数据集
64 个数据集
热门分类：
Bill13579/beltout
已完整同步
BeltOut 是一个基于 ChatterboxVC 的零样本语音到语音音色迁移模型，能够在不改变原始表演细节（如语调、情感）的前提下，仅替换音色（timbre）。它通过 192 维的 x-vector 表示任意音色，可应用于任意输入语音，实现精准的音色转换。该模型旨在学习音色对表演传递的通用影响，从而生成与目标音色一致的完整语音输出。
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。
Qwen3-30B-A3B-Thinking-2507 是一个基于 Transformer 的因果语言模型，采用混合专家（MoE）架构，总参数量为 30.5B，每次推理仅激活 3.3B 参数。它原生支持高达 262K 的上下文长度，在逻辑推理、数学、科学、编程等复杂推理任务上表现显著提升，同时指令遵循、工具使用、文本生成等通用能力也有明显增强。该模型默认开启深度思考模式，特别适合处理高复杂度的推理场景。
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。
BERT base uncased是一个基于Transformer架构的预训练语言模型，通过掩码语言建模和下一句预测两个自监督任务，在大规模英文语料上学习到了丰富的语言表示。该模型不区分大小写，拥有约1.1亿参数，适用于多种自然语言处理下游任务的微调，如文本分类、问答和命名实体识别等。
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。
这是一个中文句子嵌入模型，基于CoSENT方法训练，能够将句子映射为768维的稠密向量，适用于语义相似度计算、文本匹配和语义搜索等任务。模型在多个中文语义评测数据集上取得了较好的表现。
Qwen/Qwen3.5-4B
已完整同步
Qwen3.5-4B 是一个拥有 40 亿参数的多模态大语言模型，能够同时处理图像和文本输入。它采用高效的混合架构，结合了 Gated Delta Networks 与稀疏混合专家，在保持低延迟的同时实现高吞吐推理。该模型原生支持 26 万 token 的上下文长度，并可扩展至百万级，还覆盖了 201 种语言，具备广泛的语言和文化理解能力。通过大规模强化学习训练，它在推理、代码、代理任务和视觉理解等方面表现出色。
这是一个中文句子嵌入模型，能将句子映射到768维的稠密向量空间，适用于文本匹配、语义搜索等任务。它基于MacBERT架构，使用中文语义相似度数据训练，在多个中文文本匹配基准上均表现出不错的性能。
这是一个多语言句子嵌入模型，能将句子和段落转换为384维的稠密向量，适用于文本聚类、语义搜索和句子相似度计算等任务。模型支持包括中文在内的50多种语言，基于MiniLM架构，采用均值池化方式生成句子级别的向量表示，输出可直接用于下游应用。
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。
Tongyi-MAI/Z-Image-Turbo
已完整同步
Z-Image-Turbo 是一个高效的图像生成模型，基于单流扩散 Transformer 架构，拥有 6B 参数。它通过蒸馏技术实现了仅需 8 步评估即可生成高质量图像，推理延迟可低至亚秒级，并能在 16G 显存的消费级设备上运行。该模型擅长生成逼真的图像，支持中英文双语文本渲染，且具备良好的指令跟随能力。此外，该系列还包括 Z-Image 基础模型、支持生成与编辑的 Z-Image-Omni-Base 以及专注于图像编辑的 Z-Image-Edit 等变体，覆盖了从高质量生成到精细编辑的多种场景。
这是一个基于 MiniLM-L6 架构的 Cross-Encoder 模型，专门针对 MS Marco 段落排序任务训练而成。它主要用于信息检索中的重排序阶段：给定一个查询，先通过检索工具（如 ElasticSearch）召回一批候选段落，再用该模型对每个查询‑段落对进行相关性打分，最后按分数降序排列，以提升排序质量。模型可通过 SentenceTransformers 或 Transformers 库直接调用，输入查询和段落文本，即可输出相关性分数。在 TREC Deep Learning 2019 和 MS Marco 开发集上，它均取得了较好的排序效果，兼顾了速度与准确度。
zai-org/CogVideoX-2b
已完整同步
CogVideoX-2B 是一个文本到视频的生成模型，能够根据英文描述生成连贯的视频内容。该模型采用 Apache-2.0 开源许可证，适用于视频生成相关的研究和应用。
Ming-UniAudio 是一个统一的语音理解、生成与编辑框架，其核心创新在于提出了一种基于 VAE 架构的连续语音分词器，首次将语义与声学特征有效融合，使同一个语言模型既能理解语音也能生成语音。在此基础上，该模型通过扩散头增强生成保真度，并进一步训练出首个仅凭自然语言指令即可完成自由形式语音编辑的模型，无需人工指定待编辑区域，支持复杂的语义和声学修改。
ASLP-lab/DiffRhythm2
已完整同步
DiffRhythm 2 是新一代开源音乐生成框架，基于半自回归扩散架构，能够生成完整歌曲，并实现精确的歌词对齐与连贯的音乐结构。其名称中的“Diff”代表扩散生成主干，“Rhythm”强调对音乐性与时间流动的专注，中文名“谛韵”则融合了“谛”（专注聆听）与“韵”（旋律魅力）的双重寓意。
openbmb/VoxCPM1.5
已完整同步
VoxCPM1.5 是一个无需分词器的文本转语音（TTS）系统，能够生成上下文感知、富有表现力的语音，并实现逼真的零样本声音克隆。该模型基于 MiniCPM4-0.5B，采用扩散自回归架构直接生成连续语音表示，在 180 万小时双语语料上训练。相比前代版本，它支持 44.1kHz 高采样率输出，提高了音质，同时将 token 率降至 6.25Hz，提升效率。支持流式合成，实时因子低至 0.17，并可通过 SFT 或 LoRA 进行微调，适配个性化语音模型。
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。
openbmb/MiniCPM-SALA
已完整同步
MiniCPM-SALA是一种创新的大规模混合注意力模型，首次将稀疏注意力与线性注意力高效融合，专为百万级令牌的上下文建模设计。它采用25%的稀疏注意力层（基于InfLLM-v2）和75%的线性注意力层（Lightning Attention），在保持高保真长上下文建模能力的同时，突破了计算和内存瓶颈，实现了3.5倍的推理加速，并显著降低KV缓存开销。通过混合位置编码（HyPE）和基于蒸馏的HALO训练策略，该模型能够扩展到百万令牌以上的上下文长度，同时在通用知识、数学和代码等任务上保持与全注意力模型相当的性能。