# 低資源消耗

ServiceNow推出的150億參數高效推理模型，內存佔用僅為同類先進模型的一半

Qwen3 30B A3B是一個採用GPTQ方法進行8位量化處理的大語言模型，適用於高效推理場景。

基於SmolLM2-135M微調的俄英雙語輕量級語言模型，增強俄語處理能力但存在明顯侷限

HiDream-I1-Fast是一個基於GGUF量化的文本到圖像生成模型，適用於快速圖像生成任務。

基於openai/whisper-large-v3-turbo的INT4權重量化版本，支持高效音頻轉文本任務

該模型是從google/gemma-3-12b-it轉換而來的GGUF格式模型，適用於llama.cpp框架。

LTX-Video 是一個基於文本到視頻生成技術的模型，能夠根據輸入的文本描述生成相應的視頻內容。

OuteTTS-0.3-500M 是一個多語言文本轉語音模型，支持英語、中文、日語、韓語、法語和德語。

一款高效的文生圖AI模型，僅需4步即可生成高質量圖像，支持多種硬件優化格式。

基於SDXL-Turbo的圖像水印處理模型，專注於圖像到圖像的轉換任務。

基於OpenAI Whisper的快速語音識別模型，使用CTranslate2優化推理速度

Phi-3-mini-4k-instruct-graph是微軟Phi-3-mini-4k-instruct的微調版本，專門用於從通用文本數據中進行實體關係提取，旨在在生成實體關係圖方面達到與GPT-4相當的質量和準確性。

Whisper Large v3的蒸餾版本，用於高效自動語音識別(ASR)

基於BART-large微調的新聞摘要生成模型，使用StableBeluga-7B作為教師模型，提供高效高質量的新聞摘要

基於t5-small在xsum數據集上微調的輕量級文本摘要模型，生成速度快且資源佔用低

這是OpenAI Whisper large-v3模型的CTranslate2轉換版本，專門針對日語進行了4000步的額外訓練，支持多種語言的語音識別。

Gerbil-A-32m 是一個擁有3200萬參數的A級模型，訓練標記數達6.4億，適用於多種自然語言處理任務。

基於Dreambooth技術訓練的AI插畫生成模型，適用於文本生成圖像任務

這是一個基於AutoTrain訓練的二元分類模型，專門用於黃蜂圖像分類任務。

Vi-(Arcane)-v1 是由 asukii 使用 TheLastBen 的快速 DreamBooth 筆記本訓練的 Dreambooth 模型，適用於文本生成圖像任務。

這是一個基於RE-SepFormer架構的音頻源分離模型，由SpeechBrain實現並在WSJ0-2Mix數據集上訓練。

這是一個通過AutoTrain訓練的實體識別模型，具有高準確率和F1分數。

該模型是基於distilbert-base-uncased在few_nerd數據集上微調的命名實體識別(NER)模型，在評估集上F1分數達到0.7621。

基於Mobile-Bert架構在Squad V2數據集上微調的問答模型，適用於資源有限設備

這是一個通過AutoNLP訓練的二元分類模型，用於IMDB影評情感分析

基於SAMSum數據集微調的輕量級對話摘要模型，使用亞馬遜SageMaker和Hugging Face容器訓練