MiMo Audio是一款基于大规模预训练的音频语言模型，在语音智能和音频理解基准测试中取得了开源模型的SOTA性能。该模型展现出强大的少样本学习能力，能够泛化到训练数据中未包含的任务，支持语音转换、风格迁移和语音编辑等多种音频任务。

音频处理Safetensors

SDAR是一种新型大语言模型，集成了自回归和离散扩散建模策略，结合了AR模型高效训练和扩散模型并行推理的优势。在通用任务上与SOTA开源AR模型相当，在科学推理任务上表现出色，成为最强大的扩散语言模型。

自然语言处理Transformers

FireRedASR是一系列支持普通话、中国方言和英语的开源工业级自动语音识别（ASR）模型，在公开的普通话ASR基准测试中实现了新的最先进水平（SOTA），同时具备出色的歌词识别能力。

FireRedASR是一系列支持普通话、汉语方言和英语的开源工业级自动语音识别（ASR）模型，在公开普通话ASR基准测试中达到最新最优（SOTA）水平，同时具备卓越的歌词识别能力。

LLaVA-NeXT-Video是一个开源多模态聊天机器人，通过视频和图像数据混合训练获得优秀的视频理解能力，在VideoMME基准上达到开源模型SOTA水平。

多模态Transformers英语

WizardCoder-33B-V1.1是基于deepseek-coder-33b-base训练的开源代码大语言模型，在HumanEval和MBPP等基准测试上表现优异，成为SOTA开源代码LLM。

自然语言处理Transformers其他

CogVLM 是一个强大的开源视觉语言模型（VLM），在多个跨模态基准测试上取得了SOTA性能。

多模态Transformers

CogVLM是一个强大的开源视觉语言模型，拥有100亿视觉参数和70亿语言参数，在10个经典跨模态基准测试上取得了SOTA性能，在多个视觉语言任务中表现优异。

多模态Transformers英语