从聊天到代码，国产LLM一周大爆发！它们凭什么霸占Hugging Face热榜？

最新推荐文章于 2025-08-05 17:58:34 发布
最新推荐文章于 2025-08-05 17:58:34 发布
阅读量418 收藏 9
点赞数 11
CC 4.0 BY-SA版权
文章标签： 人工智能 智能体 大数据 产品经理 Agent AI 程序员
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84204413/article/details/149908580

这一周是国产开源LLM集中大爆发的一周：GLM-4.5、Qwen3的5连发、Step3等等，接连发布，PaperAgent专题梳理盘点：

具备强大的视觉感知和复杂推理能力

一、GLM-4.5

GLM-4.5发布，这是新一代开源SOTA模型，专为智能体应用打造，采用混合专家架构，总参数量3550亿，激活参数320亿，具备思考和非思考两种模式，综合能力在推理、代码、Agentic智能体领域达到开源最佳水平，

图片

API调用价格低至输入0.8元/百万tokens、输出2元/百万tokens，高速版生成速度可达100tokens/秒，已在Hugging Face和ModelScope开源，支持全栈开发和工具调用，兼容主流代码智能体框架。

图片

    https://hf-mirror.com/zai-org

    二、Qwen3的5连发

    • 7.22   Qwen3模型升级为Qwen3-235B-A22B-Instruct-2507版本，显著提升了通用能力、多语言知识覆盖、用户偏好契合能力及长文本理解能力，并在魔搭社区和HuggingFace开源更新。

    • 7.23 Qwen3-Coder发布，这是480B参数激活35B参数的MoE代码模型，支持256K上下文扩展至1M，具备卓越的代码和Agent能力，在开源模型中表现优异，同时推出Qwen Code命令行工具，可与Claude Code、Cline等结合使用，支持通过API调用，未来还将探索更多尺寸和自改进能力。

      图片

    • 7.25  Qwen3-235B-A22B-Thinking-2507推理模型正式推出，其在编程、数学等核心能力及知识、创意写作、人类偏好对齐、多语言能力等通用能力上实现飞跃，支持256K长文本理解，已在魔搭社区、Hugging Face开源并采用Apache2.0协议，可免费商用。

    • 7.30  Qwen3-30B-A3B模型更新为Qwen3-30B-A3B-Instruct-2507和Qwen3-30B-A3B-Thinking-2507，前者非思考模式下性能媲美顶尖闭源模型，通用能力、多语言知识覆盖、用户偏好对齐及长文本理解能力大幅提升；后者推理能力显著增强，数学、代码、知识水平、通用能力均超越前代，支持256K原生上下文（可扩展至1M），已在魔搭社区和Hugging Face开源。

    • 8.1  Qwen3-Coder-Flash（Qwen3-Coder-30B-A3B-Instruct）发布，这是“甜品级”编程模型，拥有超强Agent能力，支持256K原生上下文（可扩展至1M），适配多平台，已在魔搭社区和Hugging Face开源，可自由部署。

      https://hf-mirror.com/Qwen/models

      三、阶跃星辰Step3

      阶跃星辰Step 3正式开源，这是一个总参数量321B、激活参数量38B的多模态推理模型，采用MoE架构，，通过MFA和AFD优化显著提升推理效率，支持跨硬件部署，已在Github、Hugging Face和魔搭ModelScope开源，API上线开放平台，限时折扣中。

        https://hf-mirror.com/stepfun-ai/step3

        四、混元3D大模型

        腾讯发布混元3D世界模型1.0（HunyuanWorld-1），这是首个支持物理仿真的开源3D世界生成系统，可依据文本或图像输入生成沉浸式、可交互的3D场景，具备360°沉浸体验、工业级兼容性和原子级交互三大优势，支持“文生世界”和“图生世界”两种生成方式，应用于VR、游戏开发、物体编辑和物理仿真等领域。

        https://hf-mirror.com/tencent/HunyuanWorld-1https://3d-models.hunyuan.tencent.com/world/体验地址：https://3d.hunyuan.tencent.com/sceneTo3D

        如何学习AI大模型？

        我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

        我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

        这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

        在这里插入图片描述

        第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

        第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

        第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

        第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

        第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

        第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

        第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

        在这里插入图片描述

        👉学会后的收获：👈

        • 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

        • 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

        • 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

        • 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

        在这里插入图片描述

        1.AI大模型学习路线图
        2.100套AI大模型商业化落地方案
        3.100集大模型视频教程
        4.200本大模型PDF书籍
        5.LLM面试题合集
        6.AI产品经理资源合集

        👉获取方式：
        😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

        在这里插入图片描述

         

        AI原生应用领域，Llama如何脱颖而出
        AI天才研究院
        07-08 847
        当我们谈论"AI原生应用"时，我们到底在说什么？想象一下，如果智能手机刚出现时，开发者只是把功能机的应用简单移植过来，会有今天的移动互联网吗？答案显然是否定的。同样，AI原生应用不是简单地给现有应用"加上AI功能"，而是从底层架构就为AI能力设计的全新物种——就像为AI量身定制的"智能房子"，AI不再是墙上的一幅画（附加功能），而是支撑整个房子的钢筋骨架。本文的目的，就是带你搞清楚：在这个AI原生应用的"造房热潮"中，为什么Meta开源的Llama模型能成为最受开发者欢迎的"建筑工具"？
        全球掀DeepSeek复现狂潮！硅谷巨头神话崩塌，30刀见证啊哈时刻
        强化学习曾小健
        01-26 909
        与RL训练前的模型（Qwen2.5-Math-7B-Base + 8K QwQ知识蒸馏版本）相比，Qwen2.5-7B-SimpleRL的平均性能显著提升了6.9个百分点。此外，Qwen2.5-7B-SimpleRL不仅持续优于Eurus-2-7B-PRIME，还在5个基准测试中的3个上超越了Qwen2.5-7B-SimpleRL-Zero。其中，Qwen2.5-7B-SimpleRL-Zero是在Qwen2.5-Math-7B基础模型上仅使用纯PPO方法训练的，仅采用了MATH数据集中的8K样本。
        deepseek R1 最新复现进展
        qq_44761480的博客
        02-02 2242
        以下项目地址汇总：**
        全球热议 DeepSeek：复现狂潮如何改变游戏规则！一文汇总复现项目！
        小白学视觉
        01-29 459
        点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达转载自 | 新智元、量子位因为 V3 版本开源模型的发布，DeepSeek 又火了一把，而且这一次，是外网刷屏。全球复现DeepSeek的一波狂潮来了！正如LeCun所言：「这一次，正是开源对闭源的胜利！」在没有顶级芯片的情况下，以极低成本芯片训出突破性模型的DeepSeek，或将威胁到美国的AI霸权。大模型比拼的不再是动辄千万...
        51c大模型~合集83
        whaosoft~aiotの开发板商城
        12-05 1377
        我自己的原文哦~https://blog.51cto.com/whaosoft/12725573 #通过单张照片生成交互式3D场景 李飞飞的初创公司推出首个项目 今天，由人工智能先驱李飞飞创立的初创公司 World Labs 推出了其首个项目：一个能够通过单张图片生成类似视频游戏的 3D 场景的人工智能系统。 许多人工智能系统能够将照片转化为 3D 模型和环境，但World Labs 现在是唯一一个可以互动和修改的。 “（我们的技术）让你能够进入任何一张图片，并在 3D 空间中探
        51c自动驾驶~合集43
        whaosoft~aiotの开发板商城
        12-27 1673
        我自己的原文哦~ https://blog.51cto.com/whaosoft/12930230上交大最新ChatDyn：一句话操纵三维动态理解和生成真实的三维虚拟世界是空间智能的核心。所生成的三维虚拟世界能够为自动驾驶、具身智能等AI系统提供高质量闭环仿真训练场，高效提供源源不断的训练数据，并以极低成本合成罕见情景进行测试。目前，虽然我们有了Diffusion,三维虚拟世界的画质呈现大幅提升，但是虚拟世界中前景物体交互行为的一致性、可靠性、可控性仍然很低，限制了这一领域取得实质性突破。为了突破现有困
        如何使用Hugging Face微调大语言模型（LLMs）
        python122_的博客
        08-10 1604
        而且无需进行额外的训练。但是，如果你想为你的应用定制模型，可能需要在你的数据集上对模型进行微调，以获得比直接使用或训练更小型模型更高质量的结果。本文将介绍如何使用Hugging Face的。
        探秘Hugging Face与DeepSeek：AI开源世界的闪耀双子星
        邓邓子的博客
        02-11 2114
        本文深入探讨 Hugging Face 和 DeepSeek 在 AI 开源领域的卓越贡献，剖析它们的技术优势、应用场景以及对未来 AI 发展的深远影响，带你领略 AI 开源世界的无限魅力。
        LLM - Hugging Face 工程 BERT base model (uncased) 配置
        AGI
        06-26 1710
        BERT是一个在大量英文数据上以自监督的方式预训练的变换器模型。这意味着它只是在原始文本上进行预训练，没有人以任何方式对它们进行标注（这就是为什么它可以使用大量公开可用的数据），而是用一个自动的过程来从这些文本中生成输入和标签。uncased 表示不区分大小写。完成更新 5 个文件。
        smolagents颠覆传统AI智能体！ollama本地部署Hugging Face开源全新AI智能体！重新定义AI智能体开发！从入门到精通只需10分钟
        热门推荐
        m0_71165399的博客
        01-04 2万+
        设计简洁，使用方便，仅需几行代码即可创建功能强大的AI智能体执行速度远超其他同类框架学习曲线平缓，新手友好代码精简但功能强大。
        Hugging Face系列1：详细剖析Hugging Face网站资源——models/datasets/spaces
        shao918516的博客
        05-15 3799
        本篇主要介绍Hugging Face。它的核心产品是Hugging Face Hub，这是一个基于Git进行版本管理的存储库，已托管大量模型、数据集及Spaces应用。另外，Hugging Face还开源了一系列的机器学习库和界面演示工具Gradio。Hugging Face设计开发了很多学习资源，比如与NLP、扩散模型及深度强化学习等。本篇还介绍了大量Spaces应用，如IDM-VTON、IC-Light、LLM Leaderboard及stable-diffusion-xl-base/refiner等。
        均值聚合与PCA：优劣全解析
        ZJQ的博客
        08-05 13
        摘要： 均值聚合与主成分分析（PCA）是两种数据简化方法，适用场景不同。均值聚合优势在于计算简单（基础运算即可）、可解释性强（结果对应原始变量水平）、对数据分布无严格要求，且聚焦“集中趋势”，适合快速整合信息或需直观解释的场景（如绩效评分）。PCA则依赖变量相关性，需先标准化数据以消除量纲影响，核心是提取数据变异方向，适合高维强相关数据降维。两者非替代关系，需根据目标选择：关注整体水平时用均值聚合，探索数据结构时用PCA。 （150字）
        使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
        FL1623863129的博客
        08-03 731
        训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
        基于Java的AI/机器学习库（Smile、Weka、DeepLearning4J）的实用
        keny-大成的博客
        08-04 587
        在Java中定义AI动作，通常涉及枚举或常量类来列举可识别的合理动作。挥手（WAVE）点头（NOD）摇头（SHAKE_HEAD）鼓掌（CLAP）举手（RAISE_HAND）叉腰（HANDS_ON_HIPS）抱臂（CROSS_ARMS）指向前方（POINT_FORWARD）竖起大拇指（THUMBS_UP）竖起小拇指（THUMBS_DOWN）比心（HAND_HEART）敬礼（SALUTE）握拳（FIST）张开双手（OPEN_HANDS）双手合十（PRAY）
        Opera浏览器v120.0.5543.128绿色版，集成多重加速引擎，告别卡顿与追踪
        midou55com的博客
        08-02 471
        一、产品概况Opera 诞生于挪威，以“小巧、快速、安全”闻名。该绿色版基于官方最新稳定分支定制，免安装、不写注册表，解压即可运行，适用于 U 盘随身携带或本地无痕使用。二、核心特色极速内核原生 Blink 引擎，启动与页面加载速度优于多数同内核浏览器；精简皮肤与 16×16 图标进一步减少资源占用。高度可定制• 快速拨号：内置可视化定制工具，背景、图标、布局随心调整。• 鼠标手势 + 快捷键：支持自定义，浏览效率倍增。• 界面选项：可隐藏标题栏、一键全屏，打造极简视觉体验。
        提升CSDN文章在AI大模型的RAG搜索中引用率的综合策略分析,以“微学AI“为例
        微学AI的博客
        08-01 397
        随着大型语言模型（LLM）与检索增强生成RAG技术的普及，AI驱动的搜索与问答正在成为获取技术信息的核心渠道。对于像“微学AI”这样的CSDN技术博主而言，其文章能否被这些AI系统有效检索和引用，直接关系到其知识传播的广度、个人品牌的影响力以及潜在的技术领导力。本报告深入剖析了RAG系统的工作原理，并结合传统的搜索引擎优化（SEO）与新兴的AI内容优化策略，为CSDN博主提出一套系统性的、可操作的优化方案。报告的核心观点是，创作者需要从“为人类读者写作”进化到“为人类与AI双重读者写作”.
        【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现
        一碗白开水一
        08-01 1367
        YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金
        DDoS 防护的未来趋势AI 如何改变安全行业
        最新发布
        2301_78078966的博客
        08-05 652
        ​：AI正在重塑DDoS攻防的底层逻辑——攻击者利用AI实现攻击自动化与隐蔽化，防御者则通过AI驱动的动态响应与预测能力重建安全防线。未来安全行业的竞争，本质是AI技术迭代速度与攻防对抗深度的较量。
        基于深度学习的医学图像分析：使用变分自编码器（VAE）实现医学图像生成
        qq_74383080的博客
        08-03 507
        本文介绍了基于变分自编码器（VAE）的医学图像生成技术。首先概述了医学图像分析的定义及其在疾病模拟、图像增强和数据增强中的应用场景。然后详细讲解了VAE的理论基础，包括其编码器-解码器架构和生成多样性优势。文章提供了完整的代码实现流程：从环境准备、数据加载预处理，到VAE模型定义、训练和评估方法，最后展示了生成图像的可视化效果。该技术能够生成多样化的医学图像，支持医学研究和临床应用。读者可通过调整模型结构和参数进一步优化生成效果。
        Hugging Face Open LLM Leaderbo
        05-29
        ### Hugging Face Open LLM Leaderboard 概述 Hugging Face 的 Open LLM Leaderboard 是一个广泛使用的平台，用于展示和比较开源大型语言模型（LLM）的性能[^2]。该榜单涵盖了多种模型，并根据不同的任务类型对模型进行排名，例如文本生成、代码生成、翻译等。此外，它还提供了丰富的模型信息，包括模型大小、训练数据来源、推理速度等关键指标[^1]。 以下是关于 Hugging Face Open LLM Leaderboard 的详细内容： ### 榜单特点 Hugging Face 的 Open LLM Leaderboard 不仅提供模型的性能排名，还允许用户通过交互式界面探索模型的具体表现。以下是一些关键特点： - **多任务评估**：榜单涵盖多个任务类别，如自然语言理解、生成任务、对话系统等[^3]。 - **透明性**：每个模型的评测结果都基于公开可用的数据集和评测标准[^2]。 - **社区驱动**：用户可以提交自己的模型或改进现有模型，从而促进社区协作和发展[^1]。 ### 如何访问 Hugging Face Open LLM Leaderboard 用户可以通过以下链接访问 Hugging Face 的 Open LLM Leaderboard 页面： - [Hugging Face Open LLM Leaderboard](https://huggingface.co/spaces/ArtificialAnalysis/LLM-Performance-Leaderboard) [^1] 在该页面上，用户可以浏览不同模型的性能排名，并查看详细的评测结果和相关文档。 ### 示例代码：如何加载 Hugging Face 上的模型 以下是一个简单的 Python 示例，展示如何从 Hugging Face 加载一个预训练的 LLM 模型： ```python from transformers import AutoTokenizer, AutoModelForCausalLM # 定义模型名称 model_name = "bigscience/bloom" # 加载 tokenizer 和模型 tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained(model_name) # 测试输入 input_text = "Hello, how are you?" inputs = tokenizer(input_text, return_tensors="pt") # 生成输出 outputs = model.generate(inputs["input_ids"], max_length=50) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` ###
        评论
        添加红包

        请填写红包祝福语或标题

        个

        红包个数最小为10个

        元

        红包金额最低5元

        当前余额3.43元 前往充值 >
        需支付：10.00元
        成就一亿技术人!
        领取后你会自动成为博主和红包主的粉丝 规则
        hope_wisdom
        发出的红包
        实付元
        使用余额支付
        点击重新获取
        扫码支付
        钱包余额 0

        抵扣说明：

        1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
        2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

        余额充值