阿里开源 Qwen3-Coder-Next：80B 参数配 3B 激活，专攻编程智能体
阿里巴巴推出开源模型 Qwen3-Coder-Next，专为编程智能体打造。它采用 80B 总参数与 3B 激活的架构，基于 80 万个可验证任务训练，在 SWE-Bench Pro 上表现抢眼，并兼容 Cline 等主流工具。
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
MiniCPM-o 4.5：9B 全模态端侧模型，支持边看边聊与主动打断
OpenBMB 开源 9B 参数全模态模型 MiniCPM-o 4.5，能同时处理音视频输入并实时语音交互。它采用全双工架构，不仅允许用户打断，模型还能每秒做一次决策主动插话提醒。模型支持本地部署，视觉与文档解析能力逼近甚至超过部分主流闭源模型。
智谱开源 GLM-OCR：仅 0.9B 拿下基准第一，支持 Ollama 极速部署
智谱开源轻量级文档模型 GLM-OCR，参数量仅 0.9B。它在 OmniDocBench V1.5 评测中以 94.62 分登顶，能精准解析复杂表格、数学公式与手写字，并输出 JSON 或 Markdown。模型采用 MIT 协议完全开源，支持在 Ollama 和 vLLM 上低延迟部署。
Omnimat Zero 开源：不仅能从视频中删物体，连倒影和阴影也能抹掉
开源视频工具 Omnimat Zero 能够精准擦除画面中的物体，并同步清理水坑倒影与地面阴影。它还能应对复杂的遮挡关系，或把前景单独提取为透明图层供替换背景，目前代码与本地运行说明已在 GitHub 开源。
ACE-Step 1.5 开源：不到 4GB 显存，10 秒本地生成完整歌曲
ACE Studio 与阶跃星辰开源音乐基础模型 ACE-Step 1.5。它显存需求不到 4GB，在 RTX 3090 上不到 10 秒就能生成完整歌曲，支持 50 多种语言且采用 MIT 协议可商用。这意味着创作者无需依赖昂贵的云端 API，在消费级显卡上就能直接做音乐生产。
MOSS-Audio 开源统一音频模型：4B/8B 规格，集全音频理解于一身
统一音频理解模型 MOSS-Audio 正式开源，提供 4B 与 8B 规格，均包含 Instruct 和 Thinking 版本。该模型将语音识别、说话人分析、情感检测、环境声及音乐理解集成在单一架构内，时间戳 ASR 精度表现大幅领先 Gemini-3.1-Pro。
Anthropic 开源 Knowledge Work Plugins：不写一行代码，把 Claude 变成 11 种岗位专家
Anthropic 开源 Knowledge Work Plugins 插件库，面向销售、法务、市场等非技术岗位。整套插件不含一行代码，纯靠 Markdown 和 JSON 打包工作流与工具连接，适配 Claude Cowork 与 Claude Code。团队只需修改文本文件，就能把内部流程直接沉淀为专属智能体。
WordPress 推出 AI Agent 技能：几秒跑通插件测试闭环
WordPress 贡献者发布开源 AI 技能 wp-playground。它基于 Playground CLI 让 AI 编程智能体在几秒内启动本地 WordPress 实例，自动挂载插件或主题并用 Playwright 验证。这意味着像 Claude Code 这类智能体写完代码能立刻自测自纠，告别繁琐的手动调试环境。
OpenMOSS 开源 MOVA：原生生成同步音视频，320 亿参数 MoE 架构
OpenMOSS 开源视频生成模型 MOVA，可在单个模型内原生同步生成画面与声音。它采用 320 亿参数的 MoE 架构，运行激活 180 亿参数，支持多语言对口型。代码和权重已上线 GitHub，不过 720p 版本约 77 GB，对显存要求较高。
LingBot-World：开源实时交互世界模型，16 FPS 跑通长记忆
robbyant 开源基于 Wan2.2 的世界模拟器 LingBot-World。它支持用文本或图片生成可交互环境，能以 16 FPS、低于 1 秒延迟输出 480P 与 720P 画面，并具备分钟级场景一致的长记忆。代码与权重已公开，为互动生成与机器人学习提供了开源方案。
TeleStyle 开源：用参考图或提示词给图片视频一键换风格
研究团队发布风格迁移模型 TeleStyle，支持通过参考图或文本为图像和视频赋予特定画风。该模型基于 Qwen-Image-Edit 构建，借助课程持续学习与专用的视频模块，在套用新风格时仍能保证画面内容和帧间连贯性。目前代码与预训练模型已开源。
阿里开源 Z-Image 满血基座：主打高多样性与微调，ComfyUI 首日支持
阿里通义团队开源图像生成基座模型 Z-Image。它是此前 Turbo 版本的未蒸馏满血底模，解决了一换种子构图不变、多人同脸的问题，原生支持负向提示词和 LoRA 微调。出图步数增至 50 步，目前已支持在 ComfyUI 中直接运行。
Clawdbot：把 AI 塞进聊天软件，发条消息直接替你操控电脑
开源自托管 AI 助手 Clawdbot 允许用户通过 Telegram 或 WhatsApp 发送指令，在本地电脑上自动运行脚本、管理文件和回复邮件。最关键的是它能自己写代码扩展新技能，隐私数据全留本地，不过在本地执行任意命令也存在安全风险。
Letta 开源 Claude Subconscious：给 Claude Code 装上常驻后台的「潜意识」
Letta 推出开源插件 Claude Subconscious，让第二个代理在后台默默观察会话并检索代码库。它维护 8 个跨会话记忆块，能在每次提问前把上下文提示悄悄注入 Claude Code，全程异步且不卡工作流。
NVIDIA 开源 Earth-2 气象模型家族：提速 90%，气象预测能本地跑了
NVIDIA 推出 Earth-2 开放气象模型家族，提供全开放、加速的气象 AI 软件栈。该系列支持机构在本地基础设施上微调与部署，以色列气象局实测计算时间缩短 90%。目前 Earth-2 Medium Range 等模型已上线 GitHub 与 Hugging Face。
Voicebox：开源本地 AI 语音工具，搞定声音克隆与全局听写
开源本地 AI 语音应用 Voicebox 支持声音克隆与听写，GitHub 标星超 4.2 万。它仅需数秒音频即可克隆任意声音，支持用全局热键在任意输入框语音打字，还能配合 Claude Code 等为智能体配音。这让用户无需再订阅付费平台，即可在本地运行端到端语音能力。
微软开源 VibeVoice-ASR：单次处理 60 分钟音频，自带说话人分离
微软开源语音识别模型 VibeVoice-ASR（9B 参数）。它摒弃了传统的切块转录做法，单次可直接处理长达 60 分钟音频，并端到端一体化输出文本、时间戳与说话人分离结果。长会议和播客转录不再担心上下文割裂，代码已开源并支持微调。
腾讯开源混元图像 3.0 Instruct：原生内置思维链，一句话精准修图
腾讯发布并开源混元图像 3.0 图生图模型（HunyuanImage 3.0-Instruct），支持指令修图与多图融合。模型原生内置思维链，生成前会先推理编辑步骤与保留区域。该能力已在腾讯元宝上线，开源权重约 169 GB，对本地显存要求极高。
RF-DETR 开源：实时分割模型单图最快 3.4 毫秒，采用 Apache 2.0
研究员开源实时分割模型 RF-DETR segmentation，采用 Apache 2.0 协议。模型提供从 Nano 到 2XLarge 共 6 种尺寸，单图推理速度在 3.4 毫秒（40.3 mAP）至 21.8 毫秒（49.9 mAP）之间，兼顾实时性与高精度分割。
阿里发布开源语音模型 Qwen3-TTS：延迟 97 毫秒，几秒音频即可克隆音色
阿里推出开源文本转语音模型 Qwen3-TTS，提供 1.7B 和 0.6B 两种尺寸，仅需数秒音频即可克隆音色，还支持用提示词直接定制新声线。模型采用双轨架构，端到端延迟低至 97 毫秒，克隆中文后可直接说多国语言与方言，便于实时交互与有声书制作。