《紐約時報》起訴AI搜索公司Perplexity，指控其未經授權大量複製並傳播其新聞、視頻等版權內容，要求法院禁止侵權行爲並賠償損失。這是該報繼去年起訴OpenAI和微軟後，第二起針對生成式AI的版權訴訟。訴狀指出，Perplexity的檢索增強生成技術輸出內容與原文幾乎一致，僅今年8月就向紐時網站發起超17.5萬次爬取請求。
一項新研究顯示，Claude Opus4.5等先進AI模型能利用智能合約漏洞，在模擬攻擊中造成高達460萬美元損失。研究基於405個真實攻擊案例的基準測試，AI還審查了2849個新合約，發現兩個未知漏洞。
OpenAI因視頻生成應用Sora使用“Cameo”功能名稱遭起訴。原告Cameo公司指控其商標侵權，稱該功能允許用戶添加名人影像，與自家註冊商標高度相似，易致消費者混淆並損害品牌價值。訴狀強調此舉可能造成不可彌補損失。
調查顯示，62%的網絡安全負責人稱其員工在過去一年遭遇AI驅動的攻擊，主要包括提示注入和深度僞造音頻或視頻。其中，44%的企業報告了深度僞造音頻電話攻擊，6%的事件造成業務中斷、財務或知識產權損失。
PhotoCat的免費AI圖像擴展器，自然擴展圖像，無水印無畫質損失
免費在線工具，可無質量損失地去除OpenAI Sora2視頻水印
美間AI無損放大，一鍵提升圖片清晰度，讓圖像放大不失真
基於感知損失的擴散模型
Baidu
$0.1
輸入tokens/百萬
$0.4
輸出tokens/百萬
128
上下文長度
01-ai
-
200
Shawon16
這是一個基於VideoMAE-base架構的視頻理解模型，在未知數據集上進行了20個epoch的微調訓練。模型在評估集上表現有限，準確率為0.0041，損失值為7.7839。
Owen777
UltraFlux是一款基於Flux的擴散變換器，專門用於原生4K文本到圖像生成。它通過數據、架構和損失的協同設計，能夠在各種不同縱橫比下保持一致的圖像質量。
advy
本模型是基於meta-llama/Llama-3.1-70B-Instruct在特定數據集上微調得到的大語言模型，專門用於文本生成任務，在評估集上取得了0.6542的損失值表現。
magiccodingman
這是一個基於Qwen3 VL 8B模型的實驗性混合量化版本，採用MXFP4_MOE技術結合高精度權重，在保持接近Q8精度的同時，實現更小的文件體積和更高的推理速度。該模型探索了混合量化方法，在精度損失和性能之間取得了良好平衡。
yueqis
本模型是基於Qwen2.5-Coder-32B-Instruct在swe_only_sweagent數據集上微調的專業代碼生成模型，在評估集上取得了0.1210的損失值，專門針對軟件工程相關任務進行優化。
kmonis48
這是一個基於T5-small架構微調的英語到梵語翻譯模型，在50輪訓練後驗證損失達到0.1564，能夠高效準確地將英語文本翻譯為梵語。
beingbatman
本模型是基於VideoMAE-Large架構在Kinetics數據集上預訓練後，在未知數據集上進行微調的視頻理解模型。在評估集上取得了85.86%的準確率和0.7987的損失值，表現出優秀的視頻分類能力。
merve
這是一個基於DETR架構和DINOv3視覺骨幹網絡微調的車牌檢測模型，在評估集上取得了2.7008的損失值，專門用於車牌識別任務
Simia-Agent
本模型是基於Qwen/Qwen3-8B在特定數據集上微調的大語言模型，在評估集上取得了0.2248的損失值，具備改進的自然語言處理能力。
這是一個基於Qwen2.5-7B-Instruct進行微調的大語言模型，在C2_re_100k_tag5_cleaned_hermes_toolv6_dethink_replacedv1數據集上訓練，在評估集上取得了0.2549的損失值，具備優化的對話和工具使用能力。
本模型是基於Qwen/Qwen2.5-7B-Instruct在2and3_apps_30k_v6數據集上微調的大語言模型，在評估集上取得了0.1593的損失值，表現出良好的性能。
leukas
這是一個在訓練過程中因批量大小過小而意外訓練失敗的模型，訓練損失激增。但有趣的是，該模型在EWoK、實體跟蹤、形容詞名物化、COMPS和AoA等特定任務上表現出色，展現了'失敗中的成功'這一獨特現象。
Salesforce
Moirai 2.0 是一個僅含解碼器的通用時間序列預測Transformer模型，在多個高質量數據集上進行了預訓練，包括GIFT-Eval、Chronos數據集子集、合成時間序列和Salesforce內部運營數據。相比第一版本，在損失函數、預測方式、數據處理等方面進行了重大改進。
nunchaku-tech
Colossus Project Flux 的 Nunchaku 量化版本，旨在根據文本提示生成高質量圖像。該模型在優化推理效率的同時，將性能損失降至最低。
mit-han-lab
經過Nunchaku量化處理的FLUX.1-Kontext-dev版本，能夠根據文本指令編輯圖像，優化推理效率的同時將性能損失降至最低。
boboliu
Qwen3-Reranker-0.6B的GPTQ量化版本，顯存使用優化且精度損失小
這是經過GPTQ量化的Qwen3-Embedding-4B模型，顯存使用量顯著降低，性能損失較小。
Qwen3-Embedding-0.6B的GPTQ量化版本，顯存使用優化，性能損失較小
ConfidentialMind
這是 OpenGVLab/InternVL3-38B 的 FP8 靜態量化版本，針對使用 vLLM 進行高性能推理進行了優化，在視覺語言任務上實現了約 2 倍的加速，同時精度損失極小。
基於Shuttle Jaguar的Nunchaku量化版本，旨在根據文本提示生成高質量圖像，優化了高效推理並最小化性能損失。
%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)
