AnchorWeave 开源：靠局部几何记忆，用单张图生成可行走 3D 视频
可交互世界视频框架 AnchorWeave 开源。它仅凭一张起始图片即可扩展出支持按键行走的 3D 世界，通过局部几何记忆与多锚点编织控制器，解决了转头再看场景就被重新绘制的不一致难题。初版基于 CogVideoX 构建，单次生成 81 帧，代码已在 GitHub 开源。
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
dots.ocr-1.5 开源：3B 多模态模型，能把图表直接转成 SVG 代码
rednote-hilab 在 Hugging Face 发布多模态 OCR 模型 dots.ocr-1.5，参数量仅 3B。它支持几乎所有人类文字系统的文档解析，最亮眼的是能把图表与图示直接转换成可编辑的 SVG 代码，让复杂的结构化图文提取变得轻便实用。
字节开源生图模型 BitDance：并行预测 Token，生成提速超 30 倍
字节跳动开源自回归图像生成模型 BitDance。该模型采用二值视觉 Token 与并行扩散解码，在生成 1024x1024 图像时比传统自回归模型提速超 30 倍。最值得关注的是，它大幅缓解了自回归生图速度慢的痛点，兼顾了生成质量与推理效率。目前代码与权重已开源。
港大推出 ClawWork：让 AI 自负盈亏打工赚钱，花完 API 费就破产
港大数据智能实验室发布 ClawWork。AI 初始只有 10 美元，调用 API 扣除 token 费，必须靠完成 44 个行业的真实任务赚钱，入不敷出便会破产。这种经济压力测试跳出传统跑分，直接用自负盈亏评估 AI 真实工作的性价比。
阿里巴巴发布 Mobile-Agent-v3.5：打通手机桌面与浏览器，20 多个基准拿第一
阿里巴巴发布跨平台 GUI 智能体 Mobile-Agent-v3.5，核心由基于 Qwen3-VL 的 GUI-Owl-1.5 系列驱动，参数覆盖 2B 到 235B。它将手机、电脑与浏览器的感知、规划和行动统一，并在 20 多个基准上拿到 SOTA。模型权重已开源，并在百炼和魔搭提供体验。
字节跳动开源 OpenViking：用文件系统管理 Agent 记忆与上下文
字节跳动开源 AI Agent 上下文管理系统 OpenViking。它不再把上下文切碎成扁平向量，而是以文件系统目录来统一管理 Agent 的记忆、资源和技能。通过 L0 到 L2 的分层按需加载，既降低了 Token 消耗，也让检索轨迹全程可视化。
NVIDIA 发布指南：教你在 RTX 显卡与 DGX Spark 上免费跑 OpenClaw
NVIDIA 发布指南，详解如何在 GeForce RTX 显卡和 DGX Spark 上本地部署 AI 智能体 OpenClaw。借助 Ollama 或 LM Studio 驱动本地模型，不仅能免去常驻智能体高昂的云端 API 账单，还能确保个人文件与数据完全留在本地。不过 NVIDIA 也提醒，本地智能体接管系统权限时务必注意安全防护。
Moonshine 开放语音模型：2 亿参数端侧实时跑，字误率超越 Whisper
Moonshine AI 发布开放权重的 Moonshine Voice 语音转文字模型，支持在 iOS、Android 和树莓派等设备端实时运行。其 2 亿参数流式模型参数量比 Whisper Large v3 小 7.5 倍，字误率却更低，还内置了语音活动检测和意图识别功能。
Monarch RT 开源：单张 RTX 5090 跑出 16 FPS 实时视频生成
加速架构 Monarch RT 正式亮相，能在单张消费级 RTX 5090 显卡上以每秒 16 帧实时生成视频。其注意力机制比 FlashAttention 快近 4 倍，且画质保留了密集注意力的约 95%。这意味着开发者无需依赖云端算力集群，完整代码已在 GitHub 开源。
阿里开源 DeepGen 1.0：5B 轻量模型兼顾图像生成与编辑，还能解迷宫
阿里巴巴开源图像生成与编辑模型 DeepGen 1.0。它采用 5B 参数架构，不仅能渲染文字与多风格生图，还支持换视角、预测画面甚至解迷宫等推理任务。最值得关注的是，其编辑能力在评测中叫板更大体量的模型，不过完整权重达 72GB，本地部署门槛较高。
LobsterAI：网易有道开源桌面 Agent，接管 Office 并支持微信远程派活
网易有道开源桌面级 Agent 软件 LobsterAI。它采用 MIT 协议，能直接在本地编辑 Office 文档、操控内置浏览器，并支持通过微信或飞书等聊天软件从手机远程指派任务。最值得关注的是它开箱即用且支持本地沙箱审批，敏感操作需确认后才执行。
MOSS-TTS 开源：几秒克隆声音，支持多角色对话
OpenMOSS 开源多语言语音模型家族 MOSS-TTS，支持凭几秒音频快速克隆声音。该系列涵盖声音克隆、多角色对话、声音设计与低延迟实时流式语音，提供 8B 与 1.7B 等轻量版本，已在 GitHub 提供部署代码。
SoulX-Singer：几秒人声克隆唱歌，不到 3GB 连 CPU 都能跑
Soul-AILab 开源零样本歌唱合成模型 SoulX-Singer。它只需几秒说话音频就能克隆目标人声，既能直接把参考歌声转成指定音色，也支持用自己哼唱的旋律或 MIDI 控调。模型体积不足 3GB，低端 GPU 甚至 CPU 都能本地跑起来。
字节开源 Protenix-v1：性能超越 AlphaFold 3 的全开源生物分子模型
字节跳动开源生物分子结构预测模型 Protenix-v1，支持蛋白质、核酸及配体等多种分子的通用结构预测。在同等训练数据截止期和模型规模下，其基准性能优于 AlphaFold 3。项目基于 Apache 2.0 协议完整开放了模型权重、训练数据管道和 MSA 工具。
上海 AI 实验室开源 Intern-S1-Pro：万亿参数 MoE 科学大模型，激活仅 22B
上海人工智能实验室开源万亿参数科学多模态模型 Intern-S1-Pro。该模型基于 MoE 架构，总参数 1T 但单次仅激活 22B，专门针对化学、材料、生命科学等领域优化，数理推理达奥赛水平。模型支持免费商用，大幅降低了 AI 辅助前沿科研的门槛。
Just Dub It：把视频配音成外语，口型也能自动对上
开源配音工具 Just Dub It 发布。它基于 LTX-2 打造了轻量 LoRA 适配器，能把视频翻译成法语、德语等外语并同步生成匹配的唇部动作，同时保留原人脸特征。代码、模型权重与训练集已全部开源，支持消费级显卡部署。
UniAudio 2.0 开源：把语音合成、音效与音乐塞进同一个模型
统一音频语言模型 UniAudio 2.0 开源，将语音合成、音效、音乐生成及风格编辑整合进同一个模型。它通过专门的离散编解码器打通理解与生成，虽部分音乐生成质量仍有瑕疵，但成功用单模型覆盖了全音频任务。
PicoClaw：内存只要 10MB 的超轻 AI 助手框架
开源项目 PicoClaw 亮相，主打超轻量级个人 AI 助手。它用 Go 语言重写，核心内存占用低于 10MB、启动只需 1 秒，比 OpenClaw 节省 99% 内存，能跑在 10 美元低成本硬件上，通过 Telegram 等聊天软件替你全天候办事。
Mistral 发布 Voxtral Transcribe 2：4B 实时模型开源，延迟进 200ms
今天，Mistral AI 发布语音转文字模型家族 Voxtral Transcribe 2。其中 4B 参数的实时模型 Voxtral Realtime 采用 Apache 2.0 开源权重，支持端侧部署且延迟可调至 200ms 以内；批量模型成本仅 0.003 美元每分钟，覆盖 13 种语言并支持说话人区分。
See-Through：把二次元插画拆成 23 个可编辑分层
开源项目 See-Through 能把单张二次元插画拆解为最多 23 个语义图层，并自动补全被遮挡区域。它不仅能直接导出包含发型、五官和服饰的透明 PSD，还附带深度信息，方便后续直接制作 Live2D 动画或重新布光。