AI 模型库：大模型、Agent 与开发工具
收录并解读主流 AI 模型、Agent 与开发工具的能力、场景与选型对比。
标签：模型推理
共 86 篇文章 · 清除标签
Fun-ASR-Realtime – 阿里千问推出的流式实时语音识别模型
Fun-ASR-Realtime 是阿里千问推出的流式实时语音识别大模型，专为低延迟、高精度的语音转文本场景设计。该模型通过 WebSocket 流式协议实现“边说边出字”，将首字延迟压缩至百毫秒级，同时保持接近离线模型的识别准确率。在方言识别方面，其覆盖 16 种中文方言和 30 种语言，并在 12 类方言测试中领先火山与腾讯的同类产品。模型还具备上下文理解、热词定制、情感识别和时间戳输出等高级...
Page Agent – 阿里开源的 JavaScript GUI 智能体库
Page Agent 是阿里巴巴开源的一款纯前端 JavaScript 智能体库，通过一行 `<script>` 标签嵌入网页，即可让用户用自然语言直接操控页面 DOM 元素。它采用独创的 DOM 脱水技术将复杂页面压缩为精简文本树（FlatDomTree），并支持任何 OpenAI 兼容的大语言模型端点（如通义千问、GPT 系列等）。无需后端服务、无需截图、无需浏览器扩展，Page Agent ...
RedKnot – 小红书开源的长文本推理加速引擎
RedKnot 是小红书技术团队开源的长文本 LLM 推理加速引擎，通过将 KV Cache 按注意力头维度解耦，离线分类为需全局重算的全局头与可局部复用的局部头，配合 SegPagedAttention 实现按头分页存储与融合变长注意力内核，避免 attn_mask 带来的内核惩罚。同时引入稀疏 FFN 机制，对高注意力分数的 token 执行稠密计算，解决短上下文下 FFN 占预填充延迟过半的...
BrowserBC – Einsia AI 旗下开源的浏览器操作轨迹生成 Skill
BrowserBC 是 Einsia AI 旗下 Navers Lab 发布的开源项目，其核心目标是将人类在浏览器中的操作轨迹转化为可复用的自然语言技能（Skill），使 Web Agent 能够“克隆”人类操作经验，更高效地完成同类任务。用户只需在浏览器中执行一次完整的任务流程，系统便能自动将这段操作序列蒸馏成一份结构化的“技能卡”，之后任意模型均可依据该技能卡复现操作，实现“做一次、复用无数次...
Krea 2 – Krea AI 推出首个从零训练的基础图像生成模型
Krea 2 是 Krea AI 推出的首个从零训练的基础图像生成模型，定位为“美学优先”的创意协作者，而非传统的提示词精确翻译器。该模型基于全新的自研架构，从数据筛选、训练策略到推理管线均围绕视觉美学一致性、风格迁移和创意控制进行设计。Krea 2 开源了两个版本：RAW（未蒸馏基础模型，可塑性极强，适合训练 LoRA）和 Turbo（8 步蒸馏模型，约 2 秒出图，支持 1K~2K 分辨率）。...
DSpark – DeepSeek 联合北京大学开源的推测解码加速框架
DSpark是由DeepSeek联合北京大学共同开源的推测解码（Speculative Decoding）加速框架，旨在解决大语言模型自回归生成过程中推理速度慢、如同“挤牙膏”的核心痛点。该框架采用半自回归生成架构，通过轻量级Markov头（或RNN头）显式建模相邻token之间的依赖关系，在保留并行草稿模型高吞吐特性的同时，显著缓解传统并行方案的后缀衰减问题，使候选序列前后更加连贯。此外，DSp...
Boogu-Image-0.1 – Boogu开源的统一图像生成与编辑模型
Boogu-Image-0.1是Boogu团队开源的统一图像生成与编辑模型家族，在同一架构下同时支持文生图、指令式图像编辑及中英双语文本渲染三大核心任务。家族包含Base、Edit和Turbo三个变体，其中Edit变体拥有10B参数，Turbo变体通过蒸馏技术实现3-4步极速推理。在自建的Boogu Arena千级提示词ELO评测中，该系列位列所有参评开源与闭源系统前排，并在Qwen-Image-...
SkillOpt – 微软开源的Agent技能文档优化工具
SkillOpt是微软开源的一款Agent技能文档优化工具，其核心理念是将深度学习训练范式引入文本空间，将Agent的`skill.md`文件视为可训练的参数，通过轨迹分析生成编辑方向，利用文本学习率约束有界修改，并借助保留验证集进行门控筛选，最终迭代产出最优技能文档`best_skill.md`。该工具支持跨模型、跨工具链迁移，且部署时零额外开销，在52个评估单元中全部取得最佳或并列最佳性能。S...
Image-to-LoRA-V2 – 魔搭社区开源的免训练风格迁移工具
Image-to-LoRA-V2（简称i2L-V2）是魔搭社区（ModelScope）旗下DiffSynth-Studio团队开源的免训练风格迁移工具。用户只需上传1至8张风格一致的参考图片，模型通过一次前向推理即可直接预测出文生图模型的LoRA权重，无需任何GPU训练过程。工具原生支持Z-Image、FLUX.2、Hidream-O1三大主流基座模型，在风格保真度、内容一致性及美学质量等多项指标...
Seedance 2.0 Mini – 字节跳动推出的轻量化视频生成模型
Seedance 2.0 Mini 是字节跳动火山引擎推出的一款高性价比轻量化视频生成模型，旨在以更低的计算成本和更快的生成速度满足短视频批量生产、营销素材迭代及项目前期草稿等高频需求。该模型在保留核心多模态参考生成能力的前提下，将生成成本较标准版降低约50%，生成速度达到 Seedance 2.0 Fast 的2倍，10秒视频实测约2分钟即可完成。基于双分支并行生成架构、统一多模态联合训练以及知...
