法国AI初创公司Mistral AI完成8.3亿美元债务融资，将用于在巴黎附近建设AI数据中心。该中心将部署44MW算力，配备13800块英伟达GB300 GPU，以支持AI应用发展。
欧洲AI公司Mistral AI完成8.3亿美元债务融资，将用于在巴黎近郊建设顶级AI数据中心。该中心计划部署超1.3万块英伟达GB300 GPU，以大幅提升算力。融资获七家国际银行支持，显示金融界对欧洲AI发展的信心。
英国GPU云计算初创公司Nscale完成20亿美元C轮融资，投后估值达146亿美元，或为欧洲史上最大单笔系列融资。公司成立于2024年，由澳大利亚比特币挖矿公司转型而来，迅速成为AI基础设施领域关键玩家，通过建设数据中心和运营云服务参与全球算力竞争。
英伟达最新财报显示，公司季度营收达680亿美元，同比增长73%，创下历史新高。其中数据中心业务贡献620亿美元，占比超九成，全年总营收达2150亿美元。公司首次细化披露数据中心收入构成，510亿美元来自以GPU为核心的计算业务。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
-
Anthropic
$105
$525
200
$21
Google
$0.7
Alibaba
$6
$24
256
$8
$240
52
Moonshot
$4
$16
Bytedance
$0.8
$2
128
Baidu
32
$0.4
$8.75
$70
400
$1.75
$14
$0.35
64
$0.63
$3.15
131
Tencent
24
$1.8
$5.4
16
pnnbao-ump
VieNeu-TTS-1000h是一款先进的越南语端侧文本转语音模型，基于约1000小时高质量越南语语音数据训练，具备即时语音克隆功能，支持越南语与英语的无缝切换，能在CPU或GPU上实时合成24kHz波形。
RedHatAI
Llama-4-Maverick-17B-128E-Instruct-NVFP4是一个经过FP4量化处理的多语言大语言模型，基于Meta-Llama-3.1架构，专为商业和研究用途设计。该模型通过将权重和激活量化为FP4数据类型，显著减少了磁盘空间和GPU内存需求，同时保持较好的性能表现。
这是unsloth/Mistral-Small-3.2-24B-Instruct-2506的量化版本，通过将权重和激活函数量化为FP4数据类型，减少了磁盘大小和GPU内存需求，同时支持vLLM推理。在多个任务上进行了评估以与未量化模型对比质量。
这是Qwen3-235B-A22B-Instruct-2507模型的量化版本，通过将权重和激活量化为FP4数据类型，显著降低了磁盘大小和GPU内存需求，同时保持与原始模型相近的性能表现。
这是NVIDIA-Nemotron-Nano-9B-v2模型的FP8动态量化版本，通过将权重和激活量化为FP8数据类型实现优化，显著减少磁盘大小和GPU内存需求约50%，同时保持出色的文本生成性能。
这是Qwen3-VL-235B-A22B-Instruct的量化版本，通过将权重和激活值量化为FP8数据类型，有效减少了磁盘大小和GPU内存需求约50%。支持文本、图像和视频输入，输出文本，适用于多种自然语言处理和多模态任务。
Qwen3-VL-235B-A22B-Instruct-FP8-dynamic 是 Qwen3-VL-235B-A22B-Instruct 的量化版本，通过将权重和激活量化为 FP8 数据类型，显著减少了磁盘大小和 GPU 内存需求，同时保持了较高的模型性能。
nvidia
NVIDIA Qwen3-14B FP4模型是阿里巴巴Qwen3-14B模型的量化版本，采用FP4数据类型进行优化，通过TensorRT-LLM进行高效推理。该模型专为NVIDIA GPU加速系统设计，适用于AI Agent系统、聊天机器人、RAG系统等多种AI应用场景，支持全球范围内的商业和非商业使用。
NVIDIA Qwen3-14B FP4 模型是阿里云 Qwen3-14B 模型的量化版本，采用优化的 Transformer 架构，是一个自回归语言模型。该模型使用 TensorRT Model Optimizer 进行量化，将权重和激活量化为 FP4 数据类型，可在 NVIDIA GPU 加速系统上实现高效推理。
Devstral-Small-2507-FP8-Dynamic是通过将Devstral-Small-2507的权重和激活量化为FP8数据类型而获得的优化模型，能够有效减少GPU内存和磁盘大小需求约50%，同时保持接近原始模型的性能表现。
DavidAU
基于OpenAI的gpt-oss-120b模型优化的大型语言模型，使用NEO数据集进行性能提升，支持多场景应用，可在CPU、GPU或部分卸载模式下运行，具有128k上下文长度和最多128个专家的混合专家架构。
Meta-Llama-3.3-70B-Instruct-NVFP4 是 Meta-Llama-3.3-70B-Instruct 的量化版本，通过将权重和激活量化为 FP4 数据类型，显著减少了磁盘大小和 GPU 内存需求，同时保持较高的性能表现。该模型支持多语言，适用于商业和研究用途。
RedHatAI开发的SmolLM3-3B模型的FP8量化版本，通过将权重和激活值量化为FP8数据类型，显著减少GPU内存需求和磁盘空间占用，同时提升计算吞吐量。
NVIDIA DeepSeek-R1-0528-FP4 是 DeepSeek R1 0528 模型的量化版本，采用优化的 Transformer 架构，权重和激活值量化为 FP4 数据类型，显著减少磁盘大小和 GPU 内存需求，支持 TensorRT-LLM 推理引擎实现高效推理。
经过量化处理的DeepSeek-R1-0528模型，通过将权重量化为INT4数据类型，显著降低了GPU内存和磁盘空间的需求。
speakleash
该模型是Bielik-4.5B-v3.0-Instruct的FP8量化版本，通过AutoFP8技术将权重和激活量化为FP8数据类型，减少约50%的磁盘空间和GPU内存需求。
Qwen3-14B-FP8-dynamic 是一个经过优化的大语言模型，通过将激活值和权重量化为 FP8 数据类型，有效降低了 GPU 内存需求，提高了计算吞吐量。
arshiaafshani
Arsh LLM是为科研设计的开源大语言模型，基于olmo混合数据集在T4 GPU上完成预训练，总耗时约4-5天。
tngtech
基于OLMo-2-0325-32B-Instruct模型，使用Open R1数学数据集在AMD MI300X GPU上微调，专注提升数学推理能力
这是DeepSeek-R1-Distill-Qwen-1.5B的量化版本，通过将权重和激活量化为INT8数据类型，有效减少了GPU内存需求和磁盘空间占用，同时提升了计算吞吐量。该模型由Neural Magic开发，基于Qwen2ForCausalLM架构。
该项目集成Graphistry的GPU加速图可视化平台与模型控制协议(MCP)，为AI助手和大型语言模型提供先进的图分析能力，支持多种数据格式和网络分析功能。
Safetensors%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
