数据集
23 个数据集
热门分类：
Kimi-Audio-7B-Instruct 是一个开源音频基础模型，统一处理音频理解、生成与对话任务。支持语音识别、音频问答、描述、情感识别、事件分类及端到端语音对话，基于大规模多模态预训练与混合音频输入架构，实现高效推理与流式音频生成。适用于语音交互、音频内容分析等场景。
microsoft/VibeVoice-1.5B
已完整同步
VibeVoice是一款面向多说话人、长篇幅对话音频生成的开源文本转语音模型，支持英文和中文。它采用创新的连续语音分词器（声学和语义），以超低帧率（7.5Hz）高效保留音频质量，并结合大语言模型与扩散解码器，能够从文本直接合成最长90分钟、包含最多4个不同说话人的自然对话音频（如播客）。该模型基于Qwen2.5-1.5B架构，通过课程学习策略逐步扩展上下文长度至65,536个token，在保持说话人一致性和流畅对话轮换方面表现出色。
BAAI/bge-small-en-v1.5
已完整同步
这是一个轻量级的英文句子嵌入模型，属于bge系列，能够将文本转换为向量表示，适用于特征提取、句子相似度计算和语义搜索等任务。它在多个自然语言处理基准测试中表现出色，涵盖分类、检索、聚类、重排序和语义文本相似度等场景，兼顾了效率与性能。
zai-org/GLM-4.7
已完整同步
GLM-4.7是一个专注于编码和复杂推理的语言模型，支持英文和中文。相比前代，它在多语言代理编码、终端任务、工具使用和复杂推理方面均有显著提升，同时优化了UI生成质量，能够生成更精美、布局更准确的网页和幻灯片。
GLM-4.1V-9B-Thinking 是一个面向推理增强的开源视觉语言模型，基于 GLM-4-9B-0414 构建，通过引入“思考范式”与强化学习显著提升了复杂任务的准确性与完整性。该模型在 10B 参数级别的视觉语言模型中达到领先水平，在 18 项基准测试上甚至超越 72B 参数的 Qwen-2.5-VL-72B。它支持长达 64k 的上下文、任意宽高比及最高 4K 图像分辨率，并具备中英双语能力，适用于数学推理、长上下文理解及多模态智能体等应用场景。
zai-org/GLM-TTS
已完整同步
GLM-TTS 是一个基于大语言模型的高质量文本转语音合成系统，支持零样本语音克隆与流式推理。它采用两阶段架构：先由 LLM 将输入文本转换为语音 token 序列，再通过 Flow Matching 模型生成高质量波形。系统引入了多奖励强化学习框架（GRPO），显著提升语音的表现力，实现更自然的情绪控制。关键特性包括仅需 3-10 秒音频即可克隆任意说话人声音、RL 增强的情感表达、音素级精确发音控制、支持中英双语混合文本，以及实时流式生成。
DeepSeek-R1T-Chimera 是一个开源模型，通过合并 DeepSeek-R1 和 DeepSeek-V3（0324）的权重而来，融合了 R1 的推理能力与 V3 的 token 效率。该模型采用 DeepSeek-MoE Transformer 架构，于 2025 年 4 月发布，适用于文本生成任务。
Skywork/Matrix-Game
已完整同步
Matrix-Game是一个大规模Minecraft数据集，包含细粒度的键盘和鼠标动作标注，专为训练交互式、物理基础的世界模型而设计。该数据集可配合17B参数的扩散模型，用于生成高质量、可控的游戏世界视频，并支持对场景演化进行精细控制。
inclusionAI/Ring-1T
已完整同步
Ring-1T 是一个万亿参数级别的开源思考模型，采用 Ling 2.0 架构，总参数量达 1 万亿，激活参数为 500 亿，支持最长 128K 的上下文窗口。该模型通过大规模可验证奖励强化学习（RLVR）训练，显著提升了自然语言推理能力，并经过 RLHF 优化使通用能力更加均衡，在数学竞赛、代码生成和逻辑推理等挑战性基准上表现领先。
Ling-flash-2.0 是一款基于 MoE 架构的开源语言模型，总参数量达 100B，但每次推理仅激活约 6.1B 参数（非嵌入部分 4.8B），实现了高效计算与卓越性能的平衡。该模型在 20T+ tokens 的高质量数据上训练，并经过监督微调与多阶段强化学习优化，在复杂推理、数学、代码生成和前端开发等任务中表现出色，尤其以极小的激活参数达到了与 40B 稠密模型相当的水平。推理速度上，在 H20 硬件上可达 200+ tokens/s，并支持 128K 上下文长度，兼具高吞吐与长序列处理能力。
DeepSeek-V3.2-REAP-345B-A37B 是一个基于 DeepSeek-V3.2 高效压缩而来的稀疏混合专家（SMoE）语言模型。通过名为 REAP 的专家剪枝方法，模型在保留路由器对剩余专家独立控制的前提下，均匀剪除了 50% 的专家，参数量从 671B 压缩至 345B，每 token 仅激活 37B 参数。该模型在代码生成、数学推理、工具调用等任务上保持了近乎无损的性能，同时显著降低了内存占用和部署成本。它可直接兼容标准 vLLM 推理框架，无需额外修改，特别适合资源受限环境、本地部署及学术研究场景。
DeepSeek-V3.2-REAP-508B-A37B 是一个基于 DeepSeek-V3.2 压缩得到的稀疏混合专家语言模型。它通过 REAP（路由器加权专家激活剪枝）方法，均匀地剪除了 25% 的专家，将总参数量从 671B 压缩至 508B，而每次推理仅激活 37B 参数。该模型在代码生成、数学推理、函数调用等任务上几乎保持了与原版相同的性能，同时显著降低了内存占用和部署成本。它兼容 vLLM 等主流推理框架，无需额外修改即可直接使用，特别适合资源受限的环境和本地部署。
XiaomiMiMo/MiMo-V2-Flash
已完整同步
MiMo-V2-Flash 是面向文本生成与推理的大语言模型资源，镜像包含模型权重、配置和推理代码等文件，不属于可按行读取的传统数据集。
LongCat-Video-Avatar 是一个统一的模型，能够根据音频驱动生成富有表现力和高度动态的角色动画。它支持多种生成模式，包括音频-文本生成视频、音频-文本-图像生成视频，以及视频延续，并且兼容单流和多流音频输入。该模型通过解耦无条件引导实现自然的人体动态，采用参考跳跃注意力避免内容重复，并利用跨块潜在拼接减少长序列中的像素退化。
microsoft/TRELLIS.2-4B
已完整同步
TRELLIS.2-4B 是一个面向图像到 3D 生成的大规模模型，拥有 40 亿参数。它基于一种名为 O-Voxel 的新型稀疏体素结构，能够直接从单张图像重建或生成任意拓扑的 3D 资产，并带有完整的物理渲染（PBR）材质，包括透明与半透明效果。该模型支持最高 1536³ 分辨率的高质量输出，并采用流匹配变换器架构，生成速度快、潜空间紧凑。
Skywork/Matrix-Game-2.0
已完整同步
Matrix-Game-2.0 是一个开源的实时交互式世界模型，基于扩散架构实现高效的流式视频生成。它能够以 25 FPS 的速度实时合成分钟级的高保真视频，并支持通过鼠标和键盘精确控制画面内容，实现帧级别的动态响应。该模型从视觉内容和用户动作直接预测后续帧，无需文本输入，在多种复杂场景下均表现出色。
DeepSeek-V3.2 是一个在高效推理与智能代理能力上取得显著进展的模型。它通过三项关键技术突破实现了高性能：新型稀疏注意力机制（DSA）大幅降低长上下文场景的计算复杂度；可扩展的强化学习框架使其在竞赛推理任务中达到甚至超越 GPT-5，其中高算力变体 DeepSeek-V3.2-Speciale 在性能上超越 GPT-5，并与 Gemini-3.0-Pro 持平；大规模代理任务合成管道则让模型在工具使用场景中更好地融合推理能力，提升复杂交互环境下的泛化与合规性。该模型在 2025 年国际数学奥林匹克（IMO）和国际信息学奥林匹克（IOI）中均获得金牌级表现。
BAAI/BGE-VL-v1.5-zs
已完整同步
BGE-VL是一系列面向通用多模态检索的嵌入模型，包括基于CLIP的base和large版本，以及融合多模态大语言模型的MLLM版本。这些模型借助MegaPairs数据集进行训练——该数据集通过创新的合成方法，利用开放域图像生成了超过2600万条异构KNN三元组，显著提升了多模态检索的性能。在组合图像检索等任务中，BGE-VL-MLLM模型相比此前最优方法取得了8.1%的改进。
BAAI/BGE-VL-Screenshot
已完整同步
BAAI/BGE-VL-Screenshot 是一个面向视觉化信息检索（VisIR）的模型，能将文本、图像、表格、图表等多模态信息统一表示为截图形式，实现跨模态检索。它基于 Qwen2.5-VL-3B-Instruct 构建，采用 sentence-transformers 框架，支持中英文等多种语言，并配套了大规模截图数据集 VIRA 和综合评测基准 MVRB，旨在提升检索模型在处理多模态信息时的表现。
HiDream-E1 是一个基于指令驱动的图像编辑模型，能够根据用户提供的自然语言描述对输入图像进行编辑。它支持灵活的编辑指令格式，例如“将图片转换为吉卜力风格”，并配合目标图像描述来精确控制输出效果。该模型结合了 Llama 3.1 文本编码器与扩散 Transformer 架构，可在保持图像整体结构的同时实现多样化的风格转换和内容修改。