精选 69 篇，从 1600+ 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。
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。
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。
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。
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。
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。
Lance是一款轻量级的原生统一多模态模型，支持图像和视频的理解、生成和编辑。该模型定位为多模态模型，具有高效、轻量化的特点。其核心技术包括基于Qwen/Qwen2.5-VL-3B-Instruct的基座模型和any-to-any的Pipeline。在性能表现上，Lance在多个基准测试中展现出良好的效果。主要应用场景包括图像和视频处理，适用于需要多模态交互的领域。其开源协议为Apache-2.0，硬件需求适中，推理效率较高。
HRM-Text-1B是一款基于HRM架构的1B参数语言模型，专注于文本生成任务。该模型采用双时间尺度循环架构，具有独特的上下文长度和参数量平衡。它在 PrefixLM 目标上预训练，但未针对对话或指令进行微调。在性能上，HRM-Text-1B在基准测试中表现出色，尤其在推理和数学推理任务上。它适用于需要强大文本生成和推理能力的应用场景，如问答系统和文档解析。该模型开源，适用于多种硬件平台，与流行推理框架兼容。
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。
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。
这篇论文提出了一种名为OSCAR的离线谱协方差感知旋转方法，用于2位KV缓存量化，旨在提高长上下文LLM服务的准确性和可部署性。OSCAR通过估计注意力感知的协方差结构，提供固定的旋转和截断阈值，以优化量化过程，从而在保持性能的同时减少内存使用和提高吞吐量。
这篇论文提出了WavFlow，一种直接在原始波形空间中生成高保真音频的框架，通过波形补丁化和振幅提升等技术，避免了中间表示的复杂性，并在视频到音频和文本到音频的基准测试中取得了与基于潜在空间的方法相媲美的性能。
这篇论文提出了SCICONVBENCH，一个用于评估大型语言模型（LLMs）在多轮澄清任务中的表现的新基准。该基准针对科学任务制定中的信息提取和错误请求纠正能力，通过结构化任务本体和基于标准框架的评估，测量LLMs在澄清行为、对话基础和最终规范准确性方面的表现。
这篇论文提出了一个对称兼容的优化器设计原则，通过确保梯度更新规则在权重块的对称性下保持等变，解决了深度学习中优化器与网络架构对称性不匹配的问题。论文推导了适用于不同参数块的对称兼容优化器，并通过在MoE语言模型上的预训练实验验证了其有效性。
这篇论文介绍了DexHoldem，一个基于Texas Hold'em游戏的系统级基准，用于评估具有实体感知和决策能力的AI系统。该系统通过ShadowHand进行实体操作，提供了标准化的物理策略基准和感知基准，并通过案例研究展示了感知和策略错误在闭环部署中的累积。
这篇论文研究了多模态大型语言模型（LLM）在临床评分中的评分行为，发现LLM在临床等级评分上存在中心趋势偏差，即预测结果系统地压缩到评分尺度的中间，导致对认知障碍筛查决策影响重大的极端分数评分不准确。论文通过在公共数据集上对钟画测试（CDT）图像进行评分的实验，比较了三种前沿LLM家族与监督深度学习模型，并提出了对LLM评分进行校准和后校准的必要性。
这篇论文提出了TopoPrimer框架，该框架将时间序列数据的全局拓扑结构作为预测模型的显式输入，通过持久同伦和光谱层坐标进行预计算，显著提高了预测模型的准确性，特别是在季节性需求高峰和冷启动情况下。
这篇论文提出了一种名为AR-VLA的独立自回归动作专家，该专家在条件于可刷新的视觉-语言前缀的同时生成连续的因果动作序列。与传统的视觉-语言-动作（VLA）模型和扩散策略不同，AR-VLA通过长期记忆维护自己的历史，从而实现内在的上下文感知。这种方法解决了快速控制和慢速推理之间的频率不匹配问题，并允许独立预训练运动句法和与重感知骨干的模块化集成，从而确保动作生成在帧之间的时空一致性。实验表明，AR-VLA在模拟和真实机器人操作任务中表现出色，具有优越的历史感知能力和平滑的动作轨迹，同时保持了或超过了最先进反应性VLA的任务成功率。
这篇论文提出了AstraFlow，一个基于数据流导向的强化学习系统，旨在解决大型语言模型（LLMs）中代理强化学习（agentic RL）的高成本问题。AstraFlow通过将强化学习系统组件抽象化，实现了多策略协同训练、弹性扩展、异构跨区域执行和可组合数据算法，从而提高了训练效率和准确性。
这篇论文提出了ChildAgentEval，一个基于心理测量的交互式基准，用于评估基于多模态大型语言模型（MLLM）的AI代理的认知年龄对齐。该基准通过比较不同MLLM代理的推理性能与特定的人类发育阶段，揭示了当前AI系统在模拟特定年龄认知行为方面的能力和局限性。
这篇论文提出了MementoGUI，一个用于长时GUI代理的插件式记忆框架，通过MementoCore实现了在线记忆选择、压缩和检索，从而提高了GUI代理在长时任务中的表现。
这篇论文提出了CHI-Bench，一个用于评估AI代理在复杂医疗工作流程中自动化能力的基准。它强调政策密度、多角色组成和多边交互三个关键能力，并通过模拟真实医疗环境来测试AI代理的自动化能力。
这篇论文提出了VideoSeeker，一种通过视觉提示进行实例级视频理解的新方法。它通过将代理推理与实例级视频理解任务相结合，使模型能够主动感知和检索相关视频片段。论文构建了一个四阶段的数据合成管道，通过冷启动监督和强化学习训练，提高了视频理解模型的性能。
这篇论文提出了一种名为E-PMQ的专家引导后合并量化框架，用于在低资源部署环境下提高神经网络的性能。该方法通过使用源专家权重进行层级校准，并结合合并权重锚定来稳定校准过程，从而实现有效的后合并量化。
这篇论文提出了TOBench，一个面向任务的多模态基准，用于评估现实世界工具使用智能体的能力。该基准包含来自客户服务和智能创作两个宏观任务家族的100个可执行任务，并使用多模态验证来确保智能体能够执行工具、检查中间成果并自我纠正。实验表明，即使是强大的编码智能体模型在TOBench上的表现也远低于人类。
这篇论文提出了一种名为NGM的无需训练的记忆模块，用于大型语言模型（LLMs）。NGM通过使用因果N-gram编码器和余弦门控记忆注入器，直接利用预训练的标记嵌入构建N-gram表示，从而提高了知识检索的效率，并在多个基准测试中实现了性能提升。
这篇论文提出了FINESSE-Bench，一个用于评估大型语言模型在金融领域知识和技术分析能力的分层基准套件。该套件结合了专业认证数据集、应用交易任务集合和俄语奥林匹克基准，旨在评估模型的领域广度、性能随难度增加的下降、解决计算任务的能力以及在特定金融领域中的模型行为。
这篇论文提出了一种名为SafeDiffusion-R1的在线奖励引导框架，用于在扩散模型后训练中去除不安全内容。该方法通过使用Group Relative Policy Optimization (GRPO)和一种新的引导奖励机制，在不需要大量监督数据的情况下，有效地减少了不适当内容和裸露检测，同时提高了生成质量。
这篇论文提出了一种名为A2RBench的自动范式，用于生成形式化可验证的抽象推理基准。该范式通过自动化生成、扩展、评估和分析过程，旨在解决现有基准在规模和准确性方面的限制，并通过实验揭示了当前大型语言模型在抽象推理方面的不足。
这篇论文提出了GRASP，一个大规模的社会推理数据集，它将高级社会问答与细粒度的视线和指示手势事件联系起来。GRASP通过构建基于身份一致视线轨迹、指示手势及其组合的社会事件来构建问题，并引入了社会定位奖励（SGR）来鼓励模型推理每个交互中的参与者。实验表明，SGR在GRASP-Bench上的性能得到提升，同时在相关社会视频问答基准测试中保持了零样本性能。
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。
艾伦人工智能研究所发布了EMO，这是一种新的混合专家（MoE）模型，通过端到端预训练，使模块化结构直接从数据中涌现，而不依赖于人类定义的先验知识。EMO允许用户使用其专家集的一小部分（仅12.5%）来完成特定任务，同时保持接近完整模型的性能，并且当所有专家一起使用时，它仍然是一个强大的通用模型。
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。
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。
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。
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。
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。
这篇公告概述了单目深度估计模型的发展历程，重点介绍了Depth Anything V2模型，并详细解释了如何使用自定义数据集对其进行微调，以提高其在绝对深度估计方面的性能。
本文探讨了当前常见的AI模型格式，包括GGUF、PyTorch、Safetensors和ONNX，并分析了每种格式的特点、优缺点以及适用场景。GGUF适用于生产环境和服务模型，PyTorch简单易用但存在安全性和效率问题，Safetensors注重安全性，ONNX提供跨框架互操作性。
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。
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。
SSE Retrieval MRL v2，一种轻量级且高速的句子嵌入模型，通过使用可分离的动态Tanh（DyT）来控制梯度流并实现表示空间的正则化。该模型在NanoBEIR基准测试中取得了0.5158的NDCG@10分数，优于前一代版本和同等规模的模型。SSE Retrieval MRL v2仅使用256维度的嵌入就达到了0.503的NanoBEIR平均NDCG@10分数，表明该模型适用于资源受限环境中的信息检索任务。
OpenAI 发布了内容凭证（Content Credentials）、SynthID 和公共验证工具，旨在推进内容溯源，构建更安全、透明的 AI 生态系统。通过多层溯源方法和 C2PA 合规性，OpenAI 与 Google 合作，在图像中嵌入 SynthID 水印，并加入内容溯源与真实性联盟 (C2PA) 指导委员会，以增强溯源信息的持久性和可验证性。
这篇论文提出了SKG-Eval，一个基于增量语义知识图谱的对话系统评估框架，通过将对话建模为实体、关系和承诺的语义知识图谱，来评估多轮对话系统的响应质量，解决了现有评估方法在检测长距离问题上的不足。
这篇论文探讨了在人工智能时代重新思考代码审查的方法。它回顾了代码审查的历史演变，并分析了大型语言模型和代理人工智能系统带来的转变。论文提出了一个结合专业代理和人类控制的质量门的AI驱动代码审查工作流程，并强调了在关键决策点上保留人类判断的重要性。同时，识别了在负责任采用AI时的主要开放挑战，并提出了一个研究议程以促进更有效的人机协作。
这篇论文提出了一个统一的理论框架来研究大型语言模型的对齐问题，通过将对齐重新定义为从成对偏好中进行分布学习，提出了三种对齐目标：偏好最大似然估计、偏好蒸馏和反向KL最小化，并证明了这些目标在收敛性和避免退化方面具有优势。
这篇论文提出了一种名为Alice的在线自监督动态发现方法，用于在先验不匹配的情况下学习可执行的世界模型。Alice通过将失败的候选更新视为结构信号，从而发现当前程序混淆的动态。实验表明，Alice在先验不匹配的情况下显著提高了可执行世界模型的学习效果。
这篇论文提出了一种名为PersonaArena的动态模拟框架，用于评估和提升大型语言模型（LLMs）在角色扮演方面的能力。该框架通过构建一个细致的角色库，并在模拟的社会环境中进行多轮、丰富的交互，从而实现对LLMs角色扮演能力的严格评估和提升。
这篇论文提出了S-Bus，一个HTTP中间件，通过服务器端的DeliveryLog机制，自动重建每个智能体的读取集，从而防止在多智能体LLM状态协调中出现的结构化竞态条件。该方法通过机器检查和实证测试证明了其有效性和安全性。
这篇论文提出了FishBack，一种基于Fisher信息度量的激活引导方法，用于在Transformer中优化激活方向。该方法通过分析模型输出行为诱导的局部几何结构，提供了一种封闭形式的引导方程，以最小化输出行为与目标概念之间的失真。
这篇论文提出了BLAgent，一个用于文件级错误定位的代理式检索增强生成（RAG）框架。该框架通过代码结构感知的仓库编码、双视角查询转换和两阶段代理重排序，实现了对错误代码的准确识别，并在SWE-bench Lite数据集上取得了显著的性能提升。
这篇论文提出了一种基于RAG的EEG到文本的解码流程，结合了语义句子嵌入的EEG编码器、向量检索阶段和大型语言模型（LLM）来提高从EEG信号中解码语言信息的准确性。通过在 Zurich Cognitive Language Processing Corpus (ZuCo) 数据集上的实验，该流程在九个受试者中优于随机基线，实现了显著的性能提升。
