OpenR1-Distill-7B是基于Qwen2.5-Math-7B在Mixture-of-Thoughts数据集上后训练的版本，旨在教会语言模型进行逐步推理。

UniME 是一个基于多模态大模型的通用嵌入学习模型，专注于打破模态壁垒，实现跨模态检索和嵌入学习。

UniME是一个基于多模态大模型的通用嵌入学习模型，采用336×336图像分辨率训练，在MMEB排行榜上位列第一。

通过SLERP方法合并的8B参数语言模型，结合了DeepSeek-R1和Nemotron-8B模型的优势

基于SPLADE++改进的对话式搜索模型，通过多教师蒸馏策略优化多轮对话查询语义理解

基于SPLADE++模型适配的对话式搜索版本，通过QReCC数据集微调查询编码器，优化多轮对话式搜索性能。

MiniMaid-L2是基于MiniMaid-L1进一步优化的角色扮演专用模型，通过知识蒸馏和更大规模数据集训练，在3B规模模型中表现优异。

Distill-Any-Depth是一种新的SOTA单目深度估计模型，采用知识蒸馏算法训练而成。

Distill-Any-Depth是一种基于知识蒸馏算法训练的SOTA单目深度估计模型，能够高效准确地进行深度估计。

ARWKV-R1-1B5 是基于RNN的70亿参数模型的早期预览版，通过从DeepSeek-R1-Distill-Qwen-1.5B进行三阶段知识蒸馏训练而成，上下文长度为2k。

DeepSeer是基于DeepSeek-R1模型开发的视觉语言模型，支持思维链推理能力，通过对话模板训练视觉模型。

这是一个基于Qwen2.5-14B-DeepSeek-R1-1M模型，通过TIES方法融合DeepSeek-R1-Distill-Qwen-14B-abliterated-v2的14B参数规模的大语言模型

由CyberAgent发布的日语大语言模型，基于Qwen-32B蒸馏优化

专为极速重排序设计的模型，基于JinaBERT架构，支持长文本序列处理（最高8,192令牌）。

DeepSeek-R1是基于Llama架构的8B参数模型，由DeepSeek团队开发，专注于高效推理和微调。

基于Llama架构的最先进双语语言模型，特别优化了韩语理解和生成能力，同时保持强大的英语能力。

KOALA-Lightning-700M是基于SDXL-Lightning通过知识蒸馏训练的高效文本生成图像模型，在保持生成质量的同时显著提升推理速度

KOALA-Lightning-1B是基于SDXL-Lightning的知识蒸馏模型，通过压缩U-Net结构实现高效文本生成图像，参数规模1.16B

ProtGPT2的蒸馏版本，通过知识蒸馏方法压缩为更高效的小型模型，保持性能的同时提升推理速度

针对工业场景优化的SPLADE++模型实现，平衡检索质量与效率，支持文档扩展和稀疏表示学习

基于microsoft/phi-2在ultrachat_200k数据集上微调的大语言模型，适用于对话生成任务。

Distil-Whisper是Whisper模型的蒸馏版本，速度比原版快6倍，体积缩小49%，在英语语音识别任务上保持接近原版的性能。

Distil-Whisper是Whisper模型的蒸馏版本，速度提升6倍，体积缩小49%，在非分布评估集上的表现仅相差1% WER。

MMLW（我必须得到更好的消息）是波兰语的神经文本编码器，针对信息检索任务进行了优化。

MMLW（我必须得到更好的消息）是波兰语的神经文本编码器，针对信息检索任务进行了优化，能够将查询和段落转换为768维向量。

BK-SDM是通过架构压缩的稳定扩散模型，用于高效通用文生图合成，通过移除U-Net中的残差和注意力块实现轻量化。

LEALLA 是一组轻量级、语言无关的句子嵌入模型集合，支持 109 种语言，是从 LaBSE 蒸馏而来。

LEALLA-small 是一个轻量级、语言无关的句子嵌入模型，支持109种语言，适用于多语言句子嵌入和双语文本检索任务。

基于知识蒸馏技术构建的轻量级意大利法律领域BERT模型，仅含4层Transformer结构

MiniRBT是基于知识蒸馏技术开发的中文小型预训练模型，采用全词掩码技术优化训练效率。

MiniRBT是基于知识蒸馏技术开发的中文小型预训练模型，采用全词掩码技术优化训练效率。

MiniRBT是一个基于知识蒸馏技术的中文小型预训练模型，结合了全词掩码技术，适用于多种中文自然语言处理任务。

基于知识蒸馏训练的韩语CLIP模型，支持韩语和英语的多模态理解

Re2G是一个结合神经初始检索和重排序的生成模型，用于知识密集型任务。

Re2G是一个结合神经检索、重排序和生成的端到端系统，用于知识密集型任务。

KoMiniLM是一个轻量级韩语语言模型，旨在解决大型语言模型在实际应用中的延迟和容量限制问题。

基于蒸馏BERT基础版在问答数据集上微调的模型，适用于问答任务

这是一个通过知识蒸馏对预训练的80% 1x4块稀疏Prune OFA BERT-Large模型进行微调得到的模型，在SQuADv1.1问答任务上表现优异。

基于西班牙语TinyBERT微调的命名实体识别模型，体积仅55MB，适用于西班牙语文本的实体识别任务。

这是一个针对德语优化的TinyBERT模型，通过蒸馏BERT基础cased模型创建，适用于自然语言处理任务。