俄勒冈州作家伊丽莎白·莱昂对Adobe提起集体诉讼，指控其训练轻量化语言模型SlimLM时，使用了包含其盗版作品在内的非法数据集。SlimLM专为移动设备文档辅助任务优化，Adobe称其基于开源数据集SlimPajama-627B训练。莱昂认为该数据集包含未经授权的作品，侵犯了作者权益。
谷歌发布轻量化旗舰模型Gemini3Flash，主打极速与低成本，全面取代前代产品，成为谷歌搜索AI模式及Gemini应用的默认底层引擎。实测显示，其速度提升3倍，价格大幅降低，为企业和开发者带来高性价比选择。
腾讯发布1B参数开源模型HunyuanOCR，基于混元多模态架构，在OCR应用中达到SOTA水平。模型采用端到端设计，一次推理即可获得最优结果，包含原生分辨率视频编码器、自适应视觉适配和轻量化混元语言三大核心组件。
腾讯混元开源10亿参数OCR模型HunyuanOCR，采用端到端设计，集成视频编码器、视觉适配器和轻量化语言模型，在多项榜单获SOTA成绩，以体积小、部署便捷为核心优势，提供高效OCR解决方案。
SmolVLM2 是一个专注于视频内容分析和生成的轻量化语言模型。
Openai
$2.8
Input tokens/M
$11.2
Output tokens/M
1k
Context Length
Google
$0.49
$2.1
Xai
$1.4
$3.5
2k
$7.7
$30.8
200
-
Anthropic
$105
$525
$0.7
$7
$35
$17.5
$21
Alibaba
$4
$16
$1
$10
256
Baidu
128
$2
$20
$6
$24
catalystsec
本项目对MiniMax-M2模型进行4位量化处理，使用DWQ（动态权重量化）方法，借助mlx-lm库达成。该模型是MiniMax-M2的轻量化版本，在保持较好性能的同时大幅减小模型体积。
这是一个基于ByteDance Seed-OSS-36B-Instruct模型通过DWQ量化为4位的轻量化版本，使用mlx-lm 0.27.1从BF16教师模型中蒸馏而来，支持中英双语文本生成任务。
kawaimasa
专为日语小说创作优化的轻量化大语言模型，基于Mistral架构，提供创意生成、正文续写等功能
DevQuasar
这是慧慧AI基于Qwen3-14B模型的量化版本，旨在通过模型压缩技术让大语言模型更加轻量化，降低硬件需求，使知识获取更加普及和便捷。
阿里巴巴PAI发布的轻量化版本Qwen2.5大语言模型，专注于高效文本生成任务
naver-hyperclovax
HyperCLOVAX-SEED-Vision-Instruct-3B是由NAVER开发的轻量化多模态模型，具备图文理解和文本生成能力，特别优化了韩语处理能力。
pytorch
这是一个基于微软Phi-4-mini-instruct模型进行量化处理的轻量化版本，采用INT8嵌入和INT8动态激活加INT4权重线性量化方案，专门为移动设备部署优化。
briaai
BRIA 3.1 是一款基于完全授权数据训练的高质量文本生成图像模型，提供高视觉保真度与强提示对齐能力，同时保持40亿参数的轻量化设计。
efficient-speech
Lite-Whisper 是采用 LiteASR 技术压缩的 OpenAI Whisper 轻量化版本，在保持较高识别准确率的同时显著减小模型体积。
AdamCodd
基于YOLO架构的轻量化人脸检测模型，专为高效人脸检测设计，在WIDERFACE数据集上训练。
NimVideo
为genmoai mochi-1模型蒸馏的变换器，由42个模块组成（原版48个模块），通过迭代删除MSE值最小的模块实现轻量化
NbAiLab
挪威国家图书馆开发的挪威语自动语音识别模型的轻量化加速版本，通过蒸馏过程减少参数量，同时保持转录质量。
zai-org
GLM-Edge-4B-Chat是智谱AI开发的一个40亿参数的中英双语对话模型，专门针对边缘设备优化，支持高效的文本生成任务。该模型基于Transformer架构，具有轻量化、高效率的特点，适合在资源受限的环境中部署。
taobao-mnn
基于Qwen2.5-0.5B-Instruct通过llmexport工具导出的MNN模型的4位量化版本，专为文本生成和聊天场景优化，具有轻量化和高效推理的特点。
LightEmbed
荷兰法医研究所RobBERT-2022荷兰语句嵌入模型的ONNX版本，专为高速和轻量化性能优化。
urchade
GLiNER是一个通用的命名实体识别模型，能够识别任何实体类型，为传统NER模型和大型语言模型提供了轻量化替代方案。
Aryanne
本项目基于mistralai/Mistral-7B-Instruct-v0.2模型进行精简处理，将中间层大小从14336缩减至3072，参数量从约70亿减少至约28.1亿，是一个轻量化的大语言模型。由于精简后生成内容为乱码，需要进行预训练恢复性能。
Falconsai
基于DistilBERT的轻量化意图分类模型，高效识别用户文本意图
diffusers
基于Stable Diffusion XL的轻量化ControlNet深度控制模型，使用深度条件进行训练，比原始XL ControlNet检查点小7倍，能够根据深度图生成高质量的图像。
nota-ai
BK-SDM是通过架构压缩的稳定扩散模型，用于高效通用文生图合成，通过移除U-Net中的残差和注意力块实现轻量化。
%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)
