Phi-4 是微软研究院开源的一个小型语言模型，参数量仅140亿，但在多个基准测试中表现出色，可能超过OpenAI的GPT-4o以及同类顶级开源模型如Qwen 2.5-14B和Llama-3.3-70B。其训练数据包括高质量的合成数据，涵盖50多种数据集，生成约4000亿未加权tokens。采用监督微调（SFT）和直接偏好优化（DPO）技术，特别在数学竞赛相关任务中展现强大推理能力。

火山方舟是由火山引擎提供的一站式大型模型服务平台，专注于企业AI应用。该平台提供模型体验、微调、推理和评估等功能，支持多种模态模型体验，适合行业分析和投资预测等场景。平台提供免费代币配额，个人用户可获得50万代币，合作计划企业用户可获得500万代币。此外，平台还提供灵活的定价方案，包括按使用付费和资源包，并具备高安全性和隐私保护，符合多种国际认证标准。

ERNIE X1 是百度于2025年3月16日推出的深度推理模型，专注于处理需要高级推理的复杂任务，如数学和编码。它具有多模态能力，能够同时处理文本、图像、音频和视频，成本效益高，性能与DeepSeek R1相当但价格更低。该模型通过百度的ERNIE Bot官方网站免费提供给个人用户，特别适合金融、法律和数据分析等领域的应用。

Predibase RFT 是由 Predibase 开发的强化微调平台，专注于通过强化学习优化大型语言模型（LLMs）。与传统监督式微调不同，RFT 不需要大量标注数据，而是通过奖励函数和自定义函数实现持续的强化学习。用户可以通过浏览器设置微调目标并上传数据，简化大型模型微调流程。平台支持课程学习、多 LoRA 框架和流式微批处理技术，提升训练和推理效率。此外，RFT 提供高性能无服务器部署解决方案，方便用户快速将训练好的模型部署到生产环境中。

GR00T-N1-2B 是 NVIDIA 开发的一个开源通用大型模型，专为类人机器人设计，能够处理语言、图像和视频等多模态数据。该模型采用‘快慢思考’架构，结合扩散变换器模块和视觉-语言模块，生成机器人任务的动作指令。其训练数据采用‘数据金字塔’结构，包括网络数据、人类视频数据、合成数据和真实机器人硬件数据，以确保实际应用的准确性和适应性。

DeepSeek-V3-0324 是由DeepSeek AI开发的大型语言模型，采用Mixture-of-Experts (MoE)架构，总参数约为6850亿。该模型利用Multi-head Latent Attention (MLA)和DeepSeekMoE架构，创新性地引入了无辅助损失的负载均衡策略，并设置多令牌预测训练目标以提升性能。在14.8万亿多样化高品质令牌上预训练后，通过监督微调和强化学习进一步优化，DeepSeek-V3-0324 在推理、代码生成和其他语言任务中表现出色。

LoRA（低秩适应）及其家族变体是一系列用于高效微调大型语言模型的技术。通过在预训练权重矩阵旁边添加两个较小的可训练矩阵，LoRA 显著减少了需要训练的参数数量，同时保持了模型性能。LoRA 家族包括多个变体，如 VeRA、LoRA-FA、AdaLoRA、DoRA 和 Delta-LoRA，这些变体进一步优化了内存使用、参数分配和学习能力，广泛应用于自然语言处理和视觉语言任务。

Databoom 是一个开源且可商业化的数据治理与分析平台，支持 deepseek 等大型模型，通过智能分析和可视化操作降低技术门槛，支持多种数据源（如 MySQL、API、Excel），并引入 LLM 大模型进行自动化分析。用户可自定义分析目标，提供简洁易用的用户界面和高度定制化的可视化仪表板，还支持数据集共享和积分系统，采用 Spring Boot、Nacos、Redis 等技术栈，确保系统稳定性和可扩展性。

LabelLLM 是一个专为大型语言模型（LLM）开发设计的开源数据标注平台，旨在优化数据标注过程，提高标注效率。该平台提供全面的任务管理解决方案，支持多模态数据（如音频、图像、视频），并提供高效标注工具和定制化服务，特别适合独立开发者及中小型研究团队。

HoME是快手开发的一种创新多任务学习模型，旨在解决推荐系统中的Mixture of Experts（MoE）范式中的专家崩溃、退化和欠拟合问题。通过引入专家归一化和Swish机制、层次掩码机制以及特征门和自门机制，显著提高了模型的稳定性和效率。该模型已广泛应用于快手的短视频推荐服务，每天服务4亿活跃用户。

HLLM（Hierarchical Large Language Models）是由字节跳动提出的分层大语言模型架构，旨在通过分层结构提升推荐系统的性能。它由Item LLM和User LLM组成，分别处理物品特征提取和用户兴趣预测。该方法结合了生成式和判别式训练方式，通过实验证明其有效性，尤其在处理大规模数据集时表现出色。线上AB测试验证了其在真实推荐场景中的实用性。

MLoRA（多领域低秩自适应网络）是由阿里巴巴开发的用于提升多领域点击率（CTR）预测的模型。它借鉴了大语言模型（LLM）中的高效参数微调技术，引入了低秩自适应（LoRA）来解决数据稀疏和分布不均的问题。MLoRA为每个领域添加了专门的LoRA模块，使其参数高效且易于与各种CTR预测模型集成。该模型在多个公开数据集和阿里巴巴电商平台的A/B测试中表现出色，展示了其在实际应用中的优越性能和实用性。

Mirasol3B 是由 Google 开发的多模态自回归模型，能够处理视频、音频和文本三种数据类型。它由视频-音频自回归模型、文本自回归模型和多模态融合模型三部分组成，能够处理时间对齐的模态（如视频和音频）以及非时间对齐的模态（如文本）。研究表明，Mirasol3B 在多模态任务中表现出色，例如视频-文本检索、音频-文本检索和视频-音频检索等。该模型是闭源的，详细信息仅通过 Google 博客文章和研究论文获取。

Qwen-72B-Chat是阿里巴巴云开发的大型语言模型，参数规模为720亿，训练数据超过3万亿个token。它在自然语言理解和数学任务上表现优异，支持系统提示增强、工具使用和长上下文理解（高达32K tokens），适合多种自然语言任务。该模型在多个基准测试中表现优异，甚至在某些中文评估中超越了GPT-3.5和GPT-4。

LLM Visualization 是一个专注于Transformer-based语言模型（如GPT-3）的3D可视化工具。其主要目标是展示这些模型的内部结构和运行过程，帮助用户直观理解复杂的模型机制。用户可以通过该工具观察模型的各个组成部分，包括词嵌入、多头自注意力和前馈神经网络。此外，用户还可以输入自己的文本，实时观察模型如何处理输入并生成输出。这一功能特别适合研究人员、教育者或对AI模型内部工作原理感兴趣的普通用户。

Mixtral-8x7B-Instruct-v0.1 是由 Mistral AI 开发的开源指令跟随模型，基于 Mixtral-8x7B-v0.1 架构，采用混合专家（MoE）设计，包含 8 个 7B 参数的专家，总参数量约为 46.7B。该模型支持 32k 令牌的上下文长度，能够处理英语、法语、意大利语、德语和西班牙语。在 MT-Bench 基准测试中得分 8.3，表现出色，特别适合需要指令跟随的应用场景。模型通过 Hugging Face transformers 库加载，支持 GPU 加速，生成文本的能力强大且灵活。

CognAgent 是一个基于18亿参数的视觉语言模型（VLM），专注于图形用户界面（GUI）的理解和导航。它支持高分辨率图像（1120x1120像素），能够识别文本、图标、按钮等元素，并根据用户指令执行点击、滑动、输入等操作。CognAgent在多个跨模态基准测试和GUI操作数据集上表现出色，支持中文和英文双语交互，并且是一个开源项目。

Vary是一种新的视觉识别方法，专注于文档级OCR和图表理解。它通过两个阶段生成并整合新的视觉词汇，首先设计词汇网络和小型解码器，通过自回归生成所需词汇，然后通过合并新词汇和原始词汇（CLIP）来扩展原始视觉词汇，使大型视觉语言模型（LVLMs）能够快速获取新特征。Vary在保持原有能力的同时，展现出更出色的细粒度感知和理解能力，尤其擅长识别表格和公式，并具备多模态推理能力。

CodeArts Snap 是由华为推出的 AI 编程助手，基于华为云盘古研发大模型，旨在通过将自然语言转化为规范、安全的代码，提升开发者效率。它支持 Python 和 Java 语言，并可作为插件集成到 PyCharm、IntelliJ 和 VSCode 等开发工具中。项目结合华为 30 年 ICT 研发经验，确保编程安全，并覆盖代码生成、单元测试用例生成等八大研发场景。

Mobile ALOHA 是由斯坦福大学开发的智能机器人系统，专注于通过模仿学习执行家庭任务。该系统结合了AI神经网络和基于Transformer的动作学习算法（ACT），支持持续进化。它由一台PC、两个机械臂和一个移动底座组成，总制造成本约为32,000美元。代码和教程已开源，用户可通过3D打印组件构建自己的机器人。

GPT Store 是 OpenAI 推出的一个平台，允许用户通过简单指令和知识定制自己的 ChatGPT 版本。这些自定义 GPT 可用于学习、工作、娱乐等多个领域，用户可以分享自己的创作或浏览他人创建的 GPT。目前，该商店仅对 ChatGPT Plus、Team 和 Enterprise 用户开放，未来计划增加更多功能和优化，并根据 GPT 的使用情况为创作者提供收益。

OK-Robot 是一个由 Meta 和纽约大学合作开发的开源机器人框架，专注于零样本、基于语言的拾取和放置任务，特别适用于真实家庭环境。它利用视觉语言模型（VLM）进行物体检测，结合导航和抓取模块，无需预训练即可执行任务。项目在10个真实家庭环境中测试，成功率达到58.5%，在整洁环境中可提升至82%。

Code Llama 70B 是 Meta 公司开发的一个开源编程 AI 模型，拥有 700 亿参数，模型大小为 131 GB。它在 1 万亿个 token 上训练，支持多种编程语言，包括 Python、C++、Java、PHP、Typescript、C# 和 Bash 等。该模型在推理、编码、熟练度和知识测试等外部基准测试中超越了其他开源语言模型，展现了强大的编码功能。

V-JEPA（Video Joint Embedding Predictive Architecture，视频联合嵌入预测架构）是 Meta AI 于 2024 年 2 月 15 日发布的一种自监督学习方法，旨在通过观看视频学习世界的表示。它基于 Yann LeCun 在 2022 年提出的 JEPA（联合嵌入预测架构）思想，并将其扩展到视频领域，专注于通过预测视频中被遮挡部分的抽象特征表示来训练视觉编码器。V-JEPA 的核心目标是构建一种像人类一样通过观察学习内部世界模型的 AI 系统，支持广义推理和规划。其设计理念是利用自监督学习从未标注的视频数据中提取丰富表示，模拟人类通过观察世界（如学习物理规则）来理解环境的认知过程。

Claude API 是由 Anthropic 提供的开放应用接口，允许开发者利用 Claude 3 模型构建各种 AI 应用。它支持多种语言和格式，包括文本、图片、代码和文档，适用于广泛的 AI 开发场景。Claude API 在语言处理、推理和编码任务中表现优异，且具有高安全性和可信度。开发者可以通过 API 调用集成 Claude 3 模型，执行文本生成、图片处理、编码辅助等任务。

Genie 是由 Google 开发的生成式 AI 模型，基于纯视频数据训练，能够从单一图像提示生成交互式可玩环境。该模型拥有 110 亿参数，训练数据超过 20 万小时的 2D 平台游戏视频，通过无监督学习角色运动、控制和动作，以及世界的物理和逻辑规则。尽管目前生成动画的帧率较低、持续时间较短，但其在潜在动作预测上的表现展示了生成交互式虚拟世界的潜力。

BigCode 是一个由 Hugging Face 和 ServiceNow 联合领导的开源科学合作项目，专注于负责任地开发和使用大型语言模型（LLM）进行代码相关应用。该项目提供了多种模型和数据集，如 StarCoder2 系列模型和 The Stack v2 数据集，涵盖超过 600 种编程语言，支持代码生成、代码补全、文本摘要等功能。BigCode 的目标是通过开源和开放科学推进人工智能的发展，特别是在代码生成和理解领域。

Social Learning 是 Google 推出的一种 AI 技术，旨在模仿人类通过社会互动学习的方式。该框架由教师模型和学生模型组成，教师模型通过自然语言向学生模型传授知识，学生模型则通过这些互动来学习和改进。这种方法减少了对传统机器学习中大量数据和复杂算法的需求，并更好地保护用户隐私。Google 已在语言翻译和图像识别等任务中测试了该框架，但具体研究主要聚焦于大型语言模型（LLMs），如垃圾邮件检测、数学问题和问答。

PsychoGAT（Psychological Game AgenTs）是由清华大学研究团队开发的一种创新心理测量工具，结合了游戏化元素和先进的语言模型技术，旨在提升心理评估的参与度和准确性。其核心理念是大语言模型（LLM）可以同时扮演熟练的心理学家和创新的游戏设计师，通过将 LLM 代理嵌入指定角色并管理它们的互动，将任何标准化量表转化为个性化和引人入胜的互动小说游戏。

SIMA是由Google DeepMind开发的一个通用AI代理，专为3D虚拟环境设计。它能够遵循自然语言指令在视频游戏中执行任务，无需游戏源代码或自定义API，仅使用屏幕图像和简单指令。SIMA在9款不同的视频游戏中进行训练，并在600项基本技能上进行评估，能够在约10秒内完成任务。研究表明，它在未见过的游戏中表现出色，并能泛化到新游戏。SIMA的最终目标是开发出能够在现实世界和在线环境中提供帮助的通用AI代理。