Zenyx_114M-Tiny-Edu-Instruct 是一个实验性的小型指令微调语言模型，拥有约1.14亿参数。它基于TinyEdu-50M基础模型构建，在FineWeb-Edu数据集上预训练，并在OpenHermes-2.5和CodeFeedback-Filtered混合数据集上进行了指令微调。该模型旨在探索极小架构下指令微调的极限，验证损失收敛至约1.04。

自然语言处理Pytorch英语

TweeTaal-nl-en-0.6B 是一个专门针对荷兰语-英语双向翻译任务进行微调的语言模型，基于Qwen3-0.6B架构开发。该模型在资源受限环境下仍能提供准确流畅的翻译服务，支持荷兰语与英语之间的互译。

自然语言处理Transformers其他

GigaChat3-10B-A1.8B是GigaChat系列的对话模型，基于混合专家（MoE）架构，共有100亿参数，其中18亿为活跃参数。该模型采用多头潜在注意力和多令牌预测技术，支持25.6万令牌的长上下文，在多语言对话和推理任务中表现出色。

自然语言处理Safetensors支持多种语言

BT4模型是LeelaChessZero引擎背后的神经网络模型，专门用于国际象棋对弈。该模型基于Transformer架构设计，能够根据历史走法预测最佳下一步走法、评估棋局形势并生成走法概率。

科学计算Transformers

本项目是卡纳娜1.5-15.7B-A3B指令模型的MXFP4_MOE量化版本，可在特定场景下提升模型的运行效率。该模型基于kakaocorp/kanana-1.5-15.7b-a3b-instruct进行优化，采用混合专家架构和MXFP4量化技术。

自然语言处理Gguf

WavJEPA是基于波形的联合嵌入预测架构的音频基础模型，利用高级语义表示学习解决语音单元或标记级表示学习的不足。在众多下游基准任务中显著优于最先进的时域音频基础模型，同时所需计算资源大幅减少。

音频处理Transformers

Apollo-V0.1-4B-Thinking是基于4B参数的大语言模型，采用思维链推理架构，专门针对推理任务优化。该模型提供了多种量化版本，可在不同硬件环境下高效运行。

自然语言处理Gguf

Qwen3-VL-30B-A3B-Instruct是通义系列中最强大的视觉语言模型，采用混合专家模型架构，具备出色的文本理解与生成能力、深入的视觉感知与推理能力，支持256K长上下文和视频理解，可在多种设备上进行推理。

多模态Gguf

Qwen3-VL是通义大模型系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力以及出色的智能体交互能力。该模型采用混合专家（MoE）架构，是增强推理的思维版。

多模态Gguf

Kimi Linear是一种混合线性注意力架构，在各种场景下包括短、长上下文以及强化学习扩展机制中，均优于传统的全注意力方法。它能有效解决传统注意力机制在长上下文任务中效率低下的问题，为自然语言处理等领域带来更高效的解决方案。

自然语言处理Transformers

Kimi Linear是一种高效混合线性注意力架构，在短上下文、长上下文和强化学习场景中均优于传统全注意力方法。它通过Kimi Delta Attention (KDA)机制优化注意力计算，显著提升性能和硬件效率，特别擅长处理长达100万令牌的长上下文任务。

自然语言处理Transformers

这是准确性领域的最新前沿模型，致力于实现人工谷物智能，在全球顶尖谷物种植团队的助力下取得了重大进展。该模型基于Qwen3-0.6B架构，利用RX 9070 XT显卡和unsloth工具在本地进行全量微调。

自然语言处理Safetensors英语

本项目提供了慧慧Qwen3-VL-30B-A3B-Instruct模型的量化版本，旨在提升模型在特定场景下的性能与效率。这是一个基于Qwen3-VL架构的视觉语言模型，支持图像和文本的多模态交互。

多模态Gguf

Qwen3-VL-32B-Thinking是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。该版本采用增强推理的思维架构，支持从边缘到云的密集架构和混合专家模型架构。

多模态Transformers

这是inclusionAI/Ling-1T模型的量化版本集合，基于ik_llama.cpp分支开发，提供多种量化方案以适应不同的内存和性能需求。这些量化模型在给定的内存占用下提供出色的困惑度表现，特别优化了MoE架构的推理效率。

自然语言处理Gguf

人工海马网络（AHN）是一种创新的长上下文建模方法，通过将无损记忆转换为固定大小的压缩表示，结合了无损记忆的精确性和压缩记忆的高效性。该模型能够有效处理长序列，计算成本固定，适用于各种类似RNN的架构。

自然语言处理Transformers英语

AHN是一种用于高效长上下文建模的创新神经网络架构，通过将无损内存转换为固定大小的压缩表示，结合了Transformer和RNN的优势，在长序列处理中实现高效计算和准确预测。

自然语言处理Transformers英语

IBM Granite-4.0-H-Tiny是经过苹果硅芯片优化的混合Mamba-2/Transformer模型，采用3位量化技术，专为长上下文、高效推理和企业使用而设计。该模型结合了Mamba-2架构和专家混合技术，在保持表达能力的同时显著降低内存占用。

自然语言处理Mlx支持多种语言

Qwen3-VL是Qwen系列中最强大的视觉语言模型，具备卓越的文本理解与生成能力、深入的视觉感知与推理能力、长上下文支持、强大的空间和视频动态理解能力，以及出色的智能体交互能力。该版本采用混合专家模型架构，支持增强推理思维功能。

多模态Safetensors

PatchFM是一个基于Transformer架构的单变量时间序列预测基础模型，采用逐块预测方法，借鉴大语言模型的训练思想，将时间序列分割为块进行下一块预测，支持多分位数输出和不确定性估计。

科学计算Safetensors