TII 发布 Falcon 3 系列开源大模型
TII 发布 Falcon 3 系列开源大模型，包含 1B、3B、7B、10B 参数 Transformer 模型及 7B Mamba 模型。Falcon3-10B-Base 在 13B 以下模型中表现最佳，数学和代码能力显著提升。所有模型均开源，并支持 GGUF、GPTQ 等格式。
推荐理由：TII 发布 1B 至 10B 参数模型，在数学和代码推理上表现突出，为端侧部署提供高效选择。
多模态
全部主题文本之外的能力：视觉理解、图文混合、音视频输入输出的模型与产品进展。
最新精选
第 101–120 条 · 共 128 条Hugging Face Blog精选AI 评分7272
Hugging Face Blog精选AI 评分7979 Google 发布 PaliGemma 2 多模态模型
Google 发布 PaliGemma 2 视觉语言模型，基于 SigLIP 和 Gemma 2 架构，提供 3B、10B 和 28B 三种参数规模，支持 224x224、448x448 和 896x896 多种输入分辨率。模型采用 Gemma 许可协议，支持商业使用与微调，Hugging Face 同步更新了 transformers 集成与 LoRA 微调脚本。
推荐理由：提供了多尺寸模型与多分辨率支持，并附带微调脚本，便于开发者快速适配视觉语言任务。
Hugging Face Blog精选AI 评分7575 Hugging Face 发布 SmolVLM 2B 多模态模型
Hugging Face 发布 SmolVLM，一款 2B 参数、完全开源的视觉语言模型。该模型采用像素重排策略将视觉信息压缩 9 倍，在同等规模下显存占用最低且推理速度最快。提供 Base、Synthetic 和 Instruct 三个版本，支持本地部署与微调。
推荐理由：SmolVLM 通过像素重排策略大幅压缩视觉 Token，在同等规模下实现更低的显存占用和更高的推理速度。
Mistral AI精选AI 评分7070 Mistral le Chat 更新搜索、Canvas 与 Agent 功能
Mistral AI 宣布 le Chat 新增网络搜索、Canvas 协作界面、文档图像理解、图像生成及 Agent 功能。这些新功能目前作为免费 Beta 版提供，旨在整合模型与输出，提供一站式 AI 生产力工具。
推荐理由：le Chat 新增搜索、Canvas 和 Agent 功能，且目前免费开放，为工作流整合提供了新选择。
Mistral AI精选AI 评分8585 Mistral 发布 Pixtral Large 多模态模型并更新 Mistral Large
Mistral 发布 Pixtral Large，这是一款 123B 参数的多模态解码器模型，在 MathVista、DocVQA 等基准上超越 GPT-4o 和 Gemini-1.5 Pro，支持 128K 上下文窗口。同时 Mistral Large 24.11 版本同步更新，提升了长上下文理解与函数调用能力，即将在 Google Cloud 和 Microsoft Azure 上线。
推荐理由：Pixtral Large 在多项多模态基准上超越 GPT-4o 等闭源模型，且提供 128K 上下文窗口，适合文档与图表理解场景。
Hugging Face Blog精选AI 评分7575 Cohere 发布 Aya Expanse 多语言大模型
Cohere For AI 发布 Aya Expanse 系列多语言大语言模型，包含 8B 和 32B 参数版本，并在 Hugging Face 开源权重。
推荐理由：Aya Expanse 通过数据套利与模型融合等创新训练策略，在多项多语言评测中超越 Llama 3.1 等主流模型，为多语言大模型训练提供了新的技术路径。
OpenAI News精选AI 评分8080 OpenAI 为 GPT-4o 微调 API 新增图像输入支持
OpenAI 宣布开发者现在可以使用图像和文本对 GPT-4o 进行微调，以增强模型的视觉能力。
推荐理由：GPT-4o 微调 API 新增图像输入支持，开发者可利用图文数据优化模型视觉能力。
Hugging Face Blog精选AI 评分6868 Hugging Face 发布 FineVideo 数据集及构建管线
Hugging Face 发布 FineVideo 数据集，包含 4.3 万个视频、3.4k 小时时长及丰富的结构化标注。文章详细披露了从 YouTube-Commons 中筛选动态内容、构建分类法，以及利用 Gemini 1.5 Pro 和 GPT4o 进行时间级语义标注的完整技术管线。
推荐理由：文章详细披露了构建4.3万小时高质量视频数据集的过滤与标注管线，为多模态模型训练提供了可复用的工程方法。
Mistral AI精选AI 评分8585 Mistral 发布 Pixtral 12B 多模态模型
Mistral 发布 Pixtral 12B 多模态模型，采用 400M 视觉编码器与 12B 解码器，支持 128K 长上下文及可变图像尺寸。该模型在 MMMU 推理基准上达到 52.5%，支持图表理解、文档问答及多图像处理，以 Apache 2.0 协议开源。
推荐理由：Pixtral 12B 提供原生多模态与 128K 长上下文，兼顾文本与图像能力，适合本地部署与 API 集成。
Hugging Face Blog精选AI 评分6565 HuggingChat 发布社区工具功能
HuggingChat 发布社区工具功能，允许用户将 Hugging Face 上的公开 Space 直接转化为模型可调用的工具。该功能扩展了多模态支持，涵盖图像理解、视频生成及语音合成，并支持用户创建自定义工具或基于私有文档构建 RAG 工具。
推荐理由：HuggingChat 开放将社区 Space 转为工具的功能，支持多模态交互与自定义 RAG，丰富了现有工作流。
Mistral AI精选AI 评分8888 Mistral Large 2 发布，支持单节点部署与增强推理能力
Mistral AI 发布 Mistral Large 2 模型，拥有 123B 参数与 128k 上下文窗口，支持单节点高效推理。该模型在代码生成与数学推理上对标 GPT-4o 与 Claude 3 Opus，并强化了工具调用与多语言指令遵循能力。
推荐理由：模型在推理与代码能力上对标前沿闭源模型，且支持单节点部署，为开发者提供了高性价比的替代方案。
Hugging Face Blog精选AI 评分9292 Llama 3.1 发布 405B、70B 及 8B 模型
Hugging Face 发布 Llama 3.1 系列模型，包含 405B、70B 和 8B 三种规格，支持多语言与长上下文能力。
推荐理由：Llama 3.1 带来 405B 大参数模型与长上下文支持，为开源多模态生态提供了新的基线选择。
Hugging Face Blog精选AI 评分7272 使用TRL库通过DPO微调多模态模型
Hugging Face宣布TRL库支持对多模态模型（VLM）进行直接偏好优化（DPO）。文章以Idefics2-8b为例，演示了使用openbmb/RLAIF-V-Dataset进行微调的完整流程，包括数据格式化、量化与LoRA显存优化，并展示了模型在AMBER基准上幻觉减少的效果。
推荐理由：文章提供了基于TRL库微调多模态模型的完整代码与显存优化方案，可直接复用于Idefics2等模型。
Hugging Face Blog精选AI 评分6868 Hugging Face 博客：微调 Microsoft Florence-2 视觉语言模型
Hugging Face 博客发布教程，展示如何在受限资源下微调 Microsoft Florence-2 视觉语言模型。文章通过 DocVQA 数据集实验，验证了冻结视觉编码器并使用小学习率（1e-6）微调的有效性，验证集 Levenshtein 相似度从 0 提升至 57.0，并提供了 Colab 笔记本与完整代码。
推荐理由：提供在受限资源下微调 Florence-2 的完整代码与实验数据，展示如何将其适配至文档问答等下游任务。
Hugging Face Blog精选AI 评分6767 TII 发布 Falcon 2 11B 语言模型与多模态模型
TII 发布 Falcon 2 系列模型，包含 11B 参数语言模型与视觉语言模型（VLM），均在 5000B tokens 数据上训练。11B LLM 在多项基准上超越 Llama3-8B 和 Mistral-7B，支持 11 种语言；11B VLM 集成 CLIP 视觉编码器，在 MME 等基准上表现优异。模型采用 Apache 2.0 衍生许可开源。
推荐理由：Falcon 2 提供 11B 参数语言模型与视觉语言模型，兼顾多语言与代码能力，为端侧部署提供高性价比选择。
OpenAI News精选AI 评分6565 ChatGPT 更新数据分析功能，支持云端文件直传与图表交互
ChatGPT 更新数据分析功能，支持直接添加 Google Drive 和 Microsoft OneDrive 文件，并增强与表格和图表的交互能力。
推荐理由：ChatGPT 新增云端文件直传与图表交互能力，扩展了多模态处理范围。
OpenAI News精选AI 评分6363 OpenAI 宣布与 Reddit 达成合作
OpenAI 宣布与 Reddit 达成合作，计划将 Reddit 的独特内容引入 ChatGPT 及其产品。
推荐理由：OpenAI 官方宣布与 Reddit 达成合作，将 Reddit 内容引入 ChatGPT，为理解大模型数据源拓展提供了直接依据。
Hugging Face Blog精选AI 评分8383 Google 发布开源视觉语言模型 PaliGemma
Google 在 Hugging Face 发布了开源视觉语言模型 PaliGemma，该模型结合 SigLIP 图像编码器和 Gemma-2B 文本解码器，提供 224x224、448x448 和 896x896 三种分辨率。
推荐理由：Google 开源了基于 SigLIP 和 Gemma 的多分辨率视觉语言模型，提供了详细的微调指南和推理代码。
OpenAI News精选AI 评分9292 OpenAI 发布 GPT-4 Omni 旗舰模型
OpenAI 发布 GPT-4 Omni 旗舰模型，支持在音频、视觉和文本之间进行实时推理。
推荐理由：GPT-4 Omni 支持实时跨音频、视觉和文本推理，为多模态交互提供了新的技术基准。
OpenAI News精选AI 评分9595 OpenAI 发布 GPT-4o 并开放 ChatGPT 免费使用
OpenAI 发布 GPT-4o 模型，并宣布在 ChatGPT 中提供更多免费能力。
推荐理由：GPT-4o 发布并开放 ChatGPT 免费使用，读者可据此评估多模态模型在通用场景的可用性。