数据集
38 个数据集
热门分类：
openbmb/MiniCPM-V-4_5
已完整同步
MiniCPM-V 4.5 是一款基于 Qwen3-8B 和 SigLIP2-400M 构建的多模态大语言模型，总参数量为 8B。它在视觉语言能力上表现出色，在多项基准测试中平均得分超过 GPT-4o-latest 等主流模型，并支持高效的高帧率视频理解，通过 3D 重采样器实现 96 倍视频 token 压缩。该模型具备可控的快速与深度思考模式切换，以及强大的 OCR、文档解析和多语言处理能力，支持最高 1.8 百万像素的高分辨率图像输入，并提供了多种量化与推理方式以适配不同使用场景。
Wan-AI/Wan2.2-S2V-14B
已完整同步
Wan2.2-S2V-14B 是一个音频驱动的电影级视频生成模型，能够根据输入音频生成具有丰富表现力的角色动画。它专注于处理复杂场景，如人物互动、自然身体动作和动态镜头运动，适用于影视制作等高品质需求。模型采用混合专家（MoE）架构，在保持计算效率的同时扩大了模型容量，并经过精心筛选的审美数据训练，可生成具有可控光影、构图和色彩风格的电影感视频。
RYS-Qwen3.5-27B-FP8-S 是一个基于 Qwen3.5 的 27B 参数因果语言模型，采用 FP8 量化（块大小 128）以降低存储和推理开销，同时保持与原始模型几乎一致的性能。该模型集成了视觉编码器，支持图像到文本的多模态任务，原生上下文长度达 262,144 token，并可扩展至 1,010,000 token。架构上融合了 Gated Delta Networks 与稀疏混合专家（MoE），在高效推理的同时兼顾多模态理解、推理、代码生成和智能体能力。它经过大规模强化学习训练，并支持 201 种语言，适用于全球部署场景。
RYS-Qwen3.5-27B-FP8-M 是一个基于 Qwen3.5-27B 的 FP8 量化版本，拥有 27B 参数，采用细粒度 128 块大小的 FP8 量化，性能与原始模型几乎一致。它属于因果语言模型，并集成了视觉编码器，支持图像到文本的多模态任务。模型采用高效的 Gated Delta 网络与稀疏 MoE 混合架构，原生支持 262,144 令牌的上下文长度，并可扩展至约 100 万令牌。在训练中引入了可扩展的强化学习，覆盖 201 种语言，在推理、编码、智能体及视觉理解等方面表现出色。
RYS-Qwen3.5-27B-FP8-L 是基于 Qwen3.5-27B 的 FP8 量化版本，采用块大小为 128 的细粒度量化方法，性能与原始模型几乎一致。该模型融合了多模态学习与高效的混合架构，支持文本和图像输入，原生上下文长度可达 262,144 个token，并可通过扩展支持至超过 100 万 token。它在大规模强化学习训练中表现出色，覆盖 201 种语言，适用于多种复杂场景。
ByteDance/Q-Insight
已完整同步
Q-Insight 是一个专注于图像质量理解的视觉语言模型，通过视觉强化学习进行训练。它基于 Qwen2.5-VL-7B-Instruct 进行微调，采用 Apache-2.0 开源协议。该模型主要面向图像质量评估（IQA）、视频质量评估（VQA）以及 AIGC 内容的理解任务。
BAAI/Video-XL-2
已完整同步
Video-XL-2 是一个支持视频与文本交互的多模态模型，能够根据视频内容回答用户的问题。它针对长视频场景提供了两种效率优化策略：基于分块的预填充（chunk-based prefill）和双层 KV 缓存解码（bi-level kvs decoding），可以有效降低显存占用和响应延迟，适合处理较长视频的推理任务。
这是一个基于 Qwen3-VL-8B-Thinking 的 8 位量化模型，支持图像到文本的生成任务，例如描述图片内容。模型采用 MLX 格式，方便在 Apple 设备上高效运行。
M3-Agent-Control 是一个面向智能体控制任务的数据集，采用 Apache-2.0 许可证。数据集包含模型权重（以 safetensors 格式存储）、结构化文本、二进制数据及纯文本等多种内容类型，适用于相关领域的模型训练与评估。
Qwen/Qwen3.5-397B-A17B
已完整同步
Qwen3.5-397B-A17B是一个大规模多模态语言模型，总参数量达3970亿，每个token仅激活约170亿参数。它采用高效的混合架构，融合Gated Delta Networks与稀疏混合专家（MoE），在视觉理解、推理、编码和智能体等任务上表现优异。该模型原生支持26万tokens上下文长度，并可扩展至百万级，同时覆盖201种语言，具备强大的多语言能力。通过扩展规模的强化学习训练和接近100%的多模态训练效率，它在保持高性能的同时实现了较低的推理成本。
BAAI/bge-code-v1
已完整同步
BAAI/bge-code-v1 是一个基于大语言模型的代码嵌入模型，专注于代码检索、文本检索和多语言检索。它能够用中英文自然语言查询以及 20 种编程语言进行高效代码检索，同时保持与同等规模文本嵌入模型相当的文本检索能力，并支持英语、中文、日语、法语等多种语言。该模型基于 sentence-transformers 框架，采用 Apache-2.0 许可证。
Kwai-Keye/Keye-VL-1_5-8B
已完整同步
Kwai Keye-VL-1.5 是一款前沿的多模态大语言模型，专注于视频理解与推理。它采用了创新的“慢-快”视频编码策略，通过渐进式四阶段预训练方法将上下文长度扩展至128K tokens，并设计了全面的后训练流程，以增强推理能力和对齐人类偏好。该模型在视频理解任务上表现出显著提升，同时在其他多模态基准测试中保持竞争力。
Fun-CosyVoice 3.0 是一个基于大语言模型的先进文本转语音（TTS）系统，在内容一致性、说话人相似度和韵律自然度上均超越前代。它支持9种常见语言（中、英、日、韩、德、西、法、意、俄）以及18种以上中文方言/口音，同时具备跨语言零样本语音克隆能力。系统还提供发音修复、文本标准化、低延迟流式输出和指令控制（如语言、情感、语速、音量）等实用功能，适合生产环境使用。
LongCat-Image 是一个开源的、中英双语的图像生成基础模型，拥有60亿参数。它在保持高效性能的同时，在多个基准测试中超越了数倍于自身规模的模型，尤其擅长中文文字渲染，能准确稳定地生成常见汉字，并覆盖了广泛的汉字字典。此外，该模型通过创新的数据策略和训练框架，能够生成具有出色照片级真实感的图像。
SmallThinker-4BA0.6B-Instruct 是一个专为本地部署设计的高效语言模型，采用两层稀疏结构（细粒度混合专家与稀疏前馈网络），在降低计算需求的同时保持模型能力。该模型还引入了预注意力路由器和 NoPE-RoPE 混合稀疏注意力机制，以优化存储 I/O 和内存效率，在普通消费级 CPU 上即可实现每秒超过 20 个 token 的生成速度，内存占用仅约 1GB。模型主要面向英文文本生成任务，在多项基准测试中表现优于同规模的其他模型。
Qwen/QwQ-32B
已完整同步
QwQ-32B是Qwen系列中的推理模型，拥有32.5B参数，基于Transformer架构，支持最长131,072 tokens的上下文。它经过预训练、监督微调与强化学习，具备深度思考与推理能力，在复杂任务上表现优异，可对标业界领先的推理模型。
Spark-TTS 是一个基于大语言模型的高效文本转语音系统，专门用于生成自然、准确的语音。它完全构建在 Qwen2.5 之上，无需额外的流匹配等生成模型，而是直接通过 LLM 预测的代码重构音频，大幅简化了流程并提升了效率。系统支持中文和英文双语，具备零样本语音克隆能力，能够在不依赖特定训练数据的情况下复制说话人的声音，并实现跨语言和语码切换场景的无缝合成。此外，Spark-TTS 还支持可控语音生成，用户可以通过调整性别、音高、语速等参数来创建虚拟说话人，灵活性很强。
这是一个为 OSWorld 项目提供评估文件缓存的数据集，包含大量用于多模态代理评测的各类文件，覆盖 Chrome、Firefox、GIMP、LibreOffice（Calc、Impress、Writer）、Thunderbird、VS Code 等多个应用场景。文件组织方式按应用分类，每个目录下再按具体评测场景细分，存放图片、文档、电子表格、演示文稿、媒体文件、数据集和配置文件等。该缓存旨在提升文件访问的可靠性和速度，确保评测资源稳定可用，支持直接通过文件路径或编程方式获取。