上海人工智能实验室发布并开源万亿参数科学多模态大模型“书生 Intern-S1-Pro”，基于“通专融合”架构 SAGE 打造，刷新开源社区参数规模纪录，在多项科学能力上实现突破，综合学科评测稳居 AI4S 领域国际前列。
上海AI实验室发布全球最大开源科学多模态模型“书生 Intern-S1-Pro”，参数达1万亿。该模型基于“通专融合”架构SAGE，在科学能力上达到国际领先水平，尤其在复杂学科评测中展现出卓越的逻辑推理能力。
Stack Overflow推出企业级产品Stack Internal，通过MCP接口提供技术问答元数据及可靠性评分，帮助AI代理避免生成错误信息。CEO透露已有大型客户付费使用，商业模式类似Reddit的内容授权。
上海AI实验室开源发布多模态大模型InternVL3.5，采用级联强化学习、动态视觉分辨率路由等创新技术，实现推理能力、部署效率和通用性能全面提升。该模型提供1B至241B全量级版本，刷新开源模型性能标杆，在多任务上达到领先水平。
Super Intern是群聊中的AI队友，可提醒、答疑、创作，让对话流畅。
InternVL3开源：7种尺寸覆盖文、图、视频处理，多模态能力扩展至工业图像分析
InternLM3 是一个专注于文本生成的模型集合，提供多种优化版本以满足不同需求。
这是一个先进的多模态大型语言模型系列，展示了卓越的整体性能。
Shanghai-ai-lab
$2
输入tokens/百万
-
输出tokens/百万
8
上下文长度
bartowski
JanusCoderV-7B是由InternLM开发的7B参数代码生成模型，本项目提供了使用llama.cpp进行imatrix量化的多个版本，支持多种量化级别以满足不同硬件需求。
这是internlm的JanusCoder-14B模型的量化版本，使用特定工具和数据集进行量化处理，提供了从低质量到高质量的多种量化类型文件，可在LM Studio或基于llama.cpp的项目中运行。
这是对internlm的JanusCoder-8B模型进行量化处理的版本，采用llama.cpp的imatrix量化技术，在保证性能的前提下显著减少模型的存储和计算资源需求，使模型能够在更多设备上高效运行。
noctrex
这是基于Intern-S1模型的MXFP4混合专家量化版本，专门针对图像文本到文本任务进行了优化，通过量化技术提升了推理效率。
gwkrsrch2
这是一个发布在Hugging Face模型中心的Transformer模型，模型卡片为自动生成。由于缺乏具体信息，无法提供详细的模型介绍。
Guilherme34
Qwen2.5-14B-Instruct是一个140亿参数的大语言模型，专为聊天和文本生成场景设计。该模型基于transformers库构建，适用于内部测试和轻量级应用部署。
OpenGVLab
InternVL3.5是开源多模态模型家族的新成员，显著提升了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，达到开源多模态大语言模型的先进水平。
InternVL3_5-38B是开源多模态模型InternVL3.5系列中的一员，在多功能性、推理能力和推理效率方面取得了显著进展。它支持多语言，可应用于图像文本到文本的任务，采用级联强化学习框架和视觉分辨率路由器技术优化性能。
InternVL3.5-14B是InternVL系列的开源多模态模型，显著提升了通用性、推理能力和推理效率，支持GUI交互等新功能，缩小了与商业模型的性能差距。
InternVL3.5-4B是开源多模态模型系列中的中等规模版本，在通用性、推理能力和推理效率上取得显著进展，支持GUI交互等新能力。该模型采用级联强化学习框架和视觉分辨率路由器技术，实现了高效的多模态理解与推理。
InternVL3.5-1B是InternVL系列的开源多模态模型，参数量为1.1B，包含0.3B视觉参数和0.8B语言参数。该模型显著提升了通用性、推理能力和推理效率，支持GUI交互等新功能。
InternVL3.5-4B是开源多模态模型系列的中等规模版本，包含4.7亿参数，采用先进的级联强化学习框架和视觉分辨率路由器技术，显著提升了多模态推理能力和效率。
brandonbeiler
这是OpenGVLab/InternVL3_5-8B的fp8动态(w8a8)量化版本，针对vLLM高性能推理进行了优化。采用FP8动态量化技术，在保持视觉理解能力的同时显著减少内存占用并提升推理速度。
这是InternVL3_5-GPT-OSS-20B-A4B-Preview模型的FP8动态量化版本，采用w8a8技术优化，专门针对vLLM进行高性能推理部署。该模型在保持视觉语言理解能力的同时，显著提升了推理速度和内存效率。
这是OpenGVLab/InternVL3_5-30B-A3B的fp8动态(w8a8)量化版本，针对vLLM高性能推理优化，采用FP8动态量化技术，内存占用减少约50%，推理速度显著提升
KnutJaegersberg
InternVL3_5-38B-Q8_0-GGUF 是基于 OpenGVLab 的 InternVL3_5-38B 模型通过 llama.cpp 转换而来的 GGUF 量化版本。该模型是一个 38B 参数的多模态视觉语言模型，支持图像和文本的联合理解与生成，采用 Q8_0 量化格式以优化推理效率。
lmstudio-community
这是OpenGVLab的InternVL3_5 14B模型的量化版本，支持图像文本到文本的转换任务，通过量化技术提升了模型运行效率，为相关应用提供了更高效的解决方案。
这是OpenGVLab发布的InternVL3_5 8B模型的GGUF量化版本，专门用于图像文本到文本的转换任务，通过量化技术提供了更高效的推理解决方案。
Koitenshin
这是一个基于InternVL3架构的多模态视觉语言模型，经过量化处理为GGUF格式，支持图像文本到文本的转换，具备多语言能力。
这是一个基于InternVL3-8B微调的去限制版本模型，转换为GGUF格式，支持多语言图像文本到文本任务，适用于更广泛的使用场景。
MCP互联网速度测试是一个实验性项目，通过标准化的MCP协议为AI模型提供网络性能测试工具，包括下载/上传速度、延迟和抖动测量等功能。
该项目展示了一个支持Internet Identity认证的MCP服务器，包含完整的认证流程和前后端实现。
一个基于TypeScript的MCP服务器，用于与Internet Computer上的DAO交互
这是一个提供访问Internet Archive Wayback Machine的MCP服务器，支持检索网页存档版本和检查URL可用快照。
Dead Internet是一个为AI智能体构建的高保真、主权模拟现代互联网生态系统。它提供完整的微服务架构（包括身份认证、社交、金融、搜索、云部署等），让AI智能体作为一等公民在其中自主生活、交互和操作，并通过Model Context Protocol（MCP）支持外部智能体接入。
一个基于博查搜索API的MCP服务器，用于联网搜索功能，需要配置博查AI的服务密钥使用。
一个基于博查搜索API的MCP服务器，用于联网搜索服务。
Transformers其他%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)
