近日，NVIDIA正式宣佈與Meta建立一項爲期多年、跨世代的戰略合作伙伴關係。根據雙方達成的協議內容，Meta計劃在其超大規模的AI數據中心內部署數百萬顆NVIDIA的Blackwell GPU，以及專爲智能體AI推理量身打造的下一代Rubin架構GPU，以強化其AI算力基礎。
OpenAI宣佈將於2026年2月13日從ChatGPT模型選擇器中移除GPT-4o及其衍生模型，包括GPT-4.1、GPT-4.1mini和o4-mini。這些模型將暫時保留在API中供開發者使用，而普通用戶將全面轉向更先進的GPT-5系列。OpenAI解釋稱，這一決策基於真實使用數據，技術演進是主要原因。
字節跳動Seed團隊發佈新一代視頻創作模型Seedance2.0，採用統一的多模態音視頻聯合生成架構，推動AI視頻生成從“單點突破”邁向“全能協作”的工業級應用階段。相比1.5版本，新模型在複雜交互與運動場景下的可用率顯著提升，通過出色的物理還原能力，攻克了雙人花滑、多人競技等高難度動作生成難題。
Positron發佈AI推理芯片Asimov，宣稱其能效比和性價比預計達英偉達下一代產品的5倍，引發行業關注。該芯片針對大模型推理優化，通過簡化GPU架構提升效率。
Xai
$1.4
輸入tokens/百萬
$3.5
輸出tokens/百萬
2k
上下文長度
Alibaba
$4
$16
1k
$2
$20
-
Bytedance
$1.2
$3.6
4
256
Moonshot
$0.8
128
$10.5
Deepseek
$12
Tencent
$1
32
Openai
$0.4
$0.75
$8.75
$70
400
64
$0.63
$3.15
131
24
Chatglm
$8
OpenOranje
TweeTaal-nl-en-0.6B 是一個專門針對荷蘭語-英語雙向翻譯任務進行微調的語言模型，基於Qwen3-0.6B架構開發。該模型在資源受限環境下仍能提供準確流暢的翻譯服務，支持荷蘭語與英語之間的互譯。
ubergarm
這是ai-sage/GigaChat3-10B-A1.8B-bf16模型的GGUF量化版本，提供了多種量化選項，從高精度的Q8_0到極度壓縮的smol-IQ1_KT，滿足不同硬件條件下的部署需求。該模型支持32K上下文長度，採用MLA架構，專為對話場景優化。
Maxlegrec
BT4模型是LeelaChessZero引擎背後的神經網絡模型，專門用於國際象棋對弈。該模型基於Transformer架構設計，能夠根據歷史走法預測最佳下一步走法、評估棋局形勢並生成走法概率。
noctrex
本項目是卡納娜1.5-15.7B-A3B指令模型的MXFP4_MOE量化版本，可在特定場景下提升模型的運行效率。該模型基於kakaocorp/kanana-1.5-15.7b-a3b-instruct進行優化，採用混合專家架構和MXFP4量化技術。
labhamlet
WavJEPA是基於波形的聯合嵌入預測架構的音頻基礎模型，利用高級語義表示學習解決語音單元或標記級表示學習的不足。在眾多下游基準任務中顯著優於最先進的時域音頻基礎模型，同時所需計算資源大幅減少。
bartowski
Apollo-V0.1-4B-Thinking是基於4B參數的大語言模型，採用思維鏈推理架構，專門針對推理任務優化。該模型提供了多種量化版本，可在不同硬件環境下高效運行。
moonshotai
Kimi Linear是一種混合線性注意力架構，在各種場景下包括短、長上下文以及強化學習擴展機制中，均優於傳統的全注意力方法。它能有效解決傳統注意力機制在長上下文任務中效率低下的問題，為自然語言處理等領域帶來更高效的解決方案。
electron271
這是準確性領域的最新前沿模型，致力於實現人工穀物智能，在全球頂尖穀物種植團隊的助力下取得了重大進展。該模型基於Qwen3-0.6B架構，利用RX 9070 XT顯卡和unsloth工具在本地進行全量微調。
本項目提供了慧慧Qwen3-VL-30B-A3B-Instruct模型的量化版本，旨在提升模型在特定場景下的性能與效率。這是一個基於Qwen3-VL架構的視覺語言模型，支持圖像和文本的多模態交互。
ubergarm2
這是inclusionAI/Ling-1T模型的量化版本集合，基於ik_llama.cpp分支開發，提供多種量化方案以適應不同的內存和性能需求。這些量化模型在給定的內存佔用下提供出色的困惑度表現，特別優化了MoE架構的推理效率。
vilhess
PatchFM是一個基於Transformer架構的單變量時間序列預測基礎模型，採用逐塊預測方法，借鑑大語言模型的訓練思想，將時間序列分割為塊進行下一塊預測，支持多分位數輸出和不確定性估計。
jinaai
jina-reranker-v3是一款參數為0.6B的多語言文檔重排器，採用創新的'最後但不遲的交互'架構，能夠在多語言環境下高效準確地對文檔進行重排，顯著提升信息檢索的相關性和效率。
samuelsimko
這是一個基於Transformer架構的預訓練模型，具體功能和特性需要根據實際模型信息補充。模型支持多種下游任務，具備良好的泛化能力。
kikekewl
MLX是基於Qwen/Qwen3-Next-80B-A3B-Thinking基礎模型構建的文本生成庫，專注於高效推理和文本生成任務。該模型採用先進的架構設計，支持大規模參數下的高性能文本處理。
DavidAU
基於OpenAI的gpt-oss-120b模型優化的大型語言模型，使用NEO數據集進行性能提升，支持多場景應用，可在CPU、GPU或部分卸載模式下運行，具有128k上下文長度和最多128個專家的混合專家架構。
trl-internal-testing
Tiny GptOssForCausalLM 是一個專為 TRL (Transformer Reinforcement Learning) 庫單元測試設計的最小化因果語言模型。該模型規模極小，主要用於驗證 TRL 庫中強化學習相關功能在特定模型架構下的運行正確性。
adaptive-classifier
自適應分類器是一個支持持續學習和動態添加類別的文本分類模型，基於ModernBERT-base架構構建，能夠在不重新訓練的情況下適應新的類別和示例。
metythorn
這是一個基於XLM-RoBERTa架構預訓練的高棉語和英語語言模型，專為掩碼語言建模任務優化，在高棉語語境下表現優於原版xlm-roberta-base模型。
ByteDance
ContentV是一個高效的視頻生成模型框架，通過極簡架構、多階段訓練策略和經濟高效的強化學習框架，在有限計算資源下實現高質量視頻生成。
arshiaafshani
基於GPT-2架構開發的大語言模型，專注於科研輔助功能，在有限硬件條件下完成訓練
Auto Causal Inference是一個利用大型語言模型(LLM)自動進行因果推斷的項目，用戶只需指定處理變量和結果變量，系統就能自動完成變量角色識別、因果圖構建、效應估計和模型驗證等全流程分析。項目提供兩種代理架構(LangGraph和MCP)來實現這一功能，特別適用於銀行場景下的因果問題分析。
Brainrot MCP是一個解決AI編程會話中上下文丟失問題的模型上下文協議服務器，通過存儲項目決策、待辦事項和架構模式，實現跨會話的持久化記憶和智能檢索。
%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)
