告别代码烦恼！Seed-Coder 解锁高效编程；Mixture-of-Thoughts 涵盖多领域数据，实现高质量推理

在大模型竞争日益激烈、不断「卷技术、卷规模」的趋势下，如何提升模型实际可用性和任务表现，成为了更关键的问题。其中，代码能力是衡量大模型可用性和任务表现的重要指标。基于此，字节跳动 Seed 团队发布了轻量级但功能强大的开源代码大语言模型------Seed-Coder-8B-Instruct 。

该模型是 Seed-Coder 系列的指令微调版本，基于 Llama 3 架构构建，参数量为 8.2B，支持最长 32K tokens 的上下文处理。不同于对计算资源的极致堆叠，Seed-Coder-8B-Instruct 仅需极少的人力投入，即可让 LLM 自行高效地管理代码训练数据，从而显著提升编码能力。通过自身生成和筛选高质量训练数据，可大幅提升模型代码生成能力。

目前，HyperAI 超神经已上线了「 vLLM+Open WebUI 部署 Seed-Coder-8B-Instruct 」，快来试试吧~

在线使用：go.hyper.ai/BnO32

直播预约

Apple WWDC25 全球发布会将于北京时间 6 月 10 日凌晨 1 点举办， HyperAI 超神经视频号将实时转播 Keynote 会议，不想错过火速预约！

6 月 3 日-6 月 6 日，hyper.ai 官网更新速览：

优质公共数据集：10 个
优质教程精选：13 个
本周论文推荐: 5 篇
社区文章解读：4 篇
热门百科词条：5 条
6 月截稿顶会：2 个

访问官网：hyper.ai

公共数据集精选

1. Eye Detection 眼镜检测数据集

Eye Detection 是一个眼部检测数据集，包含近 2000 张标注清晰的眼部区域图像，可用于训练 RCNN 、 YOLO 等目标检测模型，用于追踪和检测眼球区域。该数据集可用于构建白内障检测模型、眼动追踪模型等。

直接使用：go.hyper.ai/5IUPr

数据集展示

2. Yambda 音乐推荐数据集

Yambda-5B 是一个大规模多模态音乐分析数据集，旨在为大语言模型（LLM）提供推荐音乐、信息检索及排序等训练与评估资源。该数据集包含 47.9 亿次交互（含聆听、点赞、取消点赞等行为），覆盖 100 万用户、 939 万首曲目，是目前最大的公开音乐推荐数据集之一。

直接使用：go.hyper.ai/VSL3J

数据集示例

3. 4x Satellite 卫星图像数据集

该数据集是一个高分辨率卫星图像数据集，包含成对的高分辨率（HR）和低分辨率（LR）卫星图像，专为 4 倍超分辨率任务而设计。

直接使用：go.hyper.ai/TyCeW

4. MedXpertQA 医疗推理数据集

该数据集包含 4,460 条样本数据，整合文本与图像数据，覆盖医学问答、临床诊断、治疗方案推荐、基础医学知识理解等任务类型，支持复杂医学决策能力的研究与开发，适合中等规模模型的医疗领域微调与评估。

直接使用：go.hyper.ai/YGW7J

5. Animal Sounds 动物声音数据集

该数据集包含约 1.08 万条样本，涵盖鸟类（如银喉长尾山雀、斑马雀）、犬类、埃及果蝠、巨獭、猕猴、虎鲸等 7 个物种音频，每个音频时长 1-5 秒，适合轻量级模型训练与快速实验。

直接使用：go.hyper.ai/asUR4

6. GeMS 化学质谱数据集

该数据集包含数亿条质谱谱图（如 GeMS-C1 子集达 20 亿条），其中包含结构化数值数据（质谱谱图的质荷比 -- 强度对）和元数据（如谱图来源、实验条件等），是目前最大的公开质谱数据集之一，可支持超大规模模型训练。

直接使用：go.hyper.ai/yXI9M

7. DeepTheorem 定理证明数据集

DeepTheorem 是一个数学推理数据集，旨在通过基于自然语言的非形式化定理证明来增强大型语言模型（LLM）的数学推理能力。该数据集包含 12.1 万个 IMO 级别的非形式化定理和证明，涵盖多个数学领域。每个定理-证明对均经过严格注释。

直接使用：go.hyper.ai/fjnad

8. SynLogic 推理数据集

SynLogic 旨在通过具有可验证奖励的强化学习来增强大型语言模型（LLMs）的逻辑推理能力。该数据集包含 35 种多样化的逻辑推理任务，并具有自动验证功能，使其非常适合进行强化学习训练。

直接使用：go.hyper.ai/iF5f2

9. Mixture-of-Thoughts 推理数据集

Mixture-of-Thoughts 是一个多领域推理数据集，整合了数学、编程和科学三大领域的高质量推理轨迹，旨在训练大语言模型（LLM）逐步进行推理。该数据集的每条样本包含 messages 字段，存储多轮对话形式的推理过程，支持模型学习逐步推导能力。

直接使用：go.hyper.ai/7Qo2l

10. Llama-Nemotron 推理数据集

该数据集包含数学数据约 2,206 万、代码数据约 1,010 万，其余为科学、指令跟随等领域数据，数据由 Llama-3.3-70B-Instruct 、 DeepSeek-R1 、 Qwen-2.5 等多模型协同生成，涵盖多样化推理风格与解题路径，满足大规模模型训练的多样性需求。

直接使用：go.hyper.ai/4V52g

公共教程精选

本周汇总了 4 类优质公共教程:

*AI for Science 教程：4 个

*图像处理教程：4 个

*代码生成教程：3 个

*语音交互教程：2 个

AI for Science 教程

1. Aurora 大规模大气基础模型 Demo

Aurora 在显著降低计算成本的同时，超越了现有操作预测系统的性能，推动了高质量气候和天气信息的广泛获取。经验证表明，与最先进的数值预报系统 IFS 相比，Aurora 的计算速度提升了约 5,000 倍。

本教程采用资源为单卡 A6000，启动容器后点击 API 地址即可进入 Web 界面。

在线运行：go.hyper.ai/416Xs

2. 一键部署 MedGemma-4b-it 多模态医疗 AI 模型

MedGemma-4b-it 是专为医疗领域设计的多模态医疗 AI 模型，属于 MedGemma 套件中的指令微调版本（Instruction-Tuned）。采用了 SigLIP 图像编码器，该编码器经过专门预训练，使用的数据涵盖去标识化的医学图像，包括胸部 X 光、皮肤病图像、眼科图像和组织病理切片。

本教程采用资源为单卡 RTX 4090，启动容器后点击 API 地址即可进入 Web 界面。

在线运行：go.hyper.ai/31RKp

3. 一键部署 MedGemma-27b-text-it 医学推理大模型

该模型则侧重于临床文本的处理，尤其擅长患者分诊和决策辅助，为医生提供迅速且有价值的患者病情信息，便于制定高效的治疗计划。

本教程采用资源为双卡 A6000，打开下方链接一键部署。

在线运行：go.hyper.ai/2mDmF

4. vLLM+Open WebUI 部署 II-Medical-8B 医学推理大模型

该模型基于 Qwen/Qwen3-8B 模型，通过使用特定于医疗领域的推理数据集进行 SFT（监督微调）及在硬推理数据集上训练 DAPO（一种可能的优化方法）来优化模型性能。

该教程算力资源采用单卡 RTX 4090 。

在线运行：go.hyper.ai/1Qvwo

图像处理教程

1. DreamO：统一的图像定制框架

DreamO 基于 DiT（Diffusion Transformer）架构，整合了多种图像生成任务，支持换装（IP）、换脸（ID）、风格迁移（Style）、多主体组合等复杂功能，通过单一模型实现多条件控制。

本教程采用资源为单卡 A6000 。

在线运行：go.hyper.ai/zGGbh

2. BAGEL：多模态理解和生成的统一模型

BAGEL-7B-MoT 旨在统一处理文本、图像、视频等多模态数据的理解与生成任务。 BAGEL 在多模态理解与生成、复杂推理与编辑、世界建模与导航等多模态任务中展现了全面的能力。其主要功能为视觉理解、文本到图像生成、图像编辑等。

该教程算力资源采用双卡 A6000，提供 Image Generation 、 Image Generation with Think 、 Image Editing 、 Image Edit with Think 、 Image Understanding 供测试。

在线运行：go.hyper.ai/76cEZ

Demo 示例

3. ComfyUI Flex.2-preview 工作流在线教程

Flex.2-preview 能根据输入的文本描述生成高质量图像，支持长达 512 个 token 的文本输入，支持理解复杂的描述生成对应的图像内容。并支持在图像的特定区域进行修复或替换，用户提供修复图像和修复掩码，模型在指定区域生成新的图像内容。

本教程采用资源为单卡 RTX 4090，仅支持英语提示词。

在线运行：go.hyper.ai/MH5qY

4. ComfyUI LanPaint 图像修复工作流教程

LanPaint 是一款开源图像局部修复工具，它采用创新的推理方法，无需额外训练即可适配多种稳定扩散模型（包括自定义模型），从而实现高质量的图像修复。相较于传统方法，LanPaint 提供了一种更轻量级的解决方案，显著降低了对训练数据和计算资源的需求。

本教程采用资源为单卡 RTX 4090 ，打开下方链接即可快速克隆模型。

在线运行：go.hyper.ai/QAuag

代码生成教程

1. vLLM+Open WebUI 部署 Seed-Coder-8B-Instruct

Seed-Coder-8B-Instruct 是一个轻量级但功能强大的开源代码大语言模型，属于 Seed-Coder 系列的指令微调版本，需最少的人力，LLM 就可以自行有效地管理代码训练数据，从而大大增强编码能力。该模型基于 Llama 3 架构构建，参数量为 8.2 B，支持 32 K tokens 长上下文。

该教程算力资源采用单卡 RTX 4090 。

在线运行：go.hyper.ai/BnO32

2. Mellum-4b-base 专为代码补全设计的模型

Mellum-4b-base 专为代码理解、生成与优化任务设计。该模型在软件开发全流程中展现出卓越能力，适用于 AI 增强编程、智能 IDE 集成、教育工具开发及代码研究等场景。

本教程采用资源为单卡 RTX 4090，模型仅用于优化代码。

在线运行：go.hyper.ai/2iEWz

3. 一键部署 OpenCodeReasoning-Nemotron-32B

该模型是专为代码推理与生成设计的高性能大语言模型，属于 OpenCodeReasoning（OCR）模型套装中的旗舰版本，支持 32K 个标记的上下文长度。

该教程算力资源采用双卡 A6000 。

在线运行：go.hyper.ai/jhwYd

语音交互教程

1. VITA-1.5：多模态交互大模型 Demo

ITA-1.5 是集成了视觉、语言和语音的多模态大型语言模型，旨在实现类似 GPT-4o 水平的实时视觉和语音交互。 VITA-1.5 大幅降低互动延迟，从 4 秒缩短至 1.5 秒，显著提升用户体验。

本教程采用资源为单卡 A6000，目前 AI 互动仅支持中文和英语。

在线运行：go.hyper.ai/WTcdM

2. Kimi-Audio：让 AI 听懂人类

Kimi-Audio-7B-Instruct 是能够在单个统一框架内处理各种音频处理任务的开源音频基础模型。可处理各种任务，如自动语音识别（ASR）、音频问答（AQA）、自动音频字幕（AAC）、语音情感识别（SER）、声音事件/场景分类（SEC/ASC）和端到端语音对话。

本教程采用资源为单卡 A6000 。

在线运行：go.hyper.ai/UBRBP

本周论文推荐

1. A foundation model for the Earth system

本文提出了 Aurora 模型，能够在超过一百万小时多样地球物理数据上训练的大规模基础模型，在空气质量、海浪、热带气旋路径以及高分辨率天气预测方面均优于现有的业务预报系统。

论文链接：go.hyper.ai/ibyij

2. Paper2Poster: Towards Multimodal Poster Automation from Scientific Papers

学术论文海报生成是科学交流中一个至关重要又充满挑战的任务，需要将长篇幅的交错文档压缩成一页视觉上连贯的内容。为了解决这一挑战，本文引入了首个用于学术论文海报生成的基准测试和度量套件，能够将一篇 22 页的论文转化为最终可编辑的 pptx 海报。

论文链接：go.hyper.ai/Q4cQG

3. ProRL: Prolonged Reinforcement Learning Expands Reasoning Boundaries in Large Language Models

强化学习是否真正扩展了模型的推理能力仍存在争议，本文提出一种新的训练方法---ProRL，结合了 KL 散度控制、参考策略重置和多样化的任务套件，为更好理解强化学习在何种条件下有意义地扩展语言模型的推理边界提供了新的见解。

论文链接：go.hyper.ai/62DUb

4. Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO

本研究使用 GRPO（一种稳定且可扩展的在线强化学习算法）来实现无需外部监督的持续自我改进，并且提出了 MM-UPT，一个简单而有效的多模态大语言模型无监督后训练框架。实验结果表明，MM-UPT 显著提升了 Qwen2.5-VL-7B 的推理能力。

论文链接：go.hyper.ai/W5nO5

5. The Entropy Mechanism of Reinforcement Learning for Reasoning Language Models

本文旨在克服在大规模强化学习（RL）中使用大语言模型（LLMs）进行推理时的一个主要障碍，即策略熵的崩溃。为此，研究人员提出了两种简单而有效的方法：Clip-Cov 和 KL-Cov 。前者对高协方差标记进行裁剪，后者则对这些标记施加 KL 惩罚。实验结果表明，这些方法能够促进探索行为，从而帮助策略摆脱熵崩溃并获得更好的下游性能。

论文链接：go.hyper.ai/rFSoq

更多 AI 前沿论文：go.hyper.ai/UuE1o

社区文章解读

1. 覆盖 2 亿分子质谱图，捷克科学院发布 DreaMS 模型，构建全球最大规模质谱数据集 GeMS

捷克科学院有机化学与生物化学研究所研究团队，借鉴了 GPT 系列在语言领域取得的突破性进展，从全球天然产物社交分子网络（GNPS）中挖掘出 7 亿条 MS/MS 谱图，成功构建起史上规模最大的质谱数据集 GeMS，并训练出拥有 1.16 亿参数的 Transformer 模型 DreaMS 。

查看完整报道：go.hyper.ai/P9qvl

2. AI 编译器技术沙龙丨 AMD/北京大学/沐曦/上海创智齐聚北京，TVM/Triton/TileLang 各展所长

为了更好地连接前沿研究与应用场景，7 月 5 日，HyperAI 超神经将在北京举办第 7 期 Meet AI Compiler 技术沙龙。我们有幸邀请到了来自 AMD 、北京大学、沐曦集成电路等多位资深专家，与各位分享其面向 AI 编译器的最佳实践及趋势研判。

查看完整报道：go.hyper.ai/FPxw2

3. 深度强化学习赋能城市消防优化，中国科学院团队提出 DRL 新方法破解设施配置难题

中国科学院空天信息创新研究院的梁浩健博士在中国地理学会地理模型与地理信息分析专业委员会 2025 年学术年会上，以「基于分层深度强化学习的城市应急消防设施配置优化方法研究」为题做了演讲报告。以城市消防设施布局优化为切入点，系统回顾了地理空间优化领域的经典优化方法，并详细介绍了基于深度强化学习（DRL）优化方法的优势和潜力。本文为梁浩健博士的分享精华实录。

查看完整报道：go.hyper.ai/xvnAI

4. 在线教程｜新加坡国立大学 Show Lab 发布 OmniConsistency 模型，实现即插即用的图像风格迁移

新加坡国立大学 Show Lab 实验室于 2025 年 5 月 28 日发布了一个利用大规模扩散 Transformer（DiT）的通用一致性插件------OmniConsistency 。它是一个完全即插即用的设计，兼容 Flux 框架下任意风格的 LoRA，基于风格化图像对的一致性学习机制，以实现稳健的泛化。

查看完整报道：go.hyper.ai/etmWQ

6 月截稿顶会

S&P 2026 6 月 6 日 7:59:59

ICDE 2026 6 月 19 日 7:59:59

一站式追踪人工智能学术顶会：go.hyper.ai/event

以上就是本周编辑精选的全部内容，如果你有想要收录 hyper.ai 官方网站的资源，也欢迎留言或投稿告诉我们哦！

下周再见！