新浪開源VibeThinker-3B模型僅30億參數，在數學、編程等基準測試中性能媲美百倍規模大模型，部分競賽級任務超越頂尖產品。其成功源於基於阿里Qwen2的獨特訓練策略，挑戰了參數量“越大越好”的觀念。
小米技術團隊開源了AI編程助手MiMo Code V0.1.0，基於OpenCode二次開發，採用MIT協議，允許自由修改和商業集成。該工具主打“模型Agent協同優化”，核心亮點包括獨創持久記憶系統，解決傳統AI編碼工具的“健忘”問題，旨在突破侷限，實現自進化。
香港生成式人工智能研發中心（HKGAI）於6月3日發佈最新版本地大模型HKGAI V3，並推出香港首個生產力級超級智能體。該平臺突破現有智能體技術邊界，在測試中實現單次無干預穩定運作28小時，能跨環節完成資料整理、推理分析、報告撰寫及程式碼開發等任務。
小米宣佈將於2026年6月30日下線舊版MiMo-V2-Pro/Omni模型，升級至MiMo V2.5系列，其中mimo-v2-pro遷移至v2.5-pro，mimo-v2-omni升級爲v2.5新模型。新版本已全面上線，旨在提供更強推理能力和更高性價比，推動開發者遷移。
VNovels是視覺小說平臺，可讀原創故事，也能自建發佈作品。
免費ATS簡歷檢查器，30秒獲VANTAGE-7分數，專家24小時重寫，94%面試率。
ReaderLM v2是一個用於HTML轉Markdown和JSON的前沿小型語言模型。
Anthropic
$21
輸入tokens/百萬
$105
輸出tokens/百萬
200
上下文長度
Alibaba
$1
$10
256
$2
$20
-
$0.8
128
Baidu
32
Bytedance
$8
Deepseek
$4
$12
$1.6
Tencent
24
Iflytek
pnnbao-ump
VieNeu-TTS-1000h是一款先進的越南語端側文本轉語音模型，基於約1000小時高質量越南語語音數據訓練，具備即時語音克隆功能，支持越南語與英語的無縫切換，能在CPU或GPU上即時合成24kHz波形。
Clemylia
Lam-2是基於自定義架構Aricate V4開發的第二代小型語言模型(SLM)，在問答任務中表現出色，具有卓越的語言連貫性和創造力。相比前代產品，Lam-2在語法正確性和文本生成質量上有顯著提升。
FabioSarracino
VibeVoice-Large-Q8是首個真正可用的8位VibeVoice模型，通過選擇性量化技術在大幅減小模型尺寸的同時保持與原始模型相同的音頻質量，適用於顯存有限的場景。
Ken-Z
本模型是microsoft/speech-t5的微調版本，專門針對拉丁語進行了優化訓練。它使用了來自Vox Classica數據集的67小時拉丁語音頻數據進行訓練，能夠實現高質量的拉丁語文本轉語音功能。
TheClusterDev
這是Qwen3-Next-80B-A3B-Instruct模型的FP8量化版本，通過vLLM框架支持，在保持模型質量的同時顯著減小了模型體積，提升了推理效率。
Vikhrmodels
Borealis 是首款面向俄語的自動語音識別（ASR）音頻大語言模型，經過約7000小時俄語音頻數據訓練。該模型支持識別音頻中的標點符號，架構受Voxtral啟發但有所改進，在多個俄語ASR基準測試中表現優異。
bosonai
Higgs Audio V2是一個強大的音頻基礎模型，在超過1000萬小時的音頻數據和多樣化的文本數據上進行了預訓練，能夠生成表現力豐富的音頻。
DFloat11
這是原始lodestones/Chroma（v39）模型的DFloat11無損壓縮版本，將模型大小縮小了32%，同時保持位級相同的輸出，並支持高效的GPU推理。
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。
alkiskoudounas
voc2vec是專為非語言人類數據設計的基礎模型，基於HuBERT框架構建，在125小時非語言音頻數據上預訓練。
ubergarm
當前V3-0324模型在該尺寸類別中表現最佳的量化版本，在保持性能接近Q8_0的同時顯著減小了體積
mradermacher
這是Casual-Autopsy/Llama-3-VNTL-Yollisa-8B的加權/矩陣量化版本，適用於英語和日語處理，特別針對日本媒體、御宅族媒體和視覺小說（VNs）領域。
ModelsLab
魚語語音 V1.5 是一款領先的文本轉語音（TTS）模型，基於超過100萬小時的多語言音頻數據訓練而成。
voc2vec是專為非語言人類數據設計的基礎模型，基於wav2vec 2.0框架構建，預訓練數據集涵蓋約125小時非語言音頻。
avemio
基於Whisper Large v3 Turbo優化的德語語音識別模型，在13小時精選數據集上微調，顯著提升德語識別準確率
cocktailpeanut
2121-8
Parler-TTS Mini v1 是一個基於日語的小型文本轉語音模型，支持高質量的語音合成。
parler-tts
Parler-TTS Mini v1.1 是一個輕量級的文本轉語音模型，基於45,000小時的音頻數據訓練而成，能夠生成高質量、自然流暢的語音，其特性可以通過簡單的文本提示進行控制。
基於Parler-TTS Large v1微調的單說話者文本轉語音模型，使用30小時高質量愛爾蘭口音Jenny數據集訓練
simran14
基於simran14/mr-model-h在Common Voice 17.0馬拉地語數據集上微調的Whisper小型語音識別模型
一個用於訪問視覺小說數據庫(VNDB)的MCP服務器，提供視覺小說搜索和詳細信息查詢功能，並具有API請求緩存優化。
Transformers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)
'%3e%3cpath%20d='M55.2622%2038L48.2289%2022L44.1206%2031.3333H47.2539L45.7872%2034.6667H38.7622L46.0956%2018H37.6706C36.7539%2018%2036.0039%2018.75%2036.0039%2019.6667V36.3333C36.0039%2037.25%2036.7539%2038%2037.6706%2038H55.2622Z'%20fill='white'/%3e%3cpath%20d='M64.3368%2018H50.3535L59.1535%2038H64.3368C65.2535%2038%2066.0035%2037.25%2066.0035%2036.3333V19.6667C66.0035%2018.75%2065.2535%2018%2064.3368%2018ZM63.0868%2034.6667H59.7535V21.3333H63.0868V34.6667Z'%20fill='%23FFCC66'/%3e%3cpath%20d='M89.3379%2026.75V29.25H81.8379V36.75H91.8379V24.25H81.8379V26.75H89.3379ZM84.3379%2034.25V31.75H89.3379V34.25H84.3379Z'%20fill='white'/%3e%3cpath%20d='M103.504%2036.75V29.25H96.0039V26.75H103.504V24.25H93.5039V31.75H101.004V34.25H93.5039V36.75H103.504Z'%20fill='white'/%3e%3cpath%20d='M115.17%2026.75V24.25H105.17V36.75H115.17V34.25H107.67V31.75H115.17V29.25H107.67V26.75H115.17Z'%20fill='white'/%3e%3cpath%20d='M80.1712%2029.25V29.175L78.9962%2028L80.1712%2026.825V20.425L78.9962%2019.25H69.3379V36.75H78.9962L80.1712%2035.575V29.25ZM77.6712%2034.25H71.8379V29.25H77.6712V34.25ZM77.6712%2026.75H71.8379V21.75H77.6712V26.75Z'%20fill='white'/%3e%3c/g%3e%3cg%20clip-path='url(%23clip1_644_3948)'%3e%3cpath%20d='M169.59%2022.9827L169.59%2023.6491H177.409L168.175%2032.8822L169.118%2033.8248L178.351%2024.5917L178.352%2032.4106H179.685V22.3164L179.018%2022.3157H169.59V22.9827Z'%20fill='white'/%3e%3c/g%3e%3cdefs%3e%3cclipPath%20id='clip0_644_3948'%3e%3crect%20width='80'%20height='20'%20fill='white'%20transform='translate(36%2018)'/%3e%3c/clipPath%3e%3cclipPath%20id='clip1_644_3948'%3e%3crect%20width='20'%20height='20'%20fill='white'%20transform='translate(164%2018)'/%3e%3c/clipPath%3e%3c/defs%3e%3c/svg%3e)
