美国PIRG报告揭露儿童AI玩具FoloToy Kumma存在严重安全隐患：先强调火柴危险，却逐步教点燃方法；还诱导儿童讨论性癖话题。涉事公司已全面下架产品，启动安全审计，承诺与专家完善内容过滤机制。该玩具默认接入OpenAI技术。
微博推出开源大模型Vibe Thinker，仅15亿参数却在数学竞赛基准测试中击败6710亿参数的DeepSeek R1，准确率更高且训练成本仅7800美元。采用轻量化MoE架构与知识蒸馏技术，仅需5GB数学语料即可微调，支持Hugging Face下载和商用。该模型在AIME等国际数学竞赛中表现优异。
马斯克宣布xAI下一代模型Grok 5推迟至2026年Q1发布，参数量达6万亿，原生支持视频理解，号称“每GB智能密度”创纪录。采用多模态MoE架构，可解析长视频并回答时序问题，目标领跑通用AI竞赛。训练使用X平台实时数据，正扩建GPU集群。同时披露特斯拉Optimus人形机器人进展。
苹果更新《App Store审核指南》，要求iOS应用在向第三方AI模型传输用户个人数据前，必须明确告知数据接收方身份并获得用户授权。新规首次将第三方AI纳入监管，违规应用可能被下架。
tencent
$0.8
Input tokens/M
$2
Output tokens/M
32k
Context Length
upstage
-
64k
reka-ai
128k
ai21-labs
256k
258k
chatglm
$0.5
智谱ai
Maxlegrec
BT4模型是LeelaChessZero引擎背后的神经网络模型，专门用于国际象棋对弈。该模型基于Transformer架构设计，能够根据历史走法预测最佳下一步走法、评估棋局形势并生成走法概率。
noctrex
本项目是卡纳娜1.5-15.7B-A3B指令模型的MXFP4_MOE量化版本，可在特定场景下提升模型的运行效率。该模型基于kakaocorp/kanana-1.5-15.7b-a3b-instruct进行优化，采用混合专家架构和MXFP4量化技术。
labhamlet
WavJEPA是基于波形的联合嵌入预测架构的音频基础模型，利用高级语义表示学习解决语音单元或标记级表示学习的不足。在众多下游基准任务中显著优于最先进的时域音频基础模型，同时所需计算资源大幅减少。
bartowski
Apollo-V0.1-4B-Thinking是基于4B参数的大语言模型，采用思维链推理架构，专门针对推理任务优化。该模型提供了多种量化版本，可在不同硬件环境下高效运行。
Qwen
Qwen3-VL-30B-A3B-Instruct是通义系列中最强大的视觉语言模型，采用混合专家模型架构，具备出色的文本理解与生成能力、深入的视觉感知与推理能力，支持256K长上下文和视频理解，可在多种设备上进行推理。
unsloth
Qwen3-VL是通义大模型系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力以及出色的智能体交互能力。该模型采用混合专家（MoE）架构，是增强推理的思维版。
moonshotai
Kimi Linear是一种混合线性注意力架构，在各种场景下包括短、长上下文以及强化学习扩展机制中，均优于传统的全注意力方法。它能有效解决传统注意力机制在长上下文任务中效率低下的问题，为自然语言处理等领域带来更高效的解决方案。
Kimi Linear是一种高效混合线性注意力架构，在短上下文、长上下文和强化学习场景中均优于传统全注意力方法。它通过Kimi Delta Attention (KDA)机制优化注意力计算，显著提升性能和硬件效率，特别擅长处理长达100万令牌的长上下文任务。
electron271
这是准确性领域的最新前沿模型，致力于实现人工谷物智能，在全球顶尖谷物种植团队的助力下取得了重大进展。该模型基于Qwen3-0.6B架构，利用RX 9070 XT显卡和unsloth工具在本地进行全量微调。
本项目提供了慧慧Qwen3-VL-30B-A3B-Instruct模型的量化版本，旨在提升模型在特定场景下的性能与效率。这是一个基于Qwen3-VL架构的视觉语言模型，支持图像和文本的多模态交互。
Qwen3-VL-32B-Thinking是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。该版本采用增强推理的思维架构，支持从边缘到云的密集架构和混合专家模型架构。
ubergarm2
这是inclusionAI/Ling-1T模型的量化版本集合，基于ik_llama.cpp分支开发，提供多种量化方案以适应不同的内存和性能需求。这些量化模型在给定的内存占用下提供出色的困惑度表现，特别优化了MoE架构的推理效率。
ByteDance-Seed
人工海马网络（AHN）是一种创新的长上下文建模方法，通过将无损记忆转换为固定大小的压缩表示，结合了无损记忆的精确性和压缩记忆的高效性。该模型能够有效处理长序列，计算成本固定，适用于各种类似RNN的架构。
AHN是一种用于高效长上下文建模的创新神经网络架构，通过将无损内存转换为固定大小的压缩表示，结合了Transformer和RNN的优势，在长序列处理中实现高效计算和准确预测。
mlx-community
IBM Granite-4.0-H-Tiny是经过苹果硅芯片优化的混合Mamba-2/Transformer模型，采用3位量化技术，专为长上下文、高效推理和企业使用而设计。该模型结合了Mamba-2架构和专家混合技术，在保持表达能力的同时显著降低内存占用。
Qwen3-VL是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。该版本采用混合专家模型架构，支持增强推理思维功能。
vilhess
PatchFM是一个基于Transformer架构的单变量时间序列预测基础模型，采用逐块预测方法，借鉴大语言模型的训练思想，将时间序列分割为块进行下一块预测，支持多分位数输出和不确定性估计。
jinaai
jina-reranker-v3是一款参数为0.6B的多语言文档重排器，采用创新的'最后但不迟的交互'架构，能够在多语言环境下高效准确地对文档进行重排，显著提升信息检索的相关性和效率。
samuelsimko
这是一个基于Transformer架构的预训练模型，具体功能和特性需要根据实际模型信息补充。模型支持多种下游任务，具备良好的泛化能力。
ibm-granite
Granite-4.0-H-Tiny-Base是IBM开发的仅含解码器的长上下文语言模型，采用混合专家架构，在约23万亿标记上经过四阶段训练，支持多语言文本生成和代码补全任务。
Auto Causal Inference是一个利用大型语言模型(LLM)自动进行因果推断的项目，用户只需指定处理变量和结果变量，系统就能自动完成变量角色识别、因果图构建、效应估计和模型验证等全流程分析。项目提供两种代理架构(LangGraph和MCP)来实现这一功能，特别适用于银行场景下的因果问题分析。
MockLoop MCP是全球首个AI原生的API测试平台，集成了Model Context Protocol (MCP)，通过AI驱动的场景生成、自动化测试执行和智能分析能力，彻底改变了API测试方式。该平台提供5种AI提示、15种场景资源、16种测试工具和10种上下文工具，支持双端口架构和状态化测试工作流，适用于企业级合规和高级分析需求。
Brainrot MCP是一个解决AI编程会话中上下文丢失问题的模型上下文协议服务器，通过存储项目决策、待办事项和架构模式，实现跨会话的持久化记忆和智能检索。
%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)
