Jan v1 今天在 Hugging Face 上熱度很高。 非常感謝每一個嘗試它、提供反饋和分享你們設置的人。 我們看到了你們 💙

我們剛剛發布了300萬個高品質視覺語言模型訓練數據集樣本，適用於以下用例： 📄 光學字符識別 (OCR) 📊 視覺問答 (VQA) 📝 標註 🤗 了解更多： 📥 下載：

我不確定為什麼，但「快速回答」按鈕讓我感到焦慮。

您現在可以使用 AI 工具包對 @Alibaba_Qwen 的 Qwen-Image 進行微調，配備 24 GB 的 VRAM，使用自訂訓練的精度恢復適配器，允許您以 3 位進行微調，且精度損失最小。對預設設定的標記更改應適用於 3090/4090 GPU。更多內容在 🧵

我真的非常喜歡 @jandotai 這是一個非常友好的應用程式，可以本地運行 LLM，非常適合隱私保護。 我嘗試過其他應用，比如 LM Studio 和 Ollama，它們也不錯，但都是工程師構建的，對我來說有點太難了。 Jan 簡單、可愛、美麗，是一個很好的替代選擇，可以在不將你的數據（和秘密；）發送給大型 AI 提供商的情況下進行對話。 如果你想要的話，你甚至可以通過 API 運行遠程提供商的模型！ 此外，他們對反饋非常響應，並且總是在改進應用程式。 我認為本地運行的 LLM 應用和雲 LLM 應用都有其空間，如果你想談論非常私密的事情，比如治療等，本地運行是有意義的。人們能夠在不擔心未來數據洩露的情況下擁有這樣的能力是非常重要的。 （我沒有任何關聯或報酬，只是非常喜歡它！）

介紹 Jan-v1：用於網路搜尋的 4B 模型，是 Perplexity Pro 的開源替代品。 在我們的評估中，Jan v1 提供了 91% 的 SimpleQA 準確率，略微超越了 Perplexity Pro，同時完全在本地運行。 使用案例： - 網路搜尋 - 深度研究 基於 Qwen 的新版本 Qwen3-4B-Thinking（支持高達 256k 的上下文長度），針對推理和工具使用進行了微調。 您可以在 Jan、llama.cpp 或 vLLM 中運行該模型。要在 Jan 中啟用搜尋，請轉到設定 → 實驗功能 → 開啟，然後設定 → MCP 伺服器 → 啟用與搜尋相關的 MCP，例如 Serper。 使用該模型： - Jan-v1-4B： - Jan-v1-4B-GGUF： 感謝 @Alibaba_Qwen 團隊提供的 Qwen3 4B Thinking 和 @ggerganov 提供的 llama.cpp。

Qwen-Image + Wan-2.2 = 🔥

我非常興奮，我們現在可以在30秒內生成這種質量的視頻。開源萬歲！ 👇在Hugging Face上試試Wan 2.2（搭配Lightning LoRA）

即將來到 MLX 🚀

介紹 GLM-4.5V：開源視覺推理的突破性進展 GLM-4.5V 在其尺寸類別的開源模型中提供了最先進的性能，在 41 個基準測試中表現卓越。 基於 GLM-4.5-Air 基礎模型，GLM-4.5V 繼承了 GLM-4.1V-Thinking 的成熟技術，同時通過強大的 106B 參數 MoE 架構實現了有效的擴展。 Hugging Face： GitHub： API： 立即試用：