INTELLECT-3是一個擁有1060億參數的混合專家（MoE）模型，通過大規模強化學習訓練而成。在數學、編碼和推理基準測試中展現出卓越性能，模型、訓練框架和環境均以寬鬆許可協議開源。

自然語言處理Transformers英語

Wan2.2是基礎視頻模型的重大升級版本，專注於將有效MoE架構、高效訓練策略和多模態融合等創新技術融入視頻擴散模型，為視頻生成領域帶來更強大、更高效的解決方案。

多模態Diffusers多語言

這是一個基於REAP方法對MiniMax-M2中40%專家進行均勻剪枝得到的139B參數大語言模型，採用GLM架構和專家混合(MoE)技術，通過llama.cpp進行多種量化處理，適用於文本生成任務。

自然語言處理Gguf英語

Qwen3-VL是通義系列最強大的視覺語言模型，採用混合專家模型架構（MoE），提供GGUF格式權重，支持在CPU、GPU等設備上進行高效推理。模型在文本理解、視覺感知、空間理解、視頻處理等方面全面升級。

多模態Gguf

Qwen3-VL是迄今為止Qwen系列中最強大的視覺語言模型，在文本理解與生成、視覺感知與推理、上下文長度、空間和視頻動態理解以及智能體交互能力等方面都進行了全面升級。該模型採用混合專家（MoE）架構，提供卓越的多模態處理能力。

多模態Gguf

Qwen3-VL是通義大模型系列中最強大的視覺語言模型，具備卓越的文本理解與生成能力、深入的視覺感知與推理能力、長上下文支持、強大的空間和視頻動態理解能力以及出色的智能體交互能力。該模型採用混合專家（MoE）架構，是增強推理的思維版。

多模態Gguf

MiniMax-M2是一款專為最大化編碼和智能體工作流程而構建的小型混合專家（MoE）模型。它擁有2300億總參數，僅激活100億參數，在編碼和智能體任務中表現卓越，同時保持強大的通用智能，具有緊湊、快速且經濟高效的特點。

自然語言處理Transformers

MiniMax-M2是一款專為最大化編碼和智能體工作流程而構建的'迷你'模型。它是一個緊湊、快速且經濟高效的混合專家（MoE）模型，在編碼和智能體任務中表現卓越，同時還具備強大的通用智能。

自然語言處理Transformers

Qwen3-Next-80B-A3B-Thinking 是通義千問團隊推出的新一代思考型大語言模型，採用創新的混合注意力機制和高稀疏MoE架構，在保持高效推理的同時具備強大的複雜推理能力，原生支持262K上下文長度。

自然語言處理Transformers

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。

多模態Diffusers英語

Qwen3-Next-80B-A3B-Instruct是通義千問團隊開發的高效稀疏混合專家模型，總參數量80B，激活參數量僅3B。該模型採用創新的混合注意力機制和極低激活率的MoE架構，在保持強大性能的同時大幅提升推理效率，原生支持262K上下文長度並可擴展至1M令牌。

自然語言處理Transformers

梅格雷斯2-3x7B-A3B是一款設備原生大語言模型，採用混合專家（MoE）架構，結合了MoE的準確性和密集模型的緊湊性優勢。該模型在8T標記數據上訓練，具備32K上下文長度，未來計劃提升推理和代理能力。

自然語言處理Gguf多語言

LLaDA-MoE是基於擴散原理構建的新型混合專家語言模型，是首個開源的MoE擴散大語言模型，在約20萬億個標記上從頭預訓練，總參數70億，推理時僅激活14億參數，在代碼生成和數學推理等任務中表現卓越。

自然語言處理Transformers

Ling 2.0是基於MoE架構的大語言模型家族，首個版本Ling-mini-2.0參數規模緊湊但功能強大，在複雜推理和指令遵循方面表現出色，採用1/32激活率的MoE架構，實現卓越性能與高效運行的完美結合。

自然語言處理Transformers

Klear是由快手Kwai-Klear團隊開發的稀疏混合專家（MoE）大語言模型，具備高性能和推理效率的特點。總參數460億，激活參數僅25億，在多個能力基準測試中表現出色，為實際應用提供了高效且強大的解決方案。

自然語言處理Transformers多語言

這是deepcogito的cogito-v2-preview-llama-109B-MoE模型的量化版本，使用llama.cpp進行量化處理，提供多種量化類型以適應不同硬件條件。該模型是一個109B參數的混合專家(MoE)大語言模型，經過優化後可在消費級硬件上運行。

自然語言處理Gguf

Qwen3-30B-A3B-Instruct-2507是Qwen3-30B-A3B非思考模式的更新版本，在通用能力、長尾知識覆蓋、用戶偏好對齊和長上下文理解等方面均有顯著提升。這是一個305億參數的大型語言模型，採用MoE架構，激活參數為33億。

自然語言處理Transformers

ERNIE-4.5-300B-A47B 是一款基於 MoE 架構的多模態預訓練模型，具備強大的文本理解和生成能力，支持視覺-語言聯合推理。

多模態Transformers多語言

Qwen3-14B-Base是通義系列最新一代的大語言模型，提供了一系列全面的密集模型和專家混合（MoE）模型，在訓練數據、模型架構和優化技術等方面取得了顯著進展。

自然語言處理Transformers

盤古 Pro MoE 是基於新型分組混合專家模型（MoGE）構建的語言模型，實現了設備間天然的負載均衡，具有強大的自然語言處理能力。

自然語言處理Transformers