，并借鉴了其许多可复用组件。makeMoE是一个自回归字符级语言模型，采用稀疏混合专家架构，旨在帮助读者理解其工作原理。
这篇公告详细介绍了小型语言模型（SLM）的概念、制作方法、优势、局限性以及在实际应用中的使用。SLM是一种轻量级的语言模型，适用于资源受限的环境，如智能手机和嵌入式系统。它们保留了核心的自然语言处理能力，同时具有低计算需求、低能耗和快速推理等优势。公告还介绍了如何使用Ollama和PocketPal等工具在边缘设备上运行SLM，以及如何通过微调来提高模型性能。
本文介绍了名为“规范保持双投影消融”的技术，这是一种用于从语言模型中移除拒绝行为的新方法。该方法通过识别和干预激活空间中的“拒绝方向”来工作，并改进了传统的消融方法。它通过从另一层的输出中移除拒绝，避免干扰目标层中无害的方向，同时通过仅从目标权重中减去方向分量，同时保留权重范数，提高了推理性能。
暂无摘要
本文深入探讨了当前大型语言模型（LLM）背后的关键架构，包括自回归模型、状态空间模型和扩散模型，并介绍了它们的工作原理和应用特点。文章强调了理解这些基础架构对于优化模型性能和效率的重要性，并提供了对LLM技术发展的全面概览。
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。
这篇公告强调了在AI安全评估中考虑测试时间计算的重要性，指出在有限的测试时间计算下看似安全的系统可能在更大的、适应性强的和理性经济预算下变得不安全。它提出了一个更全面的评估方法，包括多个预算级别、攻击者类型和测试时间计算，以更准确地评估AI系统的风险。
MEYNG公司发布了SangoAI，这是一种使用词汇增强提示技术，无需并行语料库或微调，即可实现无资源非洲语言（如Sango）的AI翻译工具。该工具旨在解决零资源语言在翻译中的数据限制问题，并为非洲大陆上其他约2000种语言提供类似的基础设施。
OpenAI与Dell合作，将Codex引入混合和本地企业环境，帮助企业安全地在数据和工作流程中部署AI编码代理。
这篇论文提出了一种名为RAR的检索和排序增强方法，旨在提高视觉识别任务的准确性。RAR结合了CLIP和MLLMs的优势，通过创建和存储不同类别的显式记忆来扩展模型的知识范围，从而在细粒度识别和零样本识别任务中实现性能提升。
这篇论文深入探讨了在大型语言模型（LLMs）中重新思考代理强化学习（Agentic RL）的方法。它提出了将自主代理的能力，如目标设定、长期规划、动态策略适应和交互推理，整合到强化学习框架中，以应对复杂、开放式的任务环境。论文强调了认知能力如元推理、自我反思和多步决策在LLM-based Agentic RL中的重要性，并指出了这一趋势背后的概念基础、方法创新和有效设计，同时识别了关键挑战和未来方向。
PhysBrain 1.0通过将大规模人类自拍摄像视频转换为结构化的物理常识监督，为机器人学习广泛的物理理解提供了一种互补方法。它提取场景元素、空间动态、动作执行和深度感知关系，然后将其转化为问答监督以训练视觉语言动作模型（VLMs）。实验结果表明，这种方法在多模态问答基准和具身控制基准上取得了最先进的结果，特别是在SimplerEnv上的域外性能表现突出。
这篇论文提出了TrainMover，一种针对大规模机器学习训练中断的鲁棒运行时系统。TrainMover通过弹性扩展和备用机器来最小化中断带来的停机时间，并实现零内存开销。它引入了基于delta的通信组设置、无通信的沙盒预热和通用备用设计等关键技术，显著减少了GPU的浪费，提高了训练效率。
这篇论文提出了一种名为TeamTR的信任区域微调框架，用于解决多智能体LLM系统中由于上下文分布变化导致的性能下降问题。该框架通过在每个组件更新后重新采样轨迹并强制执行每个智能体的差异控制，实现了严格的每更新和每阶段的改进下限。实验表明，TeamTR在平均性能上优于单智能体和顺序基线，并支持组件的即插即用替换。
这篇论文提出了统一动作模型（UAM），通过引入平行背侧专家来增强视觉-语言-动作（VLA）模型的多模态能力，解决了在VLA训练中由于单一编码器同时处理语义和视觉特征导致的“具身税”问题，从而在保持VLM多模态能力的同时，提高了模型在处理未见过的物体、新物体-目标组合和指令变化等任务上的泛化能力。
这篇论文提出了一个名为AIRA的双框架方法，用于自主设计超越标准Transformer的基础模型。AIRA-Compose用于高级架构搜索，而AIRA-Design用于低级机制实现。通过多智能体协同工作，该框架能够发现高效且性能优越的神经网络架构。
这篇论文介绍了Eskwai for Students，一个针对加纳法律学生的生成式AI助手。该系统基于超过12,000个案例法和1,400部立法的数据库，通过检索增强生成（RAG）技术提供法律问题的答案。论文通过一项为期30个月的研究，评估了该AI助手在法律教育中的应用，并探讨了其对学生查询的响应以及由此引发的伦理问题。
