百度开源多模态模型 ERNIE-Thinking：总参 28B 仅激活 3B，支持图像动态缩放
周一，百度开源多模态模型 ERNIE-4.5-VL-28B-A3B-Thinking，采用 Apache 2.0 协议。该模型总参数 28B 但运行时仅激活 3B，支持动态缩放图像来捕捉细节，百度宣称其在图表和文档理解等多项基准上超过了 Gemini 2.5 Pro 与 GPT-5-High。
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
Meta 开源 Omnilingual ASR：支持 1600 种语言，改用 Apache 许可
Meta 开源语音识别系统 Omnilingual ASR，直接支持 1600 多种语言转录，远超 Whisper 的 99 种。借助零样本上下文学习，它能扩展至 5400 多种语言。最关键的是，它彻底放弃了受限的 Llama 协议，改用完全自由商用的 Apache 2.0 许可。
微博开源 VibeThinker-1.5B：仅花 7800 美元，数学推理逼近大模型
微博 AI 开源 15 亿参数模型 VibeThinker-1.5B，总训练成本仅 7800 美元。该模型在 AIME24 等数学基准上超越早期 DeepSeek R1，展现出极高的参数效率。官方建议将其用于英文算法题与竞赛数学，暂不推荐日常通用任务。
Manifest AI 推出 Brumby-14B：彻底舍弃 Attention，4000 美元重训 Qwen3
据报道 AI 初创公司 Manifest AI 推出新模型 Brumby-14B-Base，彻底舍弃了传统 Transformer 的 Attention 机制。它改用名为 Power Retention 的循环架构，单 token 计算成本不再随长度增长；团队仅花 4000 美元基于 Qwen3 权重重训即达到相近性能。不过该方法仍依赖现有模型，无法从零低成本训练。
PewDiePie 自建 10 卡 AI 工作站：本地跑超大模型，还要自造模型
知名 YouTuber PewDiePie 透露其组建了一台搭载 10 张 GPU 的 PC，利用魔改 48GB 显存的 RTX 4090 等硬件在本地运行大型开源模型。他自研了名为 ChatOS 的界面与多模型协作系统，并计划下月推出专属模型供所有人本地部署。
KREA 开源 14B 视频模型：单张 B200 跑出 11 FPS
KREA AI 宣布开源自回归视频模型 Krea Realtime。该模型参数量达 14B，比同类开源模型大 10 倍，在单张 B200 显卡上能以 11 FPS 的速度生成长视频。官方同步放出了模型权重与技术报告。
Deepseek 开源轻量 OCR：文本压缩十倍，单卡日刷 20 万页
Deepseek 公布一套全新的 OCR 系统，把文本作为图像压缩处理，体积缩减至原来的十分之一，且保留 97% 原文信息。该方案大幅压低视觉 token 占用，单张 Nvidia A100 每天可处理超 20 万页，代码与模型权重已开源。
思科开源 Project CodeGuard：给 AI 写代码全流程装上安全护栏
思科推出开源安全框架 Project CodeGuard，专门针对 AI 辅助编程进行全流程防护。它独立于底层模型，在代码生成前、中、后分别拦截硬编码密钥和漏洞，主打「默认安全」。思科强调它不替代人工审查，旨在降低低级漏洞流入生产环境的概率。
Microsoft 开源 ExCyTIn-Bench：模拟真实 SOC 测试 AI 安全调查
Microsoft 开源安全基准 ExCyTIn-Bench。它把 AI 智能体放进模拟的 Azure 安全运营中心，调用 57 张日志表测试多步威胁排查能力。结果显示 GPT-5 高推理版以 56.2% 得分领跑，降低推理深度会导致性能跌近两成。
Karpathy 开源 nanochat：8000 行代码、100 美元手搓一个 ChatGPT
Andrej Karpathy 开源项目 nanochat。它仅用约 8000 行代码，就打通从分词、预训练、SFT、强化学习到推理界面的全栈流程。在 8 张 H100 上花约 100 美元跑 4 小时，就能训出一个能聊天的基础模型。该项目还将作为其 LLM101n 课程的结业大作业。
Anthropic 开源安全工具 Petri：派 Agent 自动揪出模型违规行为
Anthropic 开源自动化安全审计工具 Petri，通过部署智能体模拟多轮真实对话，快速探测大模型是否存在欺骗、自保或越权等失准风险。首期评测了 14 款前沿模型，Claude Sonnet 4.5 综合风险评分最低，略胜 GPT-5。工具支持主流模型 API，旨在帮研究者摆脱繁重的人工测试。
IBM 开源 Granite 4 系列：混合 Mamba 架构，显存消耗降至六分之一
IBM 于周四开源 Granite 4 语言模型系列。该系列包含 30 亿至 320 亿参数的 4 款模型，将 Transformer 与 Mamba 状态空间模型结合。官方测试显示 Granite-4.0-H-Tiny 显存占用仅为前代的六分之一，大幅降低长文本推理成本。
NVIDIA 开源 Audio2Face：输入音频就能实时生成 3D 面部动画
NVIDIA 宣布正式开源 Audio2Face 技术，包括模型、SDK 和训练框架。该工具通过分析音素和语调，能由音频直接生成精准的口型与微表情，支持离线渲染与实时流式传输。也就是说，游戏和 3D 应用开发者现在可以免费且深度定制这套面部动画管线。
阿里开源端到端全模态模型 Qwen3-Omni：打通图文音视频，延迟 211ms
Alibaba 开源端到端全模态模型 Qwen3-Omni，将文本、图像、音频与视频整合进单一模型。模型响应延迟低至 211ms，支持 30 分钟音频理解与内置工具调用，并同步开放了 Instruct 与 Thinking 等 30B 级别权重。
H Company 开源 Holo1.5：专攻电脑操作，定位精度提升超 10%
H Company 开源专用于电脑操作（Computer Use）的基础模型系列 Holo1.5，提供 3B、7B 和 72B 三种规格。相比前代，新模型在界面元素定位精度上提升超 10%，并强化了 UI 视觉问答能力。目前所有模型权重已在 Hugging Face 开放下载。
Google 开源 VaultGemma：首个差分隐私从头训练的 1B 模型
Google 联合 DeepMind 发布并开源 10 亿参数大模型 VaultGemma。它是目前从零开始采用差分隐私（DP）训练的最大开源模型，通过加噪防止记忆敏感数据。测试显示其未发生数据死记硬背，性能大致与同尺寸早期 GPT-2 相当。
Google 发布 EmbeddingGemma：3.08 亿参数端侧嵌入模型，断网也能做 RAG
Google 发布开源端侧嵌入模型 EmbeddingGemma，体量仅 3.08 亿参数。它专为硬件本地运行打造，无需联网即可执行语义搜索与 RAG 检索，同时与 Gemma 3n 共用分词器以降低内存占用，兼顾了端侧隐私和多语言理解。
字节跳动开源 UI-TARS：让智能体直接替你操控桌面与手机
ByteDance 宣布发布多合一智能体模型 UI-TARS-2。该系列基于视觉语言模型与强化学习推理，能直接解析屏幕坐标并模拟键鼠与触屏操作，在 OSWorld 等测试中表现亮眼，同时提供桌面端工具与网页自动化支持。
腾讯混元开源 HunyuanVideo-Foley：输入视频即可自动配音效
腾讯混元宣布开源端到端文本-视频生音频框架 HunyuanVideo-Foley。它基于 10 万小时多模态数据训练，采用 MMDiT 架构与音频 VAE，能精准对齐画面动作生成分层音效。在音频质量和时序对齐等基准测试中超越了现有开源模型。
OpenAI 强调 Codex 早已开源：终端编程智能体支持本地运行
OpenAI 在 GitHub 上以 Apache-2.0 协议开源轻量级编程智能体 Codex CLI。该工具可直接在本地终端运行，支持 Mac、Linux 与 Windows，并适配 VS Code 等编辑器。最值得关注的是，用户登录 ChatGPT 账户即可调用。