SenseNova-SI是基於多模態基礎模型構建的空間智能增強模型系列，通過精心策劃的800萬樣本數據訓練，在多個空間智能基準測試中取得了優異表現，同時保持了強大的通用多模態理解能力。

多模態Transformers英語

SenseNova-SI是基於成熟多模態基礎模型構建的空間智能增強模型系列，通過精心策劃的800萬數據樣本訓練，在多個空間智能基準測試中展現出卓越性能，同時保持強大的通用多模態理解能力。

多模態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小型混合專家模型，總參數達2300億，激活參數為100億。該模型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

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，採用混合專家架構，總參數2300億，激活參數100億。該模型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

LightOnOCR-1B-1025是一款緊湊的端到端視覺語言模型，專門用於光學字符識別和文檔理解。它在同權重級別中實現了最先進的準確率，同時比大型通用視覺語言模型更快、成本更低。

多模態Safetensors多語言

Qwen3-14B是一款強大的語言模型，在文本生成領域表現出色。此模型具備優秀的通用能力，並推出了對微調友好的指令變體，為模型的進一步優化和應用提供了便利。

自然語言處理Transformers

這是一個基於RoPE（旋轉位置編碼）的Vision Transformer模型，參數規模為150M，採用14x14的patch大小。該模型在約2100萬張圖像的多樣化數據集上進行了預訓練，可作為通用視覺特徵提取器使用。

計算機視覺Pytorch

這是一個基於Qwen3-Coder-30B-A3B-Instruct的混合專家模型，擁有540億參數和100萬上下文長度。模型通過三步合併和Brainstorm 40X優化，具備強大的編程能力和通用場景處理能力，特別集成了思考模塊，能夠在回答前進行深度推理。

自然語言處理Transformers多語言

KaLM-Embedding-V2.5是一款通用且輕量級的嵌入模型，通過卓越的訓練技術和數據，在同類規模模型中達到最優性能，甚至能與規模大3-26倍的模型相媲美。支持多語言和多種嵌入維度選擇。

自然語言處理Sentence-transformers多語言

InternVL3.5是開源多模態模型家族的新成員，顯著提升了InternVL系列的通用性、推理能力和推理效率，支持GUI交互等新功能，達到開源多模態大語言模型的先進水平。

多模態Transformers其他

基於google/gemma-3-270m構建的輕量級迪維希語預訓練模型，在包含新聞文章、維基百科內容和通用網頁文本等大規模迪維希語文本數據上進行訓練，為迪維希語相關任務提供強大支持。

自然語言處理Transformers其他

Seed-OSS是由字節跳動Seed團隊開發的開源大語言模型系列，具備強大的長上下文處理、推理、智能體交互能力和通用性能。該模型僅使用12T token訓練，在多個公開基準測試中表現出色。

自然語言處理Transformers多語言

SDAR是一種新型大語言模型，集成了自迴歸和離散擴散建模策略，結合了AR模型高效訓練和擴散模型並行推理的優勢。在通用任務上與SOTA開源AR模型相當，在科學推理任務上表現出色，成為最強大的擴散語言模型。

自然語言處理Transformers

Qwen3-4B-Instruct-2507是阿里雲推出的40億參數大語言模型，基於Unsloth Dynamic 2.0量化技術，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都有顯著提升。

自然語言處理Transformers

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。

科學計算Safetensors

Qwen3-30B-A3B-Thinking-2507是一款在推理能力和通用能力上有顯著提升的大型語言模型，增強了長上下文理解能力，適用於高度複雜的推理任務。該模型具有305億參數，其中激活33億參數，支持262,144 tokens的長上下文處理。

自然語言處理Safetensors

Qwen3-30B-A3B-Thinking-2507是經過量化處理的大語言模型，具有增強的推理能力、通用能力和長上下文理解能力。該模型採用混合專家架構，在邏輯推理、數學、科學、編碼等複雜任務上表現出色，支持262,144 tokens的長上下文處理。

自然語言處理Transformers

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