Hugging Face

ifmylove2011 发布基于 Krea-2 的人物 LoRA 测试模型

Hugging Face 用户 ifmylove2011 发布了一个基于 krea/Krea-2-Raw 与 Krea-2-Turbo 训练的人物 LoKR/LoRA 模型 girlslike-krea2，采用全秩 LoKR 方案，可在 raw 与 turbo 两个基座模型上使用，推荐强度 0.8 1.5。作者说明该模型仅用于测试，中近景相似度尚可而远景效果

Abliterant 发布 Qwen3.8-27B 去拒绝 GGUF 量化版

Abliterant 在 Hugging Face 发布了 Qwen3.8-27B-RANA-abliterated-GGUF，这是对 Qwen/Qwen3.8-27B 进行拒绝方向消融（refusal ablation）后的 27B 视觉语言模型的 GGUF 量化版本，面向 llama.cpp 及兼容应用。仓库提供从 Q8 0 到 IQ2 M 共 15 种

CCORE 发布基于 Qwen3.5-4B 的 3D 资产代码模型

CCORE 基于 Qwen/Qwen3.5-4B 微调发布专用 4B 代码模型 CCORE GLB-3D-Coder，可将文本提示生成完整的 Three.js HTML/JavaScript 页面，并支持导出 GLB 资产用于 Godot 等编辑器。该模型以 Apache 2.0 许可发布，提供 Q4 K M、Q8 0 及原始 Safetensors 权重，

huihui-ai 发布 DeepSeek-V4.1-Flash 去审查 GGUF 模型

huihui-ai 在 Hugging Face 发布了 Huihui-DeepSeek-V4.1-Flash-1017-abliterated-GGUF，这是基于 deepseek-ai/DeepSeek-V4.1-Flash-1017 的「去审查」版本，通过 llama.cpp 的 cvector-generator 对 GGUF 模型做 abliter

llama.cpp b12137：修复 server 非对象会话更新导致的崩溃

llama.cpp 发布 b12137 版本，主要修复了 server 端对非对象（non-object）实时会话更新的处理问题，避免畸形请求触发未捕获异常导致服务器终止。该补丁由 Hugging Face 的 Adrien Gallouët 提交，同时该版本照例提供 macOS、Linux、Windows、Android 等多平台多后端的预编译二进制包。

Cactus-Compute 发布 16.9MB 七语种端侧语音模型 Whistle

Cactus-Compute 在 Hugging Face 发布 Whistle 语音模型，仅 16.9 MB，支持英语、德语、法语、西班牙语、意大利语、荷兰语、波兰语七种语言的语音转写、词级时间戳和语音嵌入。模型采用 Apache-2.0 许可，面向端侧与边缘设备，并支持 WebAssembly，可通过 cactus-compute Python 包调用。

Cactus-Compute 发布端侧工具调用模型 Needle 3

Cactus-Compute 在 Hugging Face 发布端侧模型 Needle 3，面向工具调用、结构化抽取和文本嵌入，采用 Apache-2.0 许可。该模型通过 cactus-compute Python 包分发，首次使用时自动下载并缓存引擎与权重，仓库提供 needle3.cact 和 safetensors 检查点，运行时二进制位于 Cact

OpenAI 发布 GPT-6 Cyber：可攻破系统也能提出修复方案

OpenAI 发布 GPT-6 Cyber，一款专门用于发现软件安全漏洞、构建可用漏洞利用并建议补丁的 AI 模型。在真实测试中，该模型在 Firefox 中发现 81 个此前未知的严重漏洞（Mozilla 已修复），并在 Linux 内核中复现 1,724 个漏洞、为其中 948 个开发出可用利用，数量超过前代五倍。模型目前仅通过 API 和 Codex

另有 1 家信源报道

llama.cpp 发布 b12132：common 改用 generic string()

llama.cpp 发布 b12132 版本，主要变更是 common 模块移除 u8path() 并改用 generic string()，由 Hugging Face 的 Adrien Gallouët 提交。该版本同时提供 macOS、iOS、Linux、Android、Windows 等多平台预编译包，覆盖 CUDA、Vulkan、ROCm、SYCL

AgentionAI 发布 Qwen3.8-Flash-Next Gyro-Coder GGUF 量化编码模型

AgentionAI 在 Hugging Face 发布 Qwen3.8-Flash-Next 的 Gyro-Coder GGUF 量化版本，通过每层仅保留 512 个专家中与编程相关的 256 个，并用自研 trellis 编码器实现 2.125 bits/weight，使 125B 参数的 MoE 编码模型可在单张 24GB 显卡（19.92 GiB 权

agentionai 发布去审查版 Qwen3.8-Flash-Next GGUF 量化模型

agentionai 在 Hugging Face 发布了基于 huihui-ai 去审查（abliterated）版 Qwen3.8-Flash-Next 的 GGUF 量化模型，提供 Gyro-S、Gyro-M、Gyro-L 三种尺寸，分别面向 32GB 显卡、48GB 显存/64GB 统一内存和 64GB 统一内存设备。该模型采用 trellis 量化

llama.cpp 发布 b12131：server 改用 generic string()

llama.cpp 发布 b12131 版本，主要变更是 server 模块移除 u8path() 并改用 generic string()，由 Hugging Face 的 Adrien Gallouët 提交（#31682）。该版本同时提供 macOS/iOS、Linux、Android、Windows 等多平台预编译包，覆盖 CUDA、Vulkan、R

LiquidAI 发布 LFM3-1.7B 的 MLX 8 位量化版

LiquidAI 在 Hugging Face 发布 LFM3-1.7B 的 8 位 MLX 量化版本 LFM3-1.7B-MLX-8bit，面向 Apple Silicon，权重占用 1.84 GB，采用 group size 为 64 的 8 位仿射量化。该版本需配合 MLX-VLM 0.7.11 及以上版本使用，并支持通过 --enable-think

DeepBeepMeep 发布 Wan2.1 单文件模型，适配 WanGP 低显存视频生成

DeepBeepMeep 在 Hugging Face 上发布了 Wan2.1 视频生成模型的单文件版本，基于 Wan-AI/Wan2.1-T2V-1.3B，用于配合其开源项目 WanGP 使用。WanGP 支持 Wan、Hunyuan Video、Flux 1 & 2、Qwen、Z-Image 和 LTV 等视频生成模型，主打低显存需求（最低 6GB 即可

Fastino 发布 287M 多语言分类模型 GLiNER2.5-multi-Decide

Fastino 在 Hugging Face 发布 GLiNER2.5-multi-Decide，一个 287M 参数的多语言分类模型，基于 gliner2.5-multi-v1，采用 Apache-2.0 许可。该模型支持在调用时传入任意标签集，单次前向即可完成意图、情感、路由、多标签等分类，无需提示模板或生成 token。在 fast-decisions

Fastino 发布 GLiNER2.5 Base 统一信息抽取模型

Fastino 在 Hugging Face 发布 GLiNER2.5 Base（fastino/gliner2.5-base-v1），这是一个 194M 参数、基于 DeBERTa-v3-base 的英文信息抽取模型，采用边界架构，可在单一 schema 下完成命名实体识别、文本分类、结构化记录抽取、关系抽取与跨度属性打分。模型以 Apache-2.0 许

OpenAI 发布 GPT-6 Cyber 网络安全模型，越界攻击率降至 1% 以下

OpenAI 发布网络安全专用模型 GPT-6 Cyber，称其在测试中越界攻击其他平台的比例从 GPT-5.6 Cyber 的约 5% 降至不足 1%，在 ExploitGym 基准上得分 48.5%，高于 GPT-6 Astra 的 42.4%。该模型在 OpenAI 安全框架中被列为网络安全「Critical」级别，并帮助发现 Firefox 中 81

另有 1 家信源报道

TurnWise：基于回合级信用的流式视频强化学习

该论文提出 TurnWise，一种面向流式视频理解的回合级 GRPO 强化学习框架。现有方法在多个回合间共享轨迹级优势，容易在早期成功后强化冗余回复、在早期失败后抑制有用的后续响应。TurnWise 通过静默补全前缀评分实现回合级信用分配，并用回合均值策略优化让回复与等待决策等权。实验表明该方法优于此前的流式视频理解强化学习方法。

cis-lmu 发布多语言模型 glotlid

Hugging Face 上出现 cis-lmu 团队发布的 glotlid 模型，其模型卡语言字段列出了数百种语言代码，覆盖大量低资源语言。该模型采用 Apache-2.0 加附加声明的许可。正文仅包含模型卡元数据，未说明模型架构、训练方法或性能指标。

从像素到动作：原生视觉-语言-动作策略 NEO-VLA

该论文提出 NEO-VLA，一个结构上无编码器的视觉-语言-动作（VLA）框架：图像由轻量 patch 卷积层 token 化，并与语言在主干网络中共同演化，使 flow-matching 动作专家能够从不同深度的指令条件视觉表示中提取信息。受控对比显示，原生架构优于基于编码器的方案，全量微调可缩小但无法消除差距，单纯扩大规模也无法弥补；逐层探测表明动作关键