MiniMax推出音乐生成模型MiniMax-Music3，输入歌词与音乐描述即可生成最长5分钟完整歌曲，输出32kHz、16-bit立体声WAV。其采用分层自回归架构，两模型分工：全局语言模型Global LLM参数8B，逐帧预测首个RVQ码本，负责歌曲长程语义与结构变化；该模型由Qwen3-8B初始化，训练时先让嵌入层和输出层适配音乐。
InternLM团队发布开源轻量级多模态推理模型Intern-S1-mini。该模型仅8B参数，融合Qwen3-8B语言模型与0.3B视觉编码器InternViT，具备强大处理能力。经过超5万亿token数据预训练，其中2.5万亿来自化学、物理等科学领域，使其在科学任务中表现优异。
快手基于Qwen3-8B-Base推出Klear-Reasoner模型，在数学和代码推理基准测试中表现优异，数学准确率超90%。其成功归功于GPPO算法，兼顾训练稳定性与探索能力提升，成为同规模模型中的领先者。
通义灵码团队宣布正式上线Qwen3，并开源了8款「混合推理模型」，这标志着编程智能体的进一步发展。此次开源包括两款MoE模型:Qwen3-235B-A22B（2350多亿总参数、220多亿激活参数），以及Qwen3-30B-A3B(300亿总参数、30亿激活参数);还有六个Dense模型:Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B。
Alibaba
$1
输入tokens/百万
$10
输出tokens/百万
256
上下文长度
$2
-
32
$0.3
$0.5
open-thoughts
OpenThinker-Agent-v1-SFT 是基于 Qwen/Qwen3-8B 进行有监督微调（SFT）得到的智能体模型。它是 OpenThinker-Agent-v1 完整训练流程（SFT + RL）的第一阶段模型，专门针对智能体任务（如终端操作和代码修复）进行优化。
OpenThinker-Agent-v1 是一个基于 Qwen3-8B 进行后续训练的开源智能体模型，专为终端操作和软件工程任务而设计。它首先在高质量监督微调数据集上进行训练，然后通过强化学习进一步优化，在 Terminal-Bench 2.0 和 SWE-Bench 等智能体基准测试中表现出色。
Kiy-K
Fyodor-Q3-8B-Instruct 是一款专为智能推理和稳健代码生成设计的高保真指令调优模型。它基于Qwen3-8B架构，采用高秩LoRA配置训练，擅长在编码前进行规划，非常适合复杂的软件工程任务。
gbcfchc
这是一个基于Qwen/Qwen3-8B-Base微调的版本，使用TRL框架和GKD（On-Policy Distillation）方法进行训练，专门用于文本生成任务。该模型通过自我生成错误进行学习，提升了文本生成的质量和稳定性。
unsloth
JanusCoder-8B是基于Qwen3-8B构建的开源代码智能基础模型，旨在建立统一的视觉编程接口。该模型在JANUSCODE-800K（迄今为止最大的多模态代码语料库）上训练，能够处理各种视觉编程任务，包括数据可视化、交互式Web UI和代码驱动动画等。
NightForger
这是AvitoTech/avibe模型的GGUF量化版本，基于Qwen3-8B基础模型进行俄语监督微调，使用自定义分词器优化俄语处理能力，专为俄语文本生成任务设计。
AvitoTech
A-vibe是由Avito Tech基于Qwen3-8B-Base开发的俄语优化大语言模型，通过分词器优化、模型瘦身和多阶段训练，在俄语基准测试中表现优异，支持函数调用和数学问题解决。
geoffmunn
这是阿里巴巴Qwen系列80亿参数大语言模型的GGUF量化版本，专为高级推理、智能体行为和多语言任务设计，可与llama.cpp及兼容工具配合使用。
SKN14-Final-1Team
这是一个🤗 Transformers模型，已推送至Hugging Face Hub。由于模型卡片信息不完整，无法提供详细的模型介绍。建议访问模型页面获取完整信息。
Simia-Agent
本模型是基于Qwen/Qwen3-8B在特定数据集上微调的大语言模型，在评估集上取得了0.2248的损失值，具备改进的自然语言处理能力。
nvidia
NVIDIA Qwen3-8B FP8 是阿里巴巴Qwen3-8B模型的量化版本，采用优化的Transformer架构，属于自回归语言模型。该模型通过FP8量化技术优化，可在NVIDIA GPU上实现高效推理，支持商业和非商业用途。
NVIDIA Qwen3-8B FP4 模型是阿里巴巴Qwen3-8B模型的量化版本，采用优化的Transformer架构的自回归语言模型。该模型使用FP4量化技术，在保持性能的同时显著减少内存占用和计算需求，适用于AI智能体系统、聊天机器人、RAG系统等应用场景。
pytorch
这是由PyTorch团队使用torchao进行量化的Qwen3-8B模型，采用int4仅权重量化和AWQ算法。该模型在H100 GPU上可减少53%显存使用并实现1.34倍加速，专门针对mmlu_abstract_algebra任务进行了校准优化。
prithivMLmods
cudaLLM-8B是由ByteDance Seed开发的专业语言模型，专门用于生成高性能且语法正确的CUDA内核代码。基于Qwen3-8B基础模型构建，通过监督微调和强化学习两阶段训练，能够协助开发人员编写高效的GPU并行编程代码。
tensorblock
这是基于Qwen3-8B模型经过Josiefied和abliterated处理后的GGUF量化版本，提供多种量化级别选择，适用于本地推理部署
NoemaResearch
Nous-V1 8B是由Apexion AI开发的80亿参数语言模型，基于Qwen3-8B架构构建。该模型专为处理各种自然语言处理任务而设计，在对话式AI、知识推理、代码生成和内容创作等方面表现出色，在模型能力和实际部署效率之间取得了良好平衡。
RedHatAI
专为Qwen/Qwen3-8B设计的推测解码模型，采用EAGLE-3算法提升文本生成效率和质量，通过多个优质数据集训练获得优秀的泛化能力
taobao-mnn
这是DeepSeek-R1-0528-Qwen3-8B模型的MNN格式4位量化版本，专为高效推理优化。基于Qwen3-8B架构，支持文本生成和对话功能，适用于资源受限环境。
mlx-community
这是一个基于DeepSeek-R1和Qwen3-8B模型融合优化的4位量化版本，专门针对MLX框架进行了转换和优化，支持高效的文本生成任务
Goraint
Qwen3-8B的4位AWQ量化版本，专为MLX库优化，支持19.2万词元长上下文处理，适用于边缘设备部署。
%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)
VIP会员
