Jan v1 今天在 Hugging Face 上热度很高。 非常感谢每一个尝试它、提供反馈和分享你们设置的人。 我们看到了你们 💙

我们刚刚发布了300万个高质量视觉语言模型训练数据集样本，适用于以下用例： 📄 光学字符识别 (OCR) 📊 视觉问答 (VQA) 📝 标注 🤗 了解更多： 📥 下载：

我不确定为什么，但“快速回答”按钮让我感到焦虑。

您现在可以使用 AI 工具包对 @Alibaba_Qwen 的 Qwen-Image 进行微调，配备 24 GB 的 VRAM，使用自定义训练的精度恢复适配器，允许您以 3 位进行微调，且精度损失最小。对默认设置的标记更改应适用于 3090/4090 GPU。更多内容在 🧵

我真的非常喜欢 @jandotai 这是一个非常友好的应用程序，可以本地运行 LLM，非常适合隐私保护。 我尝试过其他应用，比如 LM Studio 和 Ollama，它们也不错，但都是工程师构建的，对我来说有点太难了。 Jan 简单、可爱、美丽，是一个很好的替代选择，可以在不将你的数据（和秘密；）发送给大型 AI 提供商的情况下进行对话。 如果你想要的话，你甚至可以通过 API 运行远程提供商的模型！ 此外，他们对反馈非常响应，并且总是在改进应用程序。 我认为本地运行的 LLM 应用和云 LLM 应用都有其空间，如果你想谈论非常私密的事情，比如治疗等，本地运行是有意义的。人们能够在不担心未来数据泄露的情况下拥有这样的能力是非常重要的。 （我没有任何关联或报酬，只是非常喜欢它！）

介绍 Jan-v1：用于网络搜索的 4B 模型，是 Perplexity Pro 的开源替代品。 在我们的评估中，Jan v1 提供了 91% 的 SimpleQA 准确率，略微超越了 Perplexity Pro，同时完全在本地运行。 使用案例： - 网络搜索 - 深度研究 基于 Qwen 的新版本 Qwen3-4B-Thinking（支持高达 256k 的上下文长度），针对推理和工具使用进行了微调。 您可以在 Jan、llama.cpp 或 vLLM 中运行该模型。要在 Jan 中启用搜索，请转到设置 → 实验功能 → 开启，然后设置 → MCP 服务器 → 启用与搜索相关的 MCP，例如 Serper。 使用该模型： - Jan-v1-4B： - Jan-v1-4B-GGUF： 感谢 @Alibaba_Qwen 团队提供的 Qwen3 4B Thinking 和 @ggerganov 提供的 llama.cpp。

Qwen-Image + Wan-2.2 = 🔥

我太兴奋了，我们现在可以在30秒内生成如此高质量的视频。开源万岁！ 👇在Hugging Face上试试Wan 2.2（带有Lightning LoRA）

MLX即将上线 🚀

介绍 GLM-4.5V：开源视觉推理的突破 GLM-4.5V 在其尺寸类别的开源模型中提供了最先进的性能，在 41 个基准测试中表现出色。 基于 GLM-4.5-Air 基础模型，GLM-4.5V 继承了 GLM-4.1V-Thinking 的成熟技术，同时通过强大的 106B 参数 MoE 架构实现了有效的扩展。 Hugging Face： GitHub： API： 立即试用：