跳到正文

开源生态

开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。

当前仅显示精选新闻
340条精选相关主题模型发布Hugging FaceAI 编码

最新精选

第 281–300 条 · 共 340 条
6月4日周四
  1. Hugging Face Blog66

    NVIDIA Nemotron 3.5 ASR 如何微调适配特定语言、领域或口音

    NVIDIA 在 Hugging Face 博客给出 Nemotron 3.5 ASR 的微调流程，用约 2000 小时希腊语和保加利亚语数据微调后，在 80ms 流式设置下 WER 分别从 35 降到 24、从 22 降到 15。

    推荐理由：文章概述了从基础检查点微调流式多语种 ASR 的流程，并用希腊语和保加利亚语的 WER 变化说明微调对低资源语言的效果。

  2. AI寒武纪 · 微信公众号80

    谷歌DeepMind开源Gemma 4 12B，16GB内存笔记本可本地跑多模态

    谷歌DeepMind发布并开源Gemma 4 12B，这是一个统一、无编码器的多模态模型，只需16GB显存或统一内存即可在消费级笔记本上运行。它在标准评测基准上的成绩接近26B MoE模型，总内存占用不到后者一半，采用Apache 2.0协议，预训练与指令微调权重可从Hugging Face和Kaggle下载。

    推荐理由：原文介绍了无编码器多模态架构如何降低延迟和内存占用，并列出16GB笔记本可用的本地运行入口。

  4. LMSYS Blog60

    Higgs Audio v3 TTS 上线 SGLang-Omni，支持实时流式语音与控制标签

    Boson AI 与 SGLang-Omni 团队宣布在 SGLang-Omni 上提供 Higgs Audio v3 TTS 的端到端服务。模型约 4B 参数，基于 Qwen3-4B，支持流式合成和 100 种语言的个位数 WER/CER，零样本克隆在 Seed-TTS 上 WER/CER 为 1.11%。

    推荐理由：原文给出多级推理架构、控制标签目录和基准延迟数据，开发者可据此评估把 TTS 接入语音 Agent 的可行性。

6月3日周三
  1. @MiniMax_AI74

    MiniMax 发布多模态模型 MiniMax-M3，在 Vals Index 与 Vals Multimodal Index 上成为新的开源权重 SOTA。据其引用的 ValsAI 内容，这是 MiniMax 首款多模态模型，整体排名第 6。

    引用Vals AI (@ValsAI)@ValsAI

    MiniMax just released MiniMax-M3, their first multimodal model. It is the new open-weight SOTA on the Vals Index and the Vals Multimodal Index, and #6 overall.

    推荐理由：MiniMax 的多模态模型在 Vals 两个榜单取得开源权重最佳成绩，读者可对照它与整体榜单前列的排名差距。

6月2日周二
  2. @MiniMax_AI73

    MiniMax 发布开源权重模型 M3，称其同时具备编码与智能体、1M 长上下文和原生多模态三项前沿能力。官方给出的基准成绩包括 SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0%、SWE-fficiency 34.8%、KernelBench Hard 28.8% 和 MCP Atlas 74.2%，并通过 MiniMax Sparse Attention 将上下文扩展至 1M。API 已在 platform.minimax.io 开放，MiniMax Code 入口为 code.minimax.io，权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

    推荐理由：官方给出 M3 在编码与智能体基准上的具体分数和 1M 上下文，读者可据此对照同类开源模型的能力边界。

6月1日周一
  1. @kimmonismus68

    Cosmos 3 发布 Nano（8B）和 Super（32B）两个规格，两者目前均已在 Hugging Face 上线。Nano 可在单张工作站 GPU 上运行实时机器人任务，Super 为数据中心级、追求最高质量。随模型还开放了六个数据集和完整的后训练脚本，位于 GitHub。

    推荐理由：Cosmos 3 以工作站单卡和数据中心两种规格发布，并配套开放数据集与后训练脚本，读者可据此判断机器人模型的部署取舍。

  2. @MiniMax_AI76

    MiniMax 宣布 M3 在 OrcaRouter 首日上线，首周使用可享 50% 折扣。引用信息显示，M3 支持最高 1M token 上下文（最低保证 512K），具备新一代稀疏注意力、更快推理和更强的智能体工作流，并称其为最受期待的开源模型发布之一。

    引用OrcaRouter 🐳 (@OrcaRouter)@OrcaRouter

    🚀 @MiniMax_AI M3 is now available on OrcaRouter. One of the most anticipated open model releases, bringing next-gen sparse attention, ultra-long context handling (up to 1M tokens of context with a guaranteed minimum of 512K), faster inference, and stronger agentic workflows. Try it out here: orcarouter.ai/models/minimax…

    推荐理由：MiniMax M3 首日上线 OrcaRouter，读者可据此了解其长上下文与智能体工作流的能力定位。

  3. @MiniMax_AI69

    MiniMax 发布 M3，引用内容描述其为开放权重的前沿级模型，具备 1M 上下文窗口和图像、视频原生多模态能力。MiniMax 官方账号表示 M3 可与 visionagents_ai 结合用于实时语音与视频。

    引用Vision Agents (@visionagents_ai)@visionagents_ai

    Congrats to the @MiniMax_AI team on the release of M3! 👉 A frontier-class open-weight model 👉 1M context window 👉 Native multimodality (image & video)

    推荐理由：MiniMax M3 以开放权重、1M 上下文和原生多模态发布，读者可据此了解实时语音与视频的集成方向。

  4. @MiniMax_AI75

    MiniMax-M3 已在 Venice（@AskVenice）上线，作者称其开放权重，具备前沿编码与智能体能力，支持 1M 上下文和原生多模态，首日即可用并支持匿名访问。引用文案称其为首个兼具前沿编码与智能体性能并原生支持多模态的开放权重模型，面向长周期复杂工作流。

    引用Venice (@AskVenice)@AskVenice

    MiniMax-M3 by @MiniMax_AI is now live on Venice. The first open-weight model to deliver frontier coding and agentic performance with native multimodality. Built for long-horizon, complex workflows. Available anonymously.

    推荐理由：MiniMax-M3 以开放权重同时具备前沿编码与智能体能力，支持 1M 上下文和原生多模态，面向长周期复杂工作流。

  6. @ollama67

    MiniMax M3 上线 Ollama Cloud，双方合作下该模型部署在美国并采用零数据保留。用户可通过 Claude Code 与 Codex 调用，命令如 ollama launch claude --model minimax-m3:cloud 和 ollama launch codex --model minimax-m3:cloud。据转发的 MiniMax 介绍，M3 是首个融合三项前沿能力的开放权重模型，MiniMax Sparse Attention 将上下文扩展至 1M，权重与技术报告约 10 天后发布。

    引用MiniMax (official) (@MiniMax_AI)@MiniMax_AI

    Introducing MiniMax M3: The First Open-Weights Model to Combine Three Frontier Capabilities - Coding & Agentic Frontier: 59.0% SWE-Bench Pro, 66.0% Terminal Bench 2.1, 34.8% SWE-fficiency, 28.8% KernelBench Hard, 74.2% MCP Atlas - MiniMax Sparse Attention scales context to 1M - Natively Multimodal from Step Zero API: platform.minimax.io Token Plan: platform.minimax.io/subscrib… 🚀New! MiniMax Code: code.minimax.io Weights & Tech Report in ~10 Days

    推荐理由：材料给出 M3 在 Ollama Cloud 的调用命令与零数据保留说明，可据此直接上手编码与智能体任务。

  7. MiniMax Blog81

    MiniMax 发布 M3：1M 上下文、原生多模态与前沿编码能力

    MiniMax 发布 M3 模型，采用自研稀疏注意力架构 MSA，支持最高 1M token 上下文，SWE-Bench Pro 得分 59.0%、Terminal-Bench 2.1 得分 66.0%，并原生支持图像与视频输入及桌面操作。

    推荐理由：官方详解了 MSA 架构与 1M 上下文的具体实现，并给出多项基准成绩和真实任务案例，可据此评估其编码与长程智能体能力。

5月29日周五
  1. @OpenRouter69

    阶跃星辰发布 Step 3.7 Flash，主打 agent 效率，采用 198B 稀疏 MoE、约 11B 激活、256K 上下文和 3 级推理，以 Apache 2.0 开放权重。该模型在 ClawEval-1.1 得 67.1、SimpleVQA Search 得 79.2 均列第一，SWE-PRO 得 56.3，并支持 Claude Code、MCP 等工具调用，可在 Mac Studio M4 Max、DGX Spark 等设备本地运行。

    引用StepFun (@StepFun_ai)@StepFun_ai

    ⚡️ Step 3.7 Flash is here: The new frontier is agent efficiency. #1 ClawEval-1.1 (67.1), #1 SimpleVQA Search (79.2), #2 SWE-PRO (56.3), 95.3 on V* Python. Open weights under Apache 2.0. Built for agentic, coding, search, and multimodal workflows — balancing speed, cost, and reliable execution. - 400 TPS. 198B sparse MoE, ~11B active. 256K context, 3 reasoning levels. - Understands UIs, charts, docs, images — then writes code or calls tools to act on what it sees. - Web + visual search reaches further: more sources, deeper follow-up. - Reliable tool use — less drift, fewer broken toolcalls. 98%+ on τ²-bench across all difficulty levels. - Works with Claude Code, KiloCode, Hermes Agent, OpenClaw, and protocols like MCP. - Runs locally on Mac Studio M4 Max, DGX Spark, AMD AI Max+ 395. GitHub: github.com/stepfun-ai/Step-3… HuggingFace: huggingface.co/stepfun-ai/St… GGUF: huggingface.co/stepfun-ai/St… ModelScope: modelscope.cn/models/stepfun… API: platform.stepfun.ai Blog: static.stepfun.com/blog/step…

    推荐理由：从开放权重和速度成本平衡切入 agent 场景，读者可对照其编程与搜索评测及本地部署支持。

5月28日周四
  2. Hugging Face Blog68

    Artificial Analysis 与 IBM 发布 ITBench-AA 基准，前沿模型在智能体企业 IT 任务上得分不足 50%

    Artificial Analysis 与 IBM 软件创新实验室发布 ITBench-AA，这是首个面向智能体企业 IT 任务的基准系列，首批聚焦 SRE 场景，前沿模型得分均低于 50%。

    推荐理由：前沿模型在这套企业IT智能体基准上全部低于50%，并给出开源权重模型的每任务成本对照，可作为能力与成本参照。

5月27日周三
  1. inclusionAI Hugging Face models68

    inclusionAI 发布 LLaDA2.0-Uni，统一多模态理解与生成的扩散 MoE 大模型

    inclusionAI 发布基于 MoE 的扩散大语言模型 LLaDA2.0-Uni，在单一模型中统一多模态理解与生成，支持文生图、图像理解、图像编辑以及交错生成与推理。

    推荐理由：模型把多模态理解与生成统一进扩散 LLM 框架，并公开 8 步解码与加速方案，读者可据此判断部署门槛。

  2. Hugging Face Blog66

    TRL 推出 Delta Weight Sync，异步 RL 每步权重传输从 1.2GB 降至 20-35MB

    Hugging Face 在 TRL 中实现 Delta Weight Sync，只把 RL 相邻优化步骤间真正变化的 bf16 权重编码为稀疏 safetensors 文件，上传到 Hugging Face Bucket 后由 vLLM 拉取。

    推荐理由：TRL 通过稀疏增量同步把异步 RL 每步权重传输量压缩约两个数量级，并允许 trainer 与推理集群分离部署。