Jan v1 está em alta no Hugging Face hoje. Muito obrigado a todos que experimentaram, deram feedback e compartilharam suas configurações. Nós vemos você 💙

Acabamos de lançar 3 milhões de amostras de conjunto de dados de treinamento de modelo de linguagem de visão de alta qualidade para casos de uso como: 📄 reconhecimento óptico de caracteres (OCR) 📊 resposta visual a perguntas (VQA) 📝 Legendas 🤗 Saiba Mais: 📥 Baixar:

Não sei por que, mas o botão "Obter uma resposta rápida" aumenta minha ansiedade

Agora você pode ajustar @Alibaba_Qwen Qwen-Image com AI Toolkit com 24 GB de VRAM usando um adaptador de recuperação de precisão treinado personalizado que permite ajustar em 3 bits com perda mínima de precisão. As alterações marcadas nos padrões devem funcionar para GPUs 3090/4090. Mais em 🧵

Eu realmente gosto @jandotai É um aplicativo muito amigável para executar LLMs localmente, ótimo para privacidade Eu tentei outros como LM Studio e Ollama e eles são bons, mas muito construídos por engenheiros, um pouco difíceis demais para mim Jan é simples, fofo e bonito e uma ótima alternativa para conversar sem enviar seus dados (e segredos ;)) para grandes provedores de IA Você também pode executar modelos de provedores remotos via API, se quiser! Além disso, eles são muito responsivos ao feedback e sempre melhoram o aplicativo Acho que há espaço para aplicativos LLM executados localmente e aplicativos LLM em nuvem, executados localmente faz sentido se você quiser falar sobre coisas muito privadas, terapia etc. É muito importante que as pessoas possam ter isso sem temer que seus dados possam vazar no futuro (Eu não sou afiliado ou pago, apenas gosto muito!)

Apresentando Jan-v1: modelo 4B para pesquisa na web, uma alternativa de código aberto ao Perplexity Pro. Em nossas avaliações, o Jan v1 oferece 91% de precisão do SimpleQA, superando ligeiramente o Perplexity Pro durante a execução totalmente local. Casos de uso: - Pesquisa na Web - Pesquisa Profunda Construído na nova versão do Qwen3-4B-Thinking da Qwen (até 256k de comprimento de contexto), ajustado para raciocínio e uso de ferramentas em janeiro. Você pode executar o modelo em Jan, llama.cpp ou vLLM. Para ativar a pesquisa em janeiro, vá para Configurações → Recursos experimentais → Ativado e, em seguida, Configurações → servidores MCP → ativar um MCP relacionado à pesquisa, como Serper. Use o modelo: - Jan-v1-4B: - Jan-v1-4B-GGUF: Crédito à equipe @Alibaba_Qwen para Qwen3 4B Thinking & @ggerganov para llama.cpp.

Qwen-Imagem + Wan-2.2 = 🔥

Estou tão empolgado que agora podemos gerar vídeos dessa qualidade em menos de 30 segundos. Código aberto para a vitória! 👇Experimente o Wan 2.2 (com Lightning LoRA) no Hugging Face

Em breve 🚀 para o MLX

Apresentando o GLM-4.5V: um avanço no raciocínio visual de código aberto O GLM-4.5V oferece desempenho de última geração entre os modelos de código aberto em sua classe de tamanho, dominando 41 benchmarks. Construído no modelo de base GLM-4.5-Air, o GLM-4.5V herda técnicas comprovadas do GLM-4.1V-Thinking, ao mesmo tempo em que alcança um dimensionamento eficaz por meio de uma poderosa arquitetura MoE de 106 parâmetros B. Rosto abraçando: GitHub: API: Experimente agora: