最佳 机器学习与数据科学 AI 模型

微软人工智能

AI 模型

#1

微软人工智能（MAI）是微软负责构建其自有人工智能模型的部门，涵盖图像生成、语音转录、推理、编码和语音。模型包括 MAI-Image-2.6、MAI-Transcribe-2、MAI-Thinking-1、MAI-Code-1.1-Flash 和 MAI-Voice-2。它面向希望使用实用的内部微软模型而非仅依赖第三方 API 的开发者、企业和内容创作者。

Arcee AI

AI 模型

#5

总部位于美国的开放智能实验室，致力于开发先进的开源权重 AI 模型。其 Trinity 系列模型为企业部署、推理和边缘应用提供了最先进的性能。Arcee 提供可自托管或通过 API 访问的模型，强调透明度和可定制性，以实现生产就绪的 AI 代理。Arcee AI 是一家总部位于美国的开放智能实验室，致力于开发先进的开源权重 AI 模型。其 Trinity 系列模型为企业部署、推理和边缘应用提供了最先进的性能。Arcee 提供可自托管或通过 API 访问的模型，强调透明度和可定制性，以实现生产就绪的 AI 代理。

DistilGPT2

AI 模型

经过蒸馏的、以英语为基础的文本生成模型，源自 GPT-2。它提供了比其前代产品更快、更轻量级的替代方案，适用于各种创意和辅助写作任务。该模型经过预训练，可通过 Hugging Face 进行集成。DistilGPT2 是一个经过蒸馏的、以英语为基础的文本生成模型，源自 GPT-2。它提供了比其前代产品更快、更轻量级的替代方案，适用于各种创意和辅助写作任务。该模型经过预训练，可通过 Hugging Face 进行集成。

Claude Opus

AI 模型

混合推理模型，专为严肃编码和 AI 代理设计，具有 1M 的上下文窗口。它在生产就绪代码、复杂的 AI 代理和复杂文档创建方面表现出色，非常适合高要求的用例。Claude Opus 是一个混合推理模型，专为严肃编码和 AI 代理设计，具有 1M 的上下文窗口。它在生产就绪代码、复杂的 AI 代理和复杂文档创建方面表现出色，非常适合高要求的用例。

FLUX.1-dev

AI 模型

拥有 120 亿参数的修正流变换器，旨在根据文本描述生成图像。它是通过开源和开放科学推动人工智能进步的一部分。FLUX.1-dev 是一个拥有 120 亿参数的修正流变换器，旨在根据文本描述生成图像。它是通过开源和开放科学推动人工智能进步的一部分。

DeepSeek-R1

AI 模型

先进的AI推理模型，旨在通过强化学习增强问题解决能力。它的目标是通过提供开源访问其模型来实现AI的民主化，使研究人员和开发者能够有效利用其先进的推理功能。DeepSeek-R1是一个先进的AI推理模型，旨在通过强化学习增强问题解决能力。它的目标是通过提供开源访问其模型来实现AI的民主化，使研究人员和开发者能够有效利用其先进的推理功能。

Gemini 3.1 Pro — Google DeepMind

AI 模型

先进的人工智能模型，旨在处理复杂任务和深度推理。它在多模态理解方面表现出色，提供智能且简洁的响应，非常适合学习、规划和构建创新应用。Gemini 3.1 Pro 是一款先进的人工智能模型，旨在处理复杂任务和深度推理。它在多模态理解方面表现出色，提供智能且简洁的响应，非常适合学习、规划和构建创新应用。

all-MiniLM-L6-v2

AI 模型

句子转换模型，将句子和段落编码为 384 维向量空间，支持聚类和语义搜索等任务。它旨在高效的信息检索和句子相似性应用。all-MiniLM-L6-v2 是一个句子转换模型，将句子和段落编码为 384 维向量空间，支持聚类和语义搜索等任务。它旨在高效的信息检索和句子相似性应用。

Grok 4.6 | xAI

AI 模型

增强了 Grok 4.5 的能力，专注于长时间运行的代理和雄心勃勃的交互式和视觉任务。它在复杂项目中表现出色，提供了编码和知识工作的性能提升。Grok 4.6 增强了 Grok 4.5 的能力，专注于长时间运行的代理和雄心勃勃的交互式和视觉任务。它在复杂项目中表现出色，提供了编码和知识工作的性能提升。

Qwen3.8-27B

AI 模型

先进的 AI 模型，旨在进行编码、专业任务和研究。它具有原生的视觉语言模型，能够理解图像和视频，从而提高复杂任务的完成可靠性。Qwen3.8-27B 是一款先进的 AI 模型，旨在进行编码、专业任务和研究。它具有原生的视觉语言模型，能够理解图像和视频，从而提高复杂任务的完成可靠性。

Kimi K3 — AI模型

AI 模型

先进的开放权重多模态AI模型，旨在进行长时间编码、知识工作和推理。它具有100万标记的上下文窗口，并基于创新架构构建，以提高效率和性能。Kimi K3是一款先进的开放权重多模态AI模型，旨在进行长时间编码、知识工作和推理。它具有100万标记的上下文窗口，并基于创新架构构建，以提高效率和性能。

Stable Diffusion XL Base 1.0

AI 模型

由 Stability AI 开发的基于扩散的文本到图像生成模型。它根据文本提示生成和修改图像，适用于艺术和教育应用。Stable Diffusion XL Base 1.0 是由 Stability AI 开发的基于扩散的文本到图像生成模型。它根据文本提示生成和修改图像，适用于艺术和教育应用。

Llama-3.1-8B-Instruct

AI 模型

由 Meta 开发的多语言大型语言模型，针对基于指令的任务进行了优化。它旨在商业和研究应用中提供自然语言理解和生成的高级能力。Llama-3.1-8B-Instruct 是由 Meta 开发的多语言大型语言模型，针对基于指令的任务进行了优化。它旨在商业和研究应用中提供自然语言理解和生成的高级能力。

GLM-5.3：具备新兴网络能力的前沿编码

AI 模型

先进的AI模型，旨在提供编码和网络能力。它在复杂编码任务和漏洞发现方面有显著改进，使其成为开发人员和安全专业人员的强大工具。GLM-5.3是一个先进的AI模型，旨在提供编码和网络能力。它在复杂编码任务和漏洞发现方面有显著改进，使其成为开发人员和安全专业人员的强大工具。

whisper-large-v3

AI 模型

先进的自动语音识别和语音翻译模型，训练于超过 500 万小时的数据。它在多种语言中提供了更好的性能，旨在为 AI 领域的开发者和研究人员服务。Whisper-large-v3 是一个先进的自动语音识别和语音翻译模型，训练于超过 500 万小时的数据。它在多种语言中提供了更好的性能，旨在为 AI 领域的开发者和研究人员服务。

Cohere Command 模型

AI 模型

一系列可扩展的 AI 语言模型，专为企业级应用而设计。它为实际的代理式应用提供高性能和高准确性，能够实现业务工作流的自动化、内容创作以及安全部署。Command 模型能够将 AI 能力锚定在企业自身数据之上，赋能团队。Cohere Command 是一系列可扩展的 AI 语言模型，专为企业级应用而设计。它为实际的代理式应用提供高性能和高准确性，能够实现业务工作流的自动化、内容创作以及安全部署。Command 模型能够将 AI 能力锚定在企业自身数据之上，赋能团队。

纳米香蕉专业版 — 谷歌DeepMind

AI 模型

AI模型，旨在以工作室级别的精确度和控制力创建和编辑图像。它利用先进的人工智能生成符合高标准细节和创意的视觉效果。纳米香蕉专业版是一个AI模型，旨在以工作室级别的精确度和控制力创建和编辑图像。它利用先进的人工智能生成符合高标准细节和创意的视觉效果。

GPT Image 2

AI 模型

GPT 图像 2 是 OpenAI 开发的先进图像生成模型，旨在快速高质量地创建和编辑图像。它支持多种图像尺寸和高保真输入，适用于视觉内容创作的多种应用。

Z-Image-Turbo — Hugging Face

AI 模型

高效的图像生成模型，擅长于生成逼真的图像和双语文本渲染。凭借其亚秒级的推理延迟，它旨在适用于企业级和消费设备，使其成为各种应用的多功能工具。Z-Image-Turbo 是一个高效的图像生成模型，擅长于生成逼真的图像和双语文本渲染。凭借其亚秒级的推理延迟，它旨在适用于企业级和消费设备，使其成为各种应用的多功能工具。

gpt-oss-120b

AI 模型

开放权重的人工智能模型，旨在处理高推理任务，适合在单个 80GB GPU 上进行生产使用。它提供可定制的推理努力和多样化应用的微调能力。gpt-oss-120b 是一个开放权重的人工智能模型，旨在处理高推理任务，适合在单个 80GB GPU 上进行生产使用。它提供可定制的推理努力和多样化应用的微调能力。

Muse Glimmer

AI 模型

拥有300亿参数的因果语言模型，旨在在消费硬件上执行自主代理任务。它集成了多步骤推理、可靠的工具使用和多模态理解，使得在不依赖云的情况下实现高效的本地部署。Muse Glimmer是一个拥有300亿参数的因果语言模型，旨在在消费硬件上执行自主代理任务。它集成了多步骤推理、可靠的工具使用和多模态理解，使得在不依赖云的情况下实现高效的本地部署。

Mixtral-8x7B-Instruct-v0.1

AI 模型

预训练的生成稀疏专家混合模型，旨在用于高级人工智能应用。它在各种基准测试中优于 Llama 2 70B，为自然语言处理中的微调和推理任务提供了强大的解决方案。Mixtral-8x7B-Instruct-v0.1 是一个预训练的生成稀疏专家混合模型，旨在用于高级人工智能应用。它在各种基准测试中优于 Llama 2 70B，为自然语言处理中的微调和推理任务提供了强大的解决方案。

BERT base uncased

AI 模型

BERT基础模型（不区分大小写）是一个预训练的变换器模型，旨在理解英语。它利用掩码语言建模和下一句预测来学习上下文关系，使其适用于各种自然语言处理任务。

GPT-2

AI 模型

预训练的变换器模型，旨在生成英语文本。它利用因果语言建模目标，能够根据提示生成连贯的文本，使其在各种自然语言处理任务中非常有用。GPT-2 是一个预训练的变换器模型，旨在生成英语文本。它利用因果语言建模目标，能够根据提示生成连贯的文本，使其在各种自然语言处理任务中非常有用。

BAAI/bge-m3 · Hugging Face

AI 模型

先进的 AI 模型，旨在实现多功能性、多语言性和多粒度的信息检索。它支持超过 100 种语言，并能够处理不同长度的输入，适用于 AI 和数据检索的多种应用。BAAI/bge-m3 是一个先进的 AI 模型，旨在实现多功能性、多语言性和多粒度的信息检索。它支持超过 100 种语言，并能够处理不同长度的输入，适用于 AI 和数据检索的多种应用。

Gemma 4 — Google DeepMind

AI 模型

一系列轻量级的开放模型，基于驱动 Gemini 模型的相同技术构建。它使开发人员能够为各种平台创建 AI 应用程序，提高移动设备和物联网设备的效率和智能。Gemma 是一系列轻量级的开放模型，基于驱动 Gemini 模型的相同技术构建。它使开发人员能够为各种平台创建 AI 应用程序，提高移动设备和物联网设备的效率和智能。

Mistral Large 3 - AI模型

AI 模型

先进的AI模型，专为企业设计，支持定制、微调和AI助手及代理的部署。它采用稀疏专家混合架构，具有410亿个活跃参数，在多模态和多语言应用中提供先进的能力。Mistral Large 3是一个先进的AI模型，专为企业设计，支持定制、微调和AI助手及代理的部署。它采用稀疏专家混合架构，具有410亿个活跃参数，在多模态和多语言应用中提供先进的能力。

NVIDIA Nemotron 3 Ultra

AI 模型

强大的AI模型，旨在处理复杂推理和多语言任务。它拥有5500亿个参数，在长文本分析和工具使用方面表现出色，适用于各个行业的高风险应用。NVIDIA Nemotron 3 Ultra是一款强大的AI模型，旨在处理复杂推理和多语言任务。它拥有5500亿个参数，在长文本分析和工具使用方面表现出色，适用于各个行业的高风险应用。

FLUX.1-schnell

AI 模型

拥有 120 亿参数的修正流变换器，能够根据文本描述生成图像。它旨在通过开源和开放科学推动人工智能的发展，仅需几个步骤即可提供高质量的输出。FLUX.1-schnell 是一个拥有 120 亿参数的修正流变换器，能够根据文本描述生成图像。它旨在通过开源和开放科学推动人工智能的发展，仅需几个步骤即可提供高质量的输出。

Muse Spark 1.3

AI 模型

Meta 的 AI 模型，专为代理和编码工作流程而构建，适用于需要可靠工具调用和多步骤推理的长期任务。它提供视频、图像和文档的原生多模态感知，具有 100 万个令牌的上下文窗口，并通过 Meta Model API 或 OpenRouter 提供。Muse Spark 1.3 是 Meta 的 AI 模型，专为代理和编码工作流程而构建，适用于需要可靠工具调用和多步骤推理的长期任务。它提供视频、图像和文档的原生多模态感知，具有 100 万个令牌的上下文窗口，并通过 Meta Model API 或 OpenRouter 提供。

gpt-oss-20b · Hugging Face

AI 模型

OpenAI 开发的开放权重 AI 模型，旨在实现更低的延迟和专业化的使用案例。该模型拥有 210 亿个参数，支持强大的推理和代理任务，非常适合 AI 开发者和研究人员。gpt-oss-20b 是 OpenAI 开发的开放权重 AI 模型，旨在实现更低的延迟和专业化的使用案例。该模型拥有 210 亿个参数，支持强大的推理和代理任务，非常适合 AI 开发者和研究人员。

生成基础模型 – 亚马逊Nova – AWS

AI 模型

亚马逊Nova是一套为企业级应用设计的基础模型和服务，提供高性能和多模态能力。它使组织能够在确保安全和负责任的AI使用的同时进行创新。

Meta-Llama-3-8B-Instruct - Hugging Face

AI 模型

先进的大型语言模型，专为基于指令的任务而设计。它在对话应用中表现出色，并针对有用性和安全性进行了优化，适合商业和研究使用。Meta-Llama-3-8B-Instruct 是一个先进的大型语言模型，专为基于指令的任务而设计。它在对话应用中表现出色，并针对有用性和安全性进行了优化，适合商业和研究使用。

MiniMax-M2.5

AI 模型

先进的AI模型，旨在用于编码、办公室工作和工具使用。它在效率和成本效益方面表现出色，使其能够在各个行业中实现创新应用。MiniMax-M2.5是一个先进的AI模型，旨在用于编码、办公室工作和工具使用。它在效率和成本效益方面表现出色，使其能够在各个行业中实现创新应用。

Mistral Small 4

AI 模型

多功能的AI模型，将推理、编码和多模态能力统一到一个平台中。它允许用户高效地自定义、微调和部署AI助手和代理，非常适合各种企业应用。Mistral Small 4是一个多功能的AI模型，将推理、编码和多模态能力统一到一个平台中。它允许用户高效地自定义、微调和部署AI助手和代理，非常适合各种企业应用。

Qwen3.8-Flash-Next

AI 模型

前沿的人工智能模型，旨在通过开源技术推动人工智能的发展。它具有创新的架构，能够高效处理，适用于自然语言处理和多模态任务的各种应用。Qwen3.8-Flash-Next 是一个前沿的人工智能模型，旨在通过开源技术推动人工智能的发展。它具有创新的架构，能够高效处理，适用于自然语言处理和多模态任务的各种应用。

Command A+ 模型 | Cohere

AI 模型

具有 25B 活跃参数和 218B 总参数的专家混合模型，旨在处理复杂推理、视觉和多语言任务，支持 48 种语言，为企业提供高效准确的解决方案。Command A+ 是一个具有 25B 活跃参数和 218B 总参数的专家混合模型，旨在处理复杂推理、视觉和多语言任务，支持 48 种语言，为企业提供高效准确的解决方案。

Stable Diffusion v1-4

AI 模型

潜在的文本到图像扩散模型，可以根据文本提示生成照片级真实感图像。它旨在用于研究目的，使用户能够探索生成模型及其在艺术和设计中的应用。Stable Diffusion v1-4 是一个潜在的文本到图像扩散模型，可以根据文本提示生成照片级真实感图像。它旨在用于研究目的，使用户能够探索生成模型及其在艺术和设计中的应用。

Stable Diffusion 3 Medium

AI 模型

文本到图像模型，增强了图像质量和提示理解。由 Stability AI 开发，旨在根据文本提示生成图像，适用于各种创意和研究应用。Stable Diffusion 3 Medium 是一个文本到图像模型，增强了图像质量和提示理解。由 Stability AI 开发，旨在根据文本提示生成图像，适用于各种创意和研究应用。

Gemini Omni — Google DeepMind

AI 模型

Google DeepMind 开发的 AI 模型，允许用户通过自然对话创建和编辑视频。它将推理与创造能力相结合，使用户能够将任何输入转化为连贯的视频输出。Gemini Omni 是 Google DeepMind 开发的 AI 模型，允许用户通过自然对话创建和编辑视频。它将推理与创造能力相结合，使用户能够将任何输入转化为连贯的视频输出。

all-mpnet-base-v2

AI 模型

句子转换模型，将句子和段落编码为 768 维向量空间，便于进行聚类和语义搜索等任务。它旨在高效地进行文本嵌入和检索应用。all-mpnet-base-v2 是一个句子转换模型，将句子和段落编码为 768 维向量空间，便于进行聚类和语义搜索等任务。它旨在高效地进行文本嵌入和检索应用。

CLIP ViT-B/32

AI 模型

OpenAI 的 clip-vit-base-patch32 模型旨在进行零样本图像分类任务。它利用视觉变换器架构增强计算机视觉的鲁棒性和泛化能力，是 AI 研究人员的重要资源。

BAAI/bge-small-en-v1.5 · Hugging Face

AI 模型

小规模的嵌入模型，旨在用于检索增强语言模型任务。它在各种自然语言处理应用中表现出色，适合 AI 领域的开发者和研究人员。BAAI/bge-small-en-v1.5 是一个小规模的嵌入模型，旨在用于检索增强语言模型任务。它在各种自然语言处理应用中表现出色，适合 AI 领域的开发者和研究人员。

Qwen3-8B

AI 模型

阿里巴巴 Qwen 团队推出的开放权重、82 亿参数的因果语言模型，遵循 Apache 2.0 许可证。它支持在复杂推理和数学的“思考”模式与更快的非思考模式之间切换，适用于一般对话，并内置工具调用，支持超过 100 种语言。Qwen3-8B 是阿里巴巴 Qwen 团队推出的开放权重、82 亿参数的因果语言模型，遵循 Apache 2.0 许可证。它支持在复杂推理和数学的“思考”模式与更快的非思考模式之间切换，适用于一般对话，并内置工具调用，支持超过 100 种语言。

XLM-RoBERTa Base

AI 模型

多语言模型，预训练于 2.5TB 的 100 种语言数据上。它在序列分类和标记分类等任务中表现出色，是各种自然语言处理应用的宝贵工具。XLM-RoBERTa 是一个多语言模型，预训练于 2.5TB 的 100 种语言数据上。它在序列分类和标记分类等任务中表现出色，是各种自然语言处理应用的宝贵工具。

bigscience/bloom

AI 模型

BLOOM 是由 BigScience 开发的多语言自回归大型语言模型。它能够生成 46 种语言和 13 种编程语言的连贯文本，支持自然语言处理和研究的多种应用。

Ray3 — 视频AI模型

AI 模型

Ray3.2是一个多功能的AI视频模型，将创意意图转化为可扩展的视频工作流程。它在多个工作流程中提供增强的控制、连续性和电影方向，包括修改视频、图像转视频、文本转视频和重新构图。

ControlNet-v1-1 - Hugging Face

AI 模型

托管在 Hugging Face 上的 AI 模型，旨在通过开源协作推动人工智能的发展。它旨在为开发者和研究人员提供工具，以有效增强他们的 AI 项目。ControlNet-v1-1 是一个托管在 Hugging Face 上的 AI 模型，旨在通过开源协作推动人工智能的发展。它旨在为开发者和研究人员提供工具，以有效增强他们的 AI 项目。

LTX-2.5 — Hugging Face

AI 模型

开放世界模型，旨在从各种输入生成同步的高保真视频和音频。它提供了完全的控制和定制选项，适合在 LTX-2.x 社区许可证下进行商业和生产使用。LTX-2.5 是一个开放世界模型，旨在从各种输入生成同步的高保真视频和音频。它提供了完全的控制和定制选项，适合在 LTX-2.x 社区许可证下进行商业和生产使用。

LTX-2

AI 模型

基于 DiT 的音视频基础模型，旨在生成同步的视频和音频。它结合了现代视频生成技术和开放权重，使得在各种应用中能够进行实用的本地执行。LTX-2 是一个基于 DiT 的音视频基础模型，旨在生成同步的视频和音频。它结合了现代视频生成技术和开放权重，使得在各种应用中能够进行实用的本地执行。

nomic-embed-text-v1.5 · Hugging Face

AI 模型

多模态嵌入模型，利用 Matryoshka 表示学习，允许灵活的嵌入大小，同时保持性能。它支持聚类和分类等多种任务，适用于多样的人工智能应用。Nomic-embed-text-v1.5 是一个多模态嵌入模型，利用 Matryoshka 表示学习，允许灵活的嵌入大小，同时保持性能。它支持聚类和分类等多种任务，适用于多样的人工智能应用。

NVIDIA Cosmos 3

AI 模型

Cosmos 3 是 NVIDIA 开发的先进 AI 模型，旨在增强人工智能、高性能计算和机器人技术等各种应用。它利用 NVIDIA 在 GPU 技术方面的专业知识，提供强大的计算能力。

AlphaFold 3 — Google DeepMind

AI 模型

由 Google DeepMind 开发的 AI 模型，能够预测蛋白质结构和相互作用，显著加速生物研究和分子相互作用的理解。AlphaFold 3 是由 Google DeepMind 开发的 AI 模型，能够预测蛋白质结构和相互作用，显著加速生物研究和分子相互作用的理解。

SAM 3 — Meta AI 模型

AI 模型

允许用户利用文本和视觉提示准确识别、分割和跟踪图像或视频中的对象。它将很快在 Meta AI 应用的 Instagram 编辑和 Vibes 中推出，增强用户的视频创作体验。SAM 3 允许用户利用文本和视觉提示准确识别、分割和跟踪图像或视频中的对象。它将很快在 Meta AI 应用的 Instagram 编辑和 Vibes 中推出，增强用户的视频创作体验。

Lyria — Google DeepMind

AI 模型

Lyria 3.5 是 Google DeepMind 开发的先进音乐生成模型，帮助用户轻松创作歌曲。它提供技术控制和在各种流派中创作曲目的能力，使音乐创作变得可及且富有创新性。

芝麻 CSM — 语音生成模型

AI 模型

对话式语音模型，能够从文本和音频输入生成音频代码。它利用 Llama 主干，旨在用于研究和教育目的，促进 AI 技术的负责任使用。芝麻 CSM 是一个对话式语音模型，能够从文本和音频输入生成音频代码。它利用 Llama 主干，旨在用于研究和教育目的，促进 AI 技术的负责任使用。

花岗岩

AI 模型

IBM 花岗岩是一系列开放、可信赖的商业 AI 模型，提供高效的语言、视觉、语音和安全模型，可根据企业需求进行定制和部署。

Llama-2-7b-chat-hf

AI 模型

针对对话用例优化的微调生成文本模型。由 Meta 开发，提供先进的自然语言处理能力，适用于商业和研究应用。Llama-2-7b-chat-hf 是一个针对对话用例优化的微调生成文本模型。由 Meta 开发，提供先进的自然语言处理能力，适用于商业和研究应用。

Inkling 模型卡 - 思维机器实验室

AI 模型

拥有 9750 亿参数的多模态 AI 模型，专为开发者设计。它接受文本、图像和音频输入，生成文本输出，适用于各种应用，包括聊天机器人和编码助手。以开放权重发布，支持研究和集成到第三方产品中。Inkling 是一个拥有 9750 亿参数的多模态 AI 模型，专为开发者设计。它接受文本、图像和音频输入，生成文本输出，适用于各种应用，包括聊天机器人和编码助手。以开放权重发布，支持研究和集成到第三方产品中。

HunyuanImage 3.0 — 图像生成的 AI 模型

AI 模型

强大的本地多模态模型，专为图像生成而设计。它在文本到图像和图像到图像任务中表现出色，提供了先进的创意编辑和智能提示增强能力。HunyuanImage 3.0 是一个强大的本地多模态模型，专为图像生成而设计。它在文本到图像和图像到图像任务中表现出色，提供了先进的创意编辑和智能提示增强能力。

Mistral-7B-v0.1

AI 模型

具有 70 亿参数的预训练生成文本模型，旨在通过开源推动人工智能的发展。它在各种基准测试中超越了 Llama 2 13B，使其成为自然语言处理任务的强大工具。Mistral-7B-v0.1 是一个具有 70 亿参数的预训练生成文本模型，旨在通过开源推动人工智能的发展。它在各种基准测试中超越了 Llama 2 13B，使其成为自然语言处理任务的强大工具。

Phi-4-reasoning-vision-15B

AI 模型

微软开发的多模态AI模型，旨在处理需要视觉-语言理解和推理能力的任务。它在科学推理和计算机使用代理任务中表现出色，适用于各种应用。Phi-4-reasoning-vision-15B是微软开发的多模态AI模型，旨在处理需要视觉-语言理解和推理能力的任务。它在科学推理和计算机使用代理任务中表现出色，适用于各种应用。

BAAI/bge-large-en-v1.5 · Hugging Face

AI 模型

最先进的嵌入模型，旨在增强检索增强语言模型的能力。它提升了检索能力并支持多种任务，适用于自然语言处理和人工智能研究的应用。BAAI/bge-large-en-v1.5 是一个最先进的嵌入模型，旨在增强检索增强语言模型的能力。它提升了检索能力并支持多种任务，适用于自然语言处理和人工智能研究的应用。

OmniParser：基于视觉的 GUI 代理

AI 模型

OmniParser 是一种将用户界面截图解析为结构化元素的方法。它增强了视觉语言模型（如 GPT-4V）在界面上生成动作的能力。OmniParser 识别可交互的图标并理解元素语义，从而提高基准测试的性能。它被设计为各种视觉语言模型的插件。

自回归生成式 AI 模型，可根据描述性文本标题创建音频样本。它解决了音频生成中的挑战，例如分离声源、处理现实世界噪声以及文本标注稀缺的问题。该模型在学习到的离散音频表示上运行，以实现高保真输出。AudioGen 是一个自回归生成式 AI 模型，可根据描述性文本标题创建音频样本。它解决了音频生成中的挑战，例如分离声源、处理现实世界噪声以及文本标注稀缺的问题。该模型在学习到的离散音频表示上运行，以实现高保真输出。

Meta Segment Anything Model 2

AI 模型

统一的图像和视频分割模型。它支持通过点击、框选或掩码进行快速、精确的对象选择，在各种应用中提供强大的零样本性能和实时交互性。Meta Segment Anything Model 2 (SAM 2) 是一款统一的图像和视频分割模型。它支持通过点击、框选或掩码进行快速、精确的对象选择，在各种应用中提供强大的零样本性能和实时交互性。

FFMPerative-7B

AI 模型

基于 Llama 2 7B 的 LLM，经过微调以适应视频制作工作流程。它允许用户通过自然语言命令控制视频编辑任务，并与 FFMPerative 工具进行交互。该模型简化了没有技术专长的用户的复杂视频编辑过程，使裁剪、调整大小和音频调整等任务变得易于操作。FFMPerative-7B 是一个基于 Llama 2 7B 的 LLM，经过微调以适应视频制作工作流程。它允许用户通过自然语言命令控制视频编辑任务，并与 FFMPerative 工具进行交互。该模型简化了没有技术专长的用户的复杂视频编辑过程，使裁剪、调整大小和音频调整等任务变得易于操作。

OPT-175B

AI 模型

Meta AI 发布的一个拥有 1750 亿参数的语言模型，面向研究社区。它提供了对大规模语言模型的访问，从而能够更深入地理解和推进自然语言处理（NLP）研究，并专注于负责任的开发和减轻偏见。OPT-175B 是 Meta AI 发布的一个拥有 1750 亿参数的语言模型，面向研究社区。它提供了对大规模语言模型的访问，从而能够更深入地理解和推进自然语言处理（NLP）研究，并专注于负责任的开发和减轻偏见。

Gato Generalist Agent

AI 模型

Google DeepMind 开发的单一通用人工智能代理。它可以执行各种任务，包括玩 Atari 游戏、为图像添加字幕、聊天以及控制真实的机器人手臂。这种多模态代理使用 Transformer 神经网络来处理多样化的数据输入并生成适当的输出。Gato 是 Google DeepMind 开发的单一通用人工智能代理。它可以执行各种任务，包括玩 Atari 游戏、为图像添加字幕、聊天以及控制真实的机器人手臂。这种多模态代理使用 Transformer 神经网络来处理多样化的数据输入并生成适当的输出。

Detection Transformers (DETR)

AI 模型

DETR 是一种端到端的对象检测和全景分割框架，将 Transformer 作为核心组件集成。它简化了架构，直接预测对象集，并在 COCO 等具有挑战性的数据集上达到了最先进的性能，为计算机视觉任务提供了更灵活、更精简的方法。

Densenet – PyTorch

AI 模型

深度卷积神经网络架构，可通过PyTorch使用。它通过以前馈方式将每个层连接到所有其他层来增强特征传播和重用。该模型在ImageNet上进行了预训练，并提供densenet121、densenet169、densenet201和densenet161等变体，用于图像分类任务。Densenet是一种深度卷积神经网络架构，可通过PyTorch使用。它通过以前馈方式将每个层连接到所有其他层来增强特征传播和重用。该模型在ImageNet上进行了预训练，并提供densenet121、densenet169、densenet201和densenet161等变体，用于图像分类任务。

SqueezeNet – PyTorch

AI 模型

深度卷积神经网络模型，可通过 PyTorch 使用。它在实现 AlexNet 级别准确率的同时，参数量和模型尺寸显著减少，使其在各种计算机视觉任务中效率很高。该模型在 ImageNet 上进行了预训练，可以轻松集成到 PyTorch 项目中。SqueezeNet 是一个深度卷积神经网络模型，可通过 PyTorch 使用。它在实现 AlexNet 级别准确率的同时，参数量和模型尺寸显著减少，使其在各种计算机视觉任务中效率很高。该模型在 ImageNet 上进行了预训练，可以轻松集成到 PyTorch 项目中。

Xception

AI 模型

深度学习模型，可通过 Keras 3 API 使用。它是 Keras Applications 的一部分，为各种计算机视觉任务提供预训练模型。Xception 专为图像分类及相关应用而设计，为构建先进的 AI 系统奠定了坚实的基础。Xception 是一个深度学习模型，可通过 Keras 3 API 使用。它是 Keras Applications 的一部分，为各种计算机视觉任务提供预训练模型。Xception 专为图像分类及相关应用而设计，为构建先进的 AI 系统奠定了坚实的基础。

Transfo-XL-WT103

AI 模型

具有相对位置嵌入的因果Transformer模型，可以重用隐藏状态以处理更长的上下文。该模型由Zihang Dai等人开发，并使用自适应Softmax处理输入和输出。该模型适用于文本生成任务，并在Wikitext-103数据集上进行了训练。Transfo-XL-WT103 是一种具有相对位置嵌入的因果Transformer模型，可以重用隐藏状态以处理更长的上下文。该模型由Zihang Dai等人开发，并使用自适应Softmax处理输入和输出。该模型适用于文本生成任务，并在Wikitext-103数据集上进行了训练。

Gopher

AI 模型

来自 Google DeepMind 的一个拥有 2800 亿参数的变换器语言模型，属于一个参数范围从 4400 万到 2800 亿的模型家族。该模型在 2021 年的研究发布中介绍，评估了阅读理解、事实核查和有毒语言识别等任务，在某些任务上因规模而获益，而在其他任务上则未能如愿，例如逻辑推理。Gopher 是来自 Google DeepMind 的一个拥有 2800 亿参数的变换器语言模型，属于一个参数范围从 4400 万到 2800 亿的模型家族。该模型在 2021 年的研究发布中介绍，评估了阅读理解、事实核查和有毒语言识别等任务，在某些任务上因规模而获益，而在其他任务上则未能如愿，例如逻辑推理。

Chinchilla

AI 模型

来自 Google DeepMind 的一个 700 亿参数的语言模型，训练于 1.3 万亿个标记，旨在测试一个在更多数据上训练的小模型是否能超越一个更大的模型。它使用与 DeepMind 的 280 亿参数 Gopher 相同的训练计算，几乎在所有测试的基准上都超越了 Gopher 和其他大型模型。Chinchilla 是来自 Google DeepMind 的一个 700 亿参数的语言模型，训练于 1.3 万亿个标记，旨在测试一个在更多数据上训练的小模型是否能超越一个更大的模型。它使用与 DeepMind 的 280 亿参数 Gopher 相同的训练计算，几乎在所有测试的基准上都超越了 Gopher 和其他大型模型。

Parti：Pathways 自回归文本到图像模型

AI 模型

Parti 是一个自回归文本到图像生成模型，可创建高保真度、照片级真实感的图像。它将图像生成视为一个序列到序列问题，利用大型语言模型的进步来实现复杂的构图和世界知识合成。Parti 支持内容丰富的合成，具有精细的细节和交互。

LaMDA

AI 模型

谷歌突破性的对话式AI模型，旨在就广泛的主题进行自由流畅的对话。它基于Transformer架构，专门针对对话数据进行训练，以理解诸如合理性和特异性等细微差别，从而实现更自然的人机交互和新的应用类别。LaMDA是谷歌突破性的对话式AI模型，旨在就广泛的主题进行自由流畅的对话。它基于Transformer架构，专门针对对话数据进行训练，以理解诸如合理性和特异性等细微差别，从而实现更自然的人机交互和新的应用类别。

InstructGPT

AI 模型

InstructGPT 模型是经过训练的 AI 语言模型，比 GPT-3 更能遵循用户意图。它们通过人类反馈强化学习，更加真实、毒性更低，并与用户目标保持一致，现已为 OpenAI 的 API 提供支持。

DreamFusion

AI 模型

从文本描述生成 3D 物体的 AI 模型。它利用预训练的 2D 扩散模型来创建可重新照明的 3D 资产，如神经辐射场 (NeRF)，而无需 3D 训练数据。这使得能够为各种文本提示生成高保真度的外观、深度和法线。DreamFusion 是一个从文本描述生成 3D 物体的 AI 模型。它利用预训练的 2D 扩散模型来创建可重新照明的 3D 资产，如神经辐射场 (NeRF)，而无需 3D 训练数据。这使得能够为各种文本提示生成高保真度的外观、深度和法线。

Longformer Base 4096

AI 模型

为处理长文档而设计的 Transformer 模型。它基于 RoBERTa，并在最长 4096 个 token 的扩展序列上进行了预训练。该模型采用混合注意力机制，结合了滑动窗口和全局注意力，以实现高效的长文档理解和特定任务的表征学习。Longformer Base 4096 是一款为处理长文档而设计的 Transformer 模型。它基于 RoBERTa，并在最长 4096 个 token 的扩展序列上进行了预训练。该模型采用混合注意力机制，结合了滑动窗口和全局注意力，以实现高效的长文档理解和特定任务的表征学习。

google/bigbird-roberta-base

AI 模型

BigBird基础模型是一个Transformer模型，它通过块稀疏注意力机制扩展了BERT，能够处理更长的序列。该模型已针对英文文本进行掩码语言模型任务的预训练，可以高效处理长达4096个token的序列，并在长文档任务上取得了最先进的成果。

Phi-2 语言模型

AI 模型

来自微软研究院的一个拥有 27 亿参数的语言模型。它展现了出色的推理和语言理解能力，在 130 亿参数以下的模型中取得了最先进的性能。在复杂的基准测试中，Phi-2 的表现与模型大小高出 25 倍的模型相当或更优，是研究和实验的理想选择。Phi-2 是来自微软研究院的一个拥有 27 亿参数的语言模型。它展现了出色的推理和语言理解能力，在 130 亿参数以下的模型中取得了最先进的性能。在复杂的基准测试中，Phi-2 的表现与模型大小高出 25 倍的模型相当或更优，是研究和实验的理想选择。

StyleGAN3 引入了无别名（alias-free）的生成对抗网络，通过彻底改革生成器内的信号处理来实现。这项创新消除了“纹理粘连”现象，能够更连贯地合成视频和动画。该模型在实现 StyleGAN2 的 FID 分数的同时，提供了对平移和旋转的完全等变性，即使在亚像素尺度上也是如此。

通用句子编码器

AI 模型

谷歌的通用句子编码器将文本编码为高维向量，用于文本分类、语义相似性和聚类等任务。它针对句子、短语和短段落进行了优化。

PaLM-E

AI 模型

具身多模态语言模型，它将真实的连续传感器数据与文本相结合。通过将语言与感知相联系，使机器人能够执行复杂任务，并在不同的训练领域和具身环境中展现出积极的迁移能力，以实现高级推理和规划。PaLM-E 是一个具身多模态语言模型，它将真实的连续传感器数据与文本相结合。通过将语言与感知相联系，使机器人能够执行复杂任务，并在不同的训练领域和具身环境中展现出积极的迁移能力，以实现高级推理和规划。

可扩展的区域标注主动学习框架

AI 模型

该框架引入了一种新颖的主动学习方法，用于丰富大型 3D 形状数据集的语义区域标注。它有效地结合了手动标注、自动传播和验证，以最大限度地减少用户工作量，同时最大限度地提高 3D 模型标注的准确性。

VideoMAE

AI 模型

MMAction2 是一个用于动作识别和视频理解任务的基础库。它提供了一个全面的工具包，用于开发和部署最先进的视频分析模型，该模型构建在 PyTorch 之上并与 OpenMMLab 生态系统集成。本档涵盖教程、API 参考和项目信息。

Wav2vec 2.0

AI 模型

用于自动语音识别的自监督学习算法。它从原始音频中学习，仅需极少量转录数据即可达到高精度。这使得更多语言、方言和领域能够实现语音识别，减少对海量标注数据集的依赖。Wav2vec 2.0 是一种用于自动语音识别的自监督学习算法。它从原始音频中学习，仅需极少量转录数据即可达到高精度。这使得更多语言、方言和领域能够实现语音识别，减少对海量标注数据集的依赖。

能够生成高质量、具有长期一致性的音频的 AI 模型。它将音频生成视为一项语言建模任务，将音频映射到离散的 token。该框架在生成自然连贯的语音和音乐续写方面表现出色，即使是针对未曾见过的说话人或风格。AudioLM 是一个能够生成高质量、具有长期一致性的音频的 AI 模型。它将音频生成视为一项语言建模任务，将音频映射到离散的 token。该框架在生成自然连贯的语音和音乐续写方面表现出色，即使是针对未曾见过的说话人或风格。

Flamingo

AI 模型

来自 Google DeepMind 的单一视觉语言模型 (VLM)，在各种多模态任务的少样本学习方面表现出色。它处理交错的图像、视频和文本，以生成相关的语言输出，仅需极少的特定任务示例即可完成，无需额外训练。Flamingo 是来自 Google DeepMind 的单一视觉语言模型 (VLM)，在各种多模态任务的少样本学习方面表现出色。它处理交错的图像、视频和文本，以生成相关的语言输出，仅需极少的特定任务示例即可完成，无需额外训练。

BEiT 图像 Transformer

AI 模型

自监督视觉表示模型，它使用掩码图像建模来预训练视觉 Transformer。它将图像分词为视觉标记，并恢复被掩码的图像块，在图像分类和语义分割等下游任务上取得了有竞争力的结果。BEiT 是一个自监督视觉表示模型，它使用掩码图像建模来预训练视觉 Transformer。它将图像分词为视觉标记，并恢复被掩码的图像块，在图像分类和语义分割等下游任务上取得了有竞争力的结果。

ImageBind by Meta AI

AI 模型

Meta AI 开发的多模态 AI 模型，能够融合图像、视频、音频、文本、深度和热成像六种模态的数据。它在无需显式监督的情况下学习单一的嵌入空间，从而为 AI 系统实现先进的跨模态理解和生成。ImageBind 是 Meta AI 开发的多模态 AI 模型，能够融合图像、视频、音频、文本、深度和热成像六种模态的数据。它在无需显式监督的情况下学习单一的嵌入空间，从而为 AI 系统实现先进的跨模态理解和生成。

HuggingFaceH4/zephyr-7b-beta

AI 模型

Zephyr-7B-β 是一个开源语言模型，通过直接偏好优化 (DPO) 从 Mistral-7B-v0.1 微调而来。它作为有用的助手表现出色，在 MT-Bench 和 AlpacaEval 基准测试中展现出强大的性能，非常适合聊天应用。

Fuyu-8B 多模态架构

AI 模型

开源的多模态人工智能模型，专为数字代理设计。其简化的架构支持任意图像分辨率，能够以快速的响应时间回答关于图表、示意图和用户界面元素的问题。它在标准基准测试中表现良好，并可在 HuggingFace 上获取。Fuyu-8B 是一款开源的多模态人工智能模型，专为数字代理设计。其简化的架构支持任意图像分辨率，能够以快速的响应时间回答关于图表、示意图和用户界面元素的问题。它在标准基准测试中表现良好，并可在 HuggingFace 上获取。

IDEFICS Visual Language Model

AI 模型

开放访问的视觉语言模型，能够复现最先进的性能。它接受交错的图像和文本输入，生成文本输出，其能力可与 Flamingo 等专有模型相媲美。提供 9B 和 80B 参数版本，支持多模态 AI 的研究和开发。IDEFICS 是一个开放访问的视觉语言模型，能够复现最先进的性能。它接受交错的图像和文本输入，生成文本输出，其能力可与 Flamingo 等专有模型相媲美。提供 9B 和 80B 参数版本，支持多模态 AI 的研究和开发。

人工智能模型，通过将冻结的视觉编码器与大型语言模型对齐，增强了视觉-语言理解能力。它可以生成详细的图像描述、根据草稿创建网站、创作受图像启发的故事情节，并解决视觉问题，展现了先进的多模态能力。MiniGPT-4 是一个人工智能模型，通过将冻结的视觉编码器与大型语言模型对齐，增强了视觉-语言理解能力。它可以生成详细的图像描述、根据草稿创建网站、创作受图像启发的故事情节，并解决视觉问题，展现了先进的多模态能力。

LLaVA

AI 模型

大型多模态模型，它将视觉编码器与语言模型相结合，用于通用的视觉和语言理解。它在多模态聊天能力方面表现出色，模仿 GPT-4，并通过视觉指令调优在 Science QA 等基准测试中取得了最先进的准确率。LLaVA 是一个大型多模态模型，它将视觉编码器与语言模型相结合，用于通用的视觉和语言理解。它在多模态聊天能力方面表现出色，模仿 GPT-4，并通过视觉指令调优在 Science QA 等基准测试中取得了最先进的准确率。

RWKV 语言模型

AI 模型

强大的语言模型，提供高效的推理和灵活的微调能力。它支持各种应用，包括桌面 GUI、基于 Web 的推理和移动应用，使先进的 AI 能够跨多个平台和设备用于各种任务。RWKV 是一个强大的语言模型，提供高效的推理和灵活的微调能力。它支持各种应用，包括桌面 GUI、基于 Web 的推理和移动应用，使先进的 AI 能够跨多个平台和设备用于各种任务。

OpenELM 语言模型

AI 模型

来自 Apple Machine Learning Research 的最先进的开放语言模型系列。它采用逐层缩放策略以提高准确性，并提供了一个完整的框架，用于在包括日志和检查点在内的公共数据集上进行训练和评估。该发布还包括在 Apple 设备上集成 MLX 的代码。OpenELM 是来自 Apple Machine Learning Research 的最先进的开放语言模型系列。它采用逐层缩放策略以提高准确性，并提供了一个完整的框架，用于在包括日志和检查点在内的公共数据集上进行训练和评估。该发布还包括在 Apple 设备上集成 MLX 的代码。

DBRX LLM

AI 模型

Databricks 推出的最先进的开源大型语言模型 (LLM)，在语言、编程和数学基准测试中表现出色。它提供了更高的效率和质量，超越了 GPT-3.5，并与 Gemini 1.0 Pro 竞争，使企业和开源社区能够获得先进的 LLM 功能。DBRX 是 Databricks 推出的最先进的开源大型语言模型 (LLM)，在语言、编程和数学基准测试中表现出色。它提供了更高的效率和质量，超越了 GPT-3.5，并与 Gemini 1.0 Pro 竞争，使企业和开源社区能够获得先进的 LLM 功能。

Caffe SSD

AI 模型

Caffe 框架集成 SSD 实现，用于目标检测。该存储库提供了一个快速、开放的深度学习框架，专门为单次多框检测器 (SSD) 定制。它能够使用单个模型训练和评估目标检测网络，提供高效的性能。

特征金字塔网络

AI 模型

通过利用深度卷积网络的金字塔结构，以极低的计算开销生成多尺度特征图，从而增强目标检测能力。该架构提高了对各种尺寸目标的检测精度，为实时检测任务提供了实用且高效的解决方案。特征金字塔网络 (FPN) 通过利用深度卷积网络的金字塔结构，以极低的计算开销生成多尺度特征图，从而增强目标检测能力。该架构提高了对各种尺寸目标的检测精度，为实时检测任务提供了实用且高效的解决方案。

TimeSformer 视频理解

AI 模型

新颖的 AI 架构，专门利用自注意力 Transformer 进行视频理解。它在动作识别基准测试中取得了最先进的成果，与传统的 3D CNN 相比，训练速度显著加快，推理计算成本更低。这使得更复杂的视频分析和实时应用成为可能。TimeSformer 是一种新颖的 AI 架构，专门利用自注意力 Transformer 进行视频理解。它在动作识别基准测试中取得了最先进的成果，与传统的 3D CNN 相比，训练速度显著加快，推理计算成本更低。这使得更复杂的视频分析和实时应用成为可能。

该人工智能模型提供了一个通用的图像到图像翻译解决方案。它能够学习图像映射和适当的损失函数，从而实现多样化的应用，例如根据标签合成照片、从边缘重建对象以及为图像着色。该框架具有可适应性，并已在各种流行的深度学习库中实现。

Google Research 开发的一款文本到图像扩散模型，它能生成具有深刻语言理解能力的逼真图像。Imagen 在图像-文本对齐和样本保真度方面表现出色，在人类评估中优于其他模型，并在 COCO 等基准测试中取得了最先进的 FID 分数。Imagen 是 Google Research 开发的一款文本到图像扩散模型，它能生成具有深刻语言理解能力的逼真图像。Imagen 在图像-文本对齐和样本保真度方面表现出色，在人类评估中优于其他模型，并在 COCO 等基准测试中取得了最先进的 FID 分数。

探索由 DiffWave 提供支持的音频合成演示，DiffWave 是一款多功能扩散模型。此资源展示了神经声码、类别条件生成、无条件波形创建和语音去噪能力。它提供了音频样本，并深入介绍了模型在各种数据集和条件下的性能，突出了其灵活性。

端到端的文本到语音模型，可提高语音质量和训练速度。它直接整合了音高和能量等语音变化信息，通过消除教师蒸馏并实现更快、更高质量的语音合成，从而改进了先前非自回归模型。FastSpeech 2 是一个端到端的文本到语音模型，可提高语音质量和训练速度。它直接整合了音高和能量等语音变化信息，通过消除教师蒸馏并实现更快、更高质量的语音合成，从而改进了先前非自回归模型。

DeBERTa - 微软研究院

AI 模型

微软研究院开发的大规模预训练语言模型。其性能超越 T5 11B 模型，并在 SuperGLUE 基准测试中取得了接近人类水平的结果。该先进模型为自然语言理解任务提供了强大的能力。DeBERTa 是微软研究院开发的大规模预训练语言模型。其性能超越 T5 11B 模型，并在 SuperGLUE 基准测试中取得了接近人类水平的结果。该先进模型为自然语言理解任务提供了强大的能力。

node2vec

AI 模型

可扩展的框架，用于学习图中节点的连续特征表示。它通过有偏随机游走来优化邻域保留，从而支持各种机器学习任务。该算法平衡了探索和利用，以获得丰富的节点嵌入。node2vec 是一个可扩展的框架，用于学习图中节点的连续特征表示。它通过有偏随机游走来优化邻域保留，从而支持各种机器学习任务。该算法平衡了探索和利用，以获得丰富的节点嵌入。

利用潜在扩散模型进行文本到音频生成的框架。它将各种模态转换为统一的“音频语言”（LOA），用于生成语音、音乐和音效。这种方法支持上下文学习，并利用自监督预训练模型进行多功能音频创作。AudioLDM 是一个利用潜在扩散模型进行文本到音频生成的框架。它将各种模态转换为统一的“音频语言”（LOA），用于生成语音、音乐和音效。这种方法支持上下文学习，并利用自监督预训练模型进行多功能音频创作。

文本到音频生成系统，采用提示增强的扩散模型。它通过伪提示增强和频谱图自编码器来解决数据稀缺和音频复杂性的问题。该系统取得了最先进的成果，并提供了从各种输入生成高清、高保真音频的可控性。Make-An-Audio 是一个文本到音频生成系统，采用提示增强的扩散模型。它通过伪提示增强和频谱图自编码器来解决数据稀缺和音频复杂性的问题。该系统取得了最先进的成果，并提供了从各种输入生成高清、高保真音频的可控性。

Decision Transformer

AI 模型

将强化学习重构为序列建模问题，利用 GPT-x 和 BERT 等 Transformer 架构。它通过对期望回报、过去状态和动作进行条件化来生成最优动作，在 Atari、OpenAI Gym 和 Key-to-Door 任务上达到了最先进的性能。Decision Transformer 将强化学习重构为序列建模问题，利用 GPT-x 和 BERT 等 Transformer 架构。它通过对期望回报、过去状态和动作进行条件化来生成最优动作，在 Atari、OpenAI Gym 和 Key-to-Door 任务上达到了最先进的性能。

MobileOne

AI 模型

高效的神经网络骨干网，专为移动设备设计。它针对推理速度进行了优化，在 iPhone12 上实现了低于 1 毫秒的推理时间，同时保持了高精度。该模型在图像分类、目标检测和语义分割任务上表现通用，在延迟和准确性方面均有显著提升。MobileOne 是一种高效的神经网络骨干网，专为移动设备设计。它针对推理速度进行了优化，在 iPhone12 上实现了低于 1 毫秒的推理时间，同时保持了高精度。该模型在图像分类、目标检测和语义分割任务上表现通用，在延迟和准确性方面均有显著提升。

全景特征金字塔网络

AI 模型

全景FPN将实例分割和语义分割统一到单一网络架构中。它通过使用共享的特征金字塔网络骨干网的语义分割分支来增强Mask R-CNN，为这两个任务提供了轻量级且有效的解决方案。本研究旨在为全景分割提供一个强大的基线。

BAAI 模型

AI 模型

BAAI 模型平台提供多样化的人工智能模型，涵盖自然语言处理、多模态理解和蛋白质分析等领域。您可以探索和下载用于文本生成、图像描述和蛋白质结构预测等任务的模型，以支持各种应用和研究需求。

RETRO 语言模型

AI 模型

RETRO（检索增强 Transformer）是一个将检索能力增强到 Transformer 架构中的 AI 模型。它能够访问包含网页、书籍、新闻和代码等海量文本的数据库，以提高语言生成的准确性和事实一致性。这种方法比标准 Transformer 提供了显著的性能提升。

BEGAN in Tensorflow

AI 模型

该存储库提供了BEGAN（边界平衡生成对抗网络）模型的TensorFlow实现。它允许用户训练和测试用于图像合成的生成模型，支持自定义数据集和GPU加速。该项目包括数据加载、模型架构和训练实用程序的代码。

LS-GAN

AI 模型

LS-GAN，即损失敏感生成对抗网络，是一个专注于推进GAN的项目。它引入了一种新颖的损失函数方法，旨在提高生成质量和稳定性。该项目提供了用于实现和试验LS-GAN及其变体的源代码。

StyleGAN3 是一种生成对抗网络，通过彻底改革信号处理来消除“纹理粘连”。它实现了平移和旋转的等变性，从而能够更连贯地合成视频和动画。该模型为动态视觉内容提供了改进的细节一致性。

用于高效非自回归音频生成的 AI 模型。它能以比以往方法快两个数量级的速度生成高质量音频，同时保持语音和声学条件的一致性。它能够合成自然的对话片段，并可控制语音内容、说话人声音和说话人轮次。SoundStorm 是一款用于高效非自回归音频生成的 AI 模型。它能以比以往方法快两个数量级的速度生成高质量音频，同时保持语音和声学条件的一致性。它能够合成自然的对话片段，并可控制语音内容、说话人声音和说话人轮次。

PatchTST

AI 模型

基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块（patches）并独立处理，提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码，实现了强大的预测能力。PatchTST 是一个基于 Transformer 的长时序预测模型的官方实现。它将时间序列分割成块（patches）并独立处理，提供高效且有效的预测。该项目提供了监督学习和自监督学习方法的代码，实现了强大的预测能力。

TimesNet

AI 模型

通用的时间序列分析基础模型，它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习，在预测、插补、异常检测和分类任务中取得了最先进的成果，能够处理多样化的时间模式。TimesNet 是一个通用的时间序列分析基础模型，它将一维序列转换为二维空间以增强建模能力。通过利用视觉骨干网络进行强大的表示学习，在预测、插补、异常检测和分类任务中取得了最先进的成果，能够处理多样化的时间模式。

AlphaStar

AI 模型

在复杂实时战略游戏《星际争霸 II》中达到宗师级的 AI 模型。它利用多智能体强化学习和模仿学习，在模拟人类限制的条件下进行游戏，不设游戏限制，展示了在动态环境中先进的 AI 能力。AlphaStar 是一个在复杂实时战略游戏《星际争霸 II》中达到宗师级的 AI 模型。它利用多智能体强化学习和模仿学习，在模拟人类限制的条件下进行游戏，不设游戏限制，展示了在动态环境中先进的 AI 能力。

AUI Apollo-1

AI 模型

AUI 的 Apollo-1 是一个面向任务型对话的神经符号基础模型。它通过代码而非权重进行推理，使公司能够构建在遵循业务规则的同时与用户进行对话的智能体。Apollo-1 提供可追溯的决策制定、工具激活、基于规则的可控性以及基于事实的响应，以实现可预测的 AI。

开源 AI 模型，可以将单张肖像照片和脚本或音频转换为同步口型的对话视频，生成对齐的音频和视频，且只需一次处理即可完成。可以在线免费试用或自托管。daVinci-MagiHuman 是一个开源 AI 模型，可以将单张肖像照片和脚本或音频转换为同步口型的对话视频，生成对齐的音频和视频，且只需一次处理即可完成。可以在线免费试用或自托管。

Cat-MaineCoon

AI 模型

针对社交互动应用优化的实时音视频生成模型。它拥有 220 亿个参数，支持流式生成和亚秒级交互，非常适合创建引人入胜的社交媒体内容。Cat-MaineCoon 是一个针对社交互动应用优化的实时音视频生成模型。它拥有 220 亿个参数，支持流式生成和亚秒级交互，非常适合创建引人入胜的社交媒体内容。

纳米香蕉 - 谷歌深度Mind

AI 模型

谷歌深度Mind为其Gemini图像模型所使用的品牌，旨在进行AI图像生成和编辑。它能够同时理解文本提示和上传的图像，遵循生成内容的现实逻辑，并允许用户通过对话来细化结果。它涵盖了一个专业级别，提供精确的工作室质量编辑，以及一个快速、低成本的级别，适合任何使用Gemini创建或编辑图像的人。纳米香蕉是谷歌深度Mind为其Gemini图像模型所使用的品牌，旨在进行AI图像生成和编辑。它能够同时理解文本提示和上传的图像，遵循生成内容的现实逻辑，并允许用户通过对话来细化结果。它涵盖了一个专业级别，提供精确的工作室质量编辑，以及一个快速、低成本的级别，适合任何使用Gemini创建或编辑图像的人。

Cohere Rerank

AI 模型

Rerank通过根据语义相关性重新排序结果来增强企业搜索和检索。它提高了准确性和效率，确保只有最相关的文档被处理，从而减少延迟并提升整体性能。

Google Veo 3.1

AI 模型

提供最先进的视频生成技术，具有细致的控制能力，使用户能够创建具有原生音频的电影级 4K 视频。经过优化以提高速度和效率，非常适合快速扩展社交媒体内容和广告创意。Google Veo 3.1 提供最先进的视频生成技术，具有细致的控制能力，使用户能够创建具有原生音频的电影级 4K 视频。经过优化以提高速度和效率，非常适合快速扩展社交媒体内容和广告创意。

Gemma 3n — Google DeepMind

AI 模型

先进的开放多模态模型，旨在实现高效的设备端性能。它支持音频、文本、图像和视频处理，使得隐私优先的应用能够离线工作。Gemma 3n 是一个先进的开放多模态模型，旨在实现高效的设备端性能。它支持音频、文本、图像和视频处理，使得隐私优先的应用能够离线工作。

用于音频合成和转换的框架，使用文本指令和可选的音频输入。它使创作者能够将声音幻想变为现实，提供了使用创新技术（如ComposeableART）进行音频创作和控制的工具。Fugatto是一个用于音频合成和转换的框架，使用文本指令和可选的音频输入。它使创作者能够将声音幻想变为现实，提供了使用创新技术（如ComposeableART）进行音频创作和控制的工具。

Chatterbox Turbo

AI 模型

Resemble AI 开发的开源文本转语音模型，具有超快的性能，参数量为 3.5 亿，延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆，并提供用于表现性输出的副语言标签。Chatterbox Turbo 是 Resemble AI 开发的开源文本转语音模型，具有超快的性能，参数量为 3.5 亿，延迟为 75 毫秒。它支持从 5 秒的音频中进行声音克隆，并提供用于表现性输出的副语言标签。

DeepSeek V4 Flash

AI 模型

为高级文本生成任务设计的 AI 模型集合。它利用开源和开放科学原则来实现人工智能的民主化，提供一系列具有不同参数的模型，以满足多样化的应用需求。DeepSeek V4 Flash 是一个为高级文本生成任务设计的 AI 模型集合。它利用开源和开放科学原则来实现人工智能的民主化，提供一系列具有不同参数的模型，以满足多样化的应用需求。

LTX-2.5 Pro

AI 模型

先进的开放权重扩散变换器模型，旨在用于多模态视频、音频和世界模拟。它提供高保真渲染、更流畅的运动和精确的控制，使其成为专业视频制作和实时应用的理想选择。LTX-2.5 Pro 是一款先进的开放权重扩散变换器模型，旨在用于多模态视频、音频和世界模拟。它提供高保真渲染、更流畅的运动和精确的控制，使其成为专业视频制作和实时应用的理想选择。

BAAI/bge-reranker-v2-m3

AI 模型

轻量级的多语言重排序模型，旨在快速推理和便捷部署。它为查询和文档输出相似度评分，支持中文和英文。BAAI/bge-reranker-v2-m3 是一个轻量级的多语言重排序模型，旨在快速推理和便捷部署。它为查询和文档输出相似度评分，支持中文和英文。

BgGPT-Gemma-2-27B-IT-v1.0

AI 模型

由 INSAIT 开发的保加利亚语言模型，基于谷歌的 Gemma 2 27B。它在保加利亚文化和语言任务中表现出色，同时保留了英语能力。BgGPT-Gemma-2-27B-IT-v1.0 是由 INSAIT 开发的保加利亚语言模型，基于谷歌的 Gemma 2 27B。它在保加利亚文化和语言任务中表现出色，同时保留了英语能力。

LTX-Video 模型

AI 模型

Lightricks 开发的基于 DiT 的视频生成模型，能够实时生成高质量视频。它以 1216×704 分辨率生成 30 FPS 视频，经过多样化数据集的训练，以实现逼真的内容。LTX-Video 是 Lightricks 开发的基于 DiT 的视频生成模型，能够实时生成高质量视频。它以 1216×704 分辨率生成 30 FPS 视频，经过多样化数据集的训练，以实现逼真的内容。

Qwen3-0.6B 模型

AI 模型

先进的语言模型，提供密集和专家混合能力。它在推理、多语言支持和代理集成方面表现出色，适合复杂任务。Qwen3-0.6B 是一款先进的语言模型，提供密集和专家混合能力。它在推理、多语言支持和代理集成方面表现出色，适合复杂任务。

Qwen3-Coder-480B-A35B-Instruct

AI 模型

强大的 AI 模型，专为代理编码任务设计。它支持长上下文能力，并在工具调用方面表现出色，使其适用于复杂的编码环境。Qwen3-Coder-480B-A35B-Instruct 是一个强大的 AI 模型，专为代理编码任务设计。它支持长上下文能力，并在工具调用方面表现出色，使其适用于复杂的编码环境。

Qwen3-32B 模型

AI 模型

大型语言模型，提供先进的推理、多语言支持和代理能力。它在复杂任务中表现出色，支持超过 100 种语言，实现思维模式与非思维模式之间的无缝切换，以优化性能。Qwen3-32B 是一款大型语言模型，提供先进的推理、多语言支持和代理能力。它在复杂任务中表现出色，支持超过 100 种语言，实现思维模式与非思维模式之间的无缝切换，以优化性能。

Qwen3-VL-235B-A22B-Instruct

AI 模型

强大的视觉语言模型，提供卓越的文本理解、视觉感知和推理能力。它支持灵活的部署，具备增强的多模态推理和空间感知能力。Qwen3-VL-235B-A22B-Instruct 是一个强大的视觉语言模型，提供卓越的文本理解、视觉感知和推理能力。它支持灵活的部署，具备增强的多模态推理和空间感知能力。

Qwen3.5-4B 模型

AI 模型

具有视觉编码器的因果语言模型，旨在实现高性能的多模态学习。它支持 201 种语言，并提供高效的混合架构以实现可扩展的强化学习。Qwen3.5-4B 是一种具有视觉编码器的因果语言模型，旨在实现高性能的多模态学习。它支持 201 种语言，并提供高效的混合架构以实现可扩展的强化学习。

Wan2.1-T2V-14B 模型

AI 模型

先进的视频生成模型，擅长文本到视频、图像到视频和视频编辑任务。它支持消费级 GPU，并生成具有显著运动动态的高质量视觉效果。Wan2.1-T2V-14B 是一款先进的视频生成模型，擅长文本到视频、图像到视频和视频编辑任务。它支持消费级 GPU，并生成具有显著运动动态的高质量视觉效果。

MiMo-V2.5-Pro

AI 模型

先进的开源混合专家语言模型，旨在处理复杂任务。它具有混合注意力架构，支持最长 100 万个标记的上下文长度，非常适合要求高的软件工程和长时间跨度的任务。MiMo-V2.5-Pro 是一个先进的开源混合专家语言模型，旨在处理复杂任务。它具有混合注意力架构，支持最长 100 万个标记的上下文长度，非常适合要求高的软件工程和长时间跨度的任务。

Virtuoso-Lite AI Model

AI 模型

基于 Llama-3 架构的 100 亿参数语言模型。它在推理、代码生成和数学问题解决方面表现出色，提供强大的性能和紧凑的体积。Virtuoso-Lite 是一个基于 Llama-3 架构的 100 亿参数语言模型。它在推理、代码生成和数学问题解决方面表现出色，提供强大的性能和紧凑的体积。

DeepSeek-V3.2 AI模型

AI 模型

先进的AI模型，旨在高效推理和代理任务。它具有DeepSeek稀疏注意力、可扩展的强化学习和大规模代理任务合成管道。DeepSeek-V3.2是一个先进的AI模型，旨在高效推理和代理任务。它具有DeepSeek稀疏注意力、可扩展的强化学习和大规模代理任务合成管道。

MusicGen Large

AI 模型

由 Meta AI 开发的文本到音乐模型，能够根据文本描述或音频提示生成高质量的音乐样本。它使用单阶段自回归 Transformer 模型进行高效的音乐生成。MusicGen Large 是由 Meta AI 开发的文本到音乐模型，能够根据文本描述或音频提示生成高质量的音乐样本。它使用单阶段自回归 Transformer 模型进行高效的音乐生成。

SmolVLM2: 视频理解模型

AI 模型

先进的视频理解模型，旨在高效地运行在各种设备上。它提供增强的视频分析和视觉推理能力，使视频理解在不同平台上变得可及。SmolVLM2 是一个先进的视频理解模型，旨在高效地运行在各种设备上。它提供增强的视频分析和视觉推理能力，使视频理解在不同平台上变得可及。

DeepSeek-V3-0324

AI 模型

先进的 AI 模型，提供了在推理能力、网页开发和中文写作能力方面的显著提升。它增强了多轮互动重写和翻译质量，使其成为开发者和研究人员的多功能工具。DeepSeek-V3-0324 是一个先进的 AI 模型，提供了在推理能力、网页开发和中文写作能力方面的显著提升。它增强了多轮互动重写和翻译质量，使其成为开发者和研究人员的多功能工具。