NVIDIA 开源 Nemotron 3.5 Transcribe：能认 8 人说话，可用提示词控制
NVIDIA 发布开源语音大模型 Nemotron 3.5 Transcribe。它把转录、区分说话人、翻译和语音问答装进同一个模型，支持 40 种语言转录与 1 小时长音频，最多区分 8 位发言者。模型采用 MoE 架构，300 亿总参数每次仅激活约 40 亿，在多项开源基准上登顶。
开源项目
Llama、通义千问、DeepSeek 等开源大模型的新版本，以及值得一用的开源数据集、框架和开发工具。
查看更新的新闻
Sperid Labs 开源 Idol：单图生成百万级 3D 高斯模型
Sperid Labs 开源单图转 3D 高斯模型 Idol。它能自动扣除背景并补全遮挡的背面，直接输出包含百万级高斯点的 3DGS 文件。最值得关注的是，模型显存峰值仅需 7.2 GB，普通消费级显卡几秒到十几秒即可跑通。
英伟达发布 Open H3 Regenerate 2K：3 步将 AI 视频重绘至 2K，最高支持 4K
英伟达推出开源视频增强工具 Open H3 Regenerate 2K，可将 MiniMax H3 等模型生成的低分辨率视频重绘至 2K，最高支持 4K 输出。它仅需 3 步扩散即可补足画面细节，支持最长 15 秒片段，相关代码与模型已全盘开源。不过重绘过程可能会轻微改变人脸等局部细节。
NVIDIA 开源 MotionBricks：给几个关键姿势，实时补全连贯动作
NVIDIA 开源动作生成模型 MotionBricks。它只需输入前后的目标姿势，就能实时计算并补全中间平滑的运动过渡，还能把翻越、坐下等复杂动作像积木一样拼接。仓库包含人体与宇树 G1 机器人两套预训练权重和演示工具，代码采用 Apache 2.0 开源。
Bygga：把宜家说明书变成可互动的 3D 动画，还能动嘴翻页
开源项目 Bygga 上线，输入宜家货号即可将纸质说明书转换成可旋转、可朗读的 3D 线稿步骤。它内置 1171 款产品且离线可用，支持拼装时动嘴喊「下一步」免翻页，还可用 Together AI 扫描补充说明书。代码以 MIT 协议开源。
Hi3D 开源第一代 3D 模型：仅 7.74GB，单张图片生成高精度资产
Hi3D 正式开源第一代 3D 生成模型 V1.0，代码与权重已公开且支持商用。该模型基于约 200 万个 3D 资产训练，几何提取分辨率达 1536³，整套文件仅 7.74GB，普通消费级显卡即可装下。最先进的第三代目前仍保持闭源。
百度开源 Unlimited OCR 2：支持整本书一次解析，消费级显卡就能跑
百度开源超长文档解析模型 Unlimited OCR 2。模型仅 3B 参数（约 6.9GB），引入 SR-SWA 机制避免显存随页数累加，可一次性解析数千页文档并自动合并跨页表格和段落。这意味着厚重卷宗不用再逐页拆解，普通显卡就能搞定完整还原。
AmirMushich 开源新方案：免 3D 建模，用 AI 视频做可交互商品页
设计师 AmirMushich 开源了一套网页方案，不用 3D 建模就能做出可旋转交互商品页。它用 LTX-2.5 Pro 把衣服参考图生成旋转视频，拆成约 30 帧后由 JS 控制播放。运行时无需调用模型或 3D 引擎，大幅降低电商展示门槛。
腾讯混元开源 Hy-SimulMT：3 秒延迟中英同传，还能实时克隆人声
腾讯混元开源中英双向实时同声传译模型 Hy-SimulMT。它能在发言时同步输出翻译文本与语音，流式延迟约 3 秒，并支持保留发言者音色的实时声音克隆。官方已开放推理与微调代码，评测显示其表现接近专业同传。
MotionSites 开源 Claude 技能：一句话生成电影级动效落地页
MotionSites 开源了一套 Claude Skill，让 AI 摆脱千篇一律的布局，直接做出电影感落地页。它内置 40 组精选范例与公开视频素材库，并自带截图自检修复闭环。不仅能直接编写可用代码，还可以为 Lovable、v0 等工具输出专属提示词。
Bria 开源 Fibo 2.0 Edit Turbo：8B 图像编辑模型，4 步即可精准改图
Bria AI 开源 80 亿参数图像编辑模型 Fibo 2.0 Edit Turbo，采用非商业许可。该模型将推理蒸馏至 4 步且无需引导，支持蒙版与多参考图，能在保持其余画面像素级稳定的同时精准修改局部属性。
书童 Pagekin：开源小说智能体，按需组装上下文不崩人设
开源 AI 小说写作工具「书童 Pagekin」推出一套完整创作流程，专门解决长篇创作中人设混乱和前后矛盾的问题。它把设定和章节蓝图结构化，按需调取上下文，支持局部改对话与逐条审稿合并。软件开源免费，底层大模型需作者自行配置接入。
商汤开源 SenseNova 6.8 Code-to-Video：靠写代码生成视频，单个元素随意改
商汤开源 SenseNova 6.8 Code-to-Video。与传统黑盒视频模型不同，它靠生成可执行代码来逐帧渲染动画，可精细修改单个元素且不影响整体。该模型基于 Qwen3.8 27B 构建，完整体积约 55GB，需高端 GPU 运行。
清华开源音视频提取模型 Falcon：看嘴型抽离人声，直连腾讯会议
清华团队开源目标说话人提取模型 Falcon。它将摄像头画面与麦克风声音对应，靠追踪嘴部在嘈杂环境中实时提取指定人物语音，可训练参数仅 50 万。配套的 Falcon Studio 支持在笔记本本地运行，并能通过虚拟音频设备直连腾讯会议或 Zoom。
Gradium 推出端侧 TTS 模型 phonon-31m-en：64.5 MB，浏览器本地就能跑
Gradium 团队开源了轻量级英文语音合成模型 phonon-31m-en。基于 Pocket TTS 与 Mimi 编解码技术，8 位量化权重仅 64.5 MB，支持边生成边播放的流式输出，普通笔记本 CPU、手机乃至浏览器标签页内无需联网即可运行，且遵循 Apache 2.0 协议开源并支持商用。
ISTA-DASLab 开源 DeepSeek-V4.1 量化版：12GB 显存跑 763B 大模型
ISTA-DASLab 开源 DeepSeek-V4.1-Flash-1017 的 GSQ-RCO 量化 GGUF 模型。团队结合非均匀量化算法将 763B MoE 模型最低压缩至 1.75 bpw，搭配 Strata 引擎可在 12GB 显卡运行。最值得关注的是 2.00 bpw 版本性能完全追平原模型，大幅拉低超大模型本地部署门槛。
腾讯开源 WeVisOne-VL：单个轻量模型搞定检测、计数与抠图
腾讯微信视觉团队开源视觉语言模型 WeVisOne-VL，推出 2B 与 4B 两个轻量版本。它无需 SAM 等重型模型辅助，仅靠 9.6M 参数的解码器就能统一目标检测、OCR、计数与发丝级透明通道抠图，目标不存在时还会主动拒识。代码与权重已按 Apache 2.0 协议开放，支持本地运行。
Bria 开源 FIBO 2 图像编辑模型：登顶评测榜，支持 4 图融合编辑
Bria 开源图像生成与编辑模型 FIBO 2。它支持最多 4 张参考图的混合自然语言编辑，在 Artificial Analysis 图像编辑榜单上登顶，效果紧咬 Qwen Image 2.1。INT8 版为 8.4GB，不过权重仅限非商业用途且需申请访问。
Anthropic 捐出 Agent Skills：获 70 多家平台支持，转交 Linux 基金会中立维护
Anthropic 宣布将 Agent Skills 开放标准捐赠给 Linux 基金会旗下的 Agentic AI Foundation（AAIF）。该标准起源于 Claude Code，已被 ChatGPT、Cursor 等 70 多个平台集成，技能安装量近 2.8 亿次。来自 Anthropic、Google 和 OpenAI 的工程师将共同维护，推动智能体生态走向跨平台统一。
ornith-ai 开源 Ornith-1.5-122B：单卡可跑，性能叫板 Qwen3.8-Flash-Next
ornith-ai 在 Hugging Face 上线 MoE 推理模型 Ornith-1.5-122B。该模型采用端到端自改进循环训练，总参数 122B 仅需单张 80GB GPU 即可部署。最值得关注的是，其在 SWE-bench 和 HLE 等编程推理测试中大多优于 Qwen3.8-Flash-Next，并提供端侧量化版本。