大華股份在同行拼參數時，將6B視覺模型塞進16GB顯存邊緣盒子，Q3淨利增44%至10.6億元。其2019年起用Transformer自洗數據、自標註，五年後"1+2"體系發展出V/M/L系列模型，實現高效邊緣AI部署。
阿里巴巴開源Z-Image圖像模型，支持中英雙語文字渲染，僅6B參數實現高效圖像生成與編輯，視覺質量優秀。該模型由通義實驗室開發，聚焦AI技術趨勢，助力開發者洞悉創新應用。
阿里通義實驗室推出Z-Image-Turbo模型，僅6B參數卻媲美20B+閉源模型。在RTX4090上2.3秒完成1024×1024圖像渲染，顯存佔用13GB。支持8步採樣輸出印刷級畫質，兼容3060 6G等消費級顯卡，顯存需求最高16G。模型精準理解複雜中文提示，如“夜晚的陽光”等抽象描述。
阿里巴巴開源Z-Image圖像生成模型，僅6B參數實現高效生成與編輯，視覺質量接近20B級別商業模型。該模型採用單流DiT架構，生成速度快、資源佔用低，有望推動AI圖像工具普及消費級應用。
高效的6B模型演示
inclusionAI
Ming-flash-omni 預覽版是基於 Ling-Flash-2.0 稀疏專家混合（MoE）架構構建的多模態大模型，總參數達100B，每個token僅激活6B參數。該模型在Ming-Omni基礎上進行了全面升級，在多模態理解和生成方面有顯著提升，特別是在語音識別、圖像生成和分割編輯方面表現突出。
DavidAU
這是一個基於Qwen3架構的6B參數大語言模型，專門針對恐怖主題進行微調，能夠生成暗黑、恐怖風格的文本，同時在邏輯推理任務中表現出色。
cof139
這是一個基於GPT-OSS架構的6B參數混合專家模型，經過剪枝優化僅保留7個專家，採用Q4_K_M量化格式的GGUF版本。該模型專注於高效推理和文本生成任務，通過剪枝和量化技術實現了更好的計算效率。
NikolayKozloff
這是一個基於GPT架構的6B參數規模的專業化混合專家模型，經過剪枝優化僅保留7個專家，並轉換為GGUF格式的量化版本。模型採用Q8_0量化，在保持性能的同時顯著減少內存佔用和計算需求。
包含44種混合專家（MOE）量化模型的倉庫，適用於多種編程語言的編碼任務，參數規模從6B到60B。
OpenGVLab
InternVideo2是一個多模態視頻理解模型，具有6B參數規模，專注於視頻內容分析和理解任務。
prince-canuma
全球首個6B參數的Llama-3基礎模型，通過降級循環技術從Meta-Llama-3-8B衍生而來的未訓練版本
TheBloke
Yi 6B是由01-ai開發的大型語言模型，擁有60億參數，適用於多種文本生成任務。
Deci
DeciLM 6B-指令模型是一款專為短格式指令跟隨設計的英語語言模型，基於DeciLM 6B通過LoRA微調技術訓練而成
DeciLM 6B是由Deci開發的57億參數僅解碼器文本生成模型，採用可變分組查詢注意力技術，在性能和計算效率之間實現最佳平衡。該模型在OpenOrca數據集上進行了指令微調，支持4096個標記的上下文窗口，在吞吐量上最高可達Llama 2 7B的15倍。
NumbersStation
NSQL-6B是一個專為SQL生成任務設計的自迴歸大模型基座，基於Salesforce的CodeGen-Multi 6B模型進行預訓練和微調。
togethercomputer
GPT-JT是基於GPT-J(6B)微調的大語言模型，採用UL2訓練目標，在分類任務上表現優異
shailja
VeriGen是基於CodeGen-multi-16B微調的6B參數模型，專門用於生成Verilog硬件描述語言代碼。
Salesforce
CodeGen是用於程序合成的自迴歸語言模型系列，CodeGen-Mono 6B是基於Python編程語言數據集進一步預訓練的6B參數模型。
facebook
InCoder 6B 是一個具有60億參數的僅解碼器Transformer模型，專門針對代碼生成任務進行訓練。該模型支持從左到右的代碼生成以及代碼插入和填充功能，在28種編程語言的代碼庫上訓練，主要包含Python和JavaScript。
VietAI
這是一個基於GPT-J架構的6B參數越南語因果語言模型，專門針對越南新聞內容進行訓練。
flyhero
GPT-J 6B是基於GPT-3架構設計的Transformer模型，具有60億參數，支持文本生成任務。
baffo32
基於GPT-J 6B微調的Python代碼生成模型，專注於Python編程輔助
KoboldAI
基於GPT-J 6B微調的科幻奇幻題材語言模型，擴展了20%多題材內容
NbAiLab
基於GPT-J 6B的挪威語微調版本，60億參數規模的Transformer模型
Diffusers英語%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)
