百度开源 ERNIE 4.5 模型家族：多模态参数最高达 424B
百度在 Hugging Face 上线 ERNIE 4.5 开源模型系列，涵盖文本与图文多模态能力，参数规模从 0.3B 一路覆盖到 424B。该系列同时提供 Paddle 与 PyTorch 权重，并包含 Thinking 推理版及量化版本。
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
MiniMax 开源推理模型 M1：支持百万上下文，推理算力省 70%
MiniMax 开源推理模型 MiniMax-M1，支持 100 万 token 上下文与 8 万 token 推理输出。依托混合注意力与自研 CISPO 强化学习算法，其长文本推理算力仅需 DeepSeek R1 的 30%，强化学习训练仅花费约 53.5 万美元。普通用户可在网页与 App 端免费体验。
腾讯开源 Hunyuan 3D 2.1：首个全开源 PBR 3D 模型，消费级显卡可用
腾讯混元发布 Hunyuan 3D 2.1，并完全开源了权重、代码及数据流程。它支持电影级 PBR 材质合成，能还原皮革、青铜等光影质感，更关键的是普通消费级显卡就能跑得动。
OpenAI 推迟开放权重模型发布：6 月不上线，改到夏末
Sam Altman 透露 OpenAI 的开放权重模型将推迟发布，不会在 6 月推出，预计延后至今年夏末。他表示研究团队做出了一些出人意料且非常惊艳的成果，绝对值得等待，但还需要更多时间打磨。
斯坦福开源 Tokasaurus：专注高吞吐推理，性能超 vLLM 达 3 倍
斯坦福团队开源大模型推理引擎 Tokasaurus，专为合成数据生成与批量任务等高吞吐场景设计。它通过极低 CPU 开销与动态前缀复用优化小模型，并针对无 NVLink 显卡优化流水线并行，吞吐量比 vLLM 和 SGLang 最高提升超 3 倍。
腾讯开源 HunyuanVideo-Avatar：一张照片配音频，秒变会唱会聊的数字人
腾讯混元与腾讯音乐联合推出并开源 HunyuanVideo-Avatar。用户只需上传一张照片和一段音频，模型就能自动感知场景与情绪，生成最长 14 秒的逼真说话或唱歌视频。目前单人模式已在 GitHub 开源，多人互动模式也将于近期开放。
WordPress 成立专属 AI 团队：拉来 Google 专家，推「插件优先」
WordPress 宣布成立官方 AI 团队，由 Automattic、Google 等成员共同牵头。团队将采用类似性能团队的「官方插件优先」模式快速试水 AI 功能，避免碎片化，开发者不用苦等核心大版本更新。
Mistral 发布开源编程模型 Devstral：单卡可跑，商用无限制
Mistral 联合 All Hands AI 推出专为编程打造的模型 Devstral。该模型拥有 240 亿参数，采用 Apache 2.0 协议可自由商用，单张 RTX 4090 或 32GB 内存 Mac 即可本地部署。其在基准测试中超越了 Gemma 3 27B 和 DeepSeek 的 V3。
Stability AI 发布 SV4D 2.0：单段视频直接转 4D 资产
Stability AI 发布 Stable Video 4D 2.0。新模型无需多角度参考图或多相机拍摄，仅凭一段以物体为中心的普通视频即可生成连贯的动态 4D 资产并合成新视角。模型已开源且开放商用，但剧烈运动下仍可能存在瑕疵。
Google 发布端侧模型 Gemma 3n：5B 模型仅占 2GB 内存，专为手机打造
Google 发布端侧开放模型 Gemma 3n 预览版。新模型采用 DeepMind 的 PLE 技术，让 5B 和 8B 模型的动态内存占用降至 2GB 和 3GB，支持本地音视频及图文多模态处理。最值得关注的是，该架构还将用于下一代 Gemini Nano。
Stability AI 联手 Arm 开源端侧音频模型：手机 8 秒生成 11 秒音频
Stability AI 联合 Arm 开源了 3.41 亿参数的音频模型 Stable Audio Open Small。该模型专为 Arm CPU 优化，能在智能手机上不到 8 秒生成最长 11 秒的立体声音频。模型基于社区许可免费商用，适合生成拟音和伴奏循环。
Lightricks 开源 LTX Video-13B：消费级显卡可跑，渲染快 30 倍
Lightricks 开源 130 亿参数视频生成模型 LTX Video-13B。新模型引入多尺度分步渲染，高分辨率渲染速度最高达同规模竞品的 30 倍，经量化优化后单张消费级显卡就能本地跑。年营收低于 1000 万美元的机构可免费商用。
Nvidia 开源语音模型 Parakeet-TDT-v2：1 秒转录 1 小时音频
Nvidia 在 Hugging Face 开源语音识别模型 Parakeet-TDT-0.6B-v2。参数量 6 亿，在自家 GPU 上仅需 1 秒就能转录 1 小时音频，登顶开源 ASR 榜单。最值得关注的是其采用 CC-BY-4.0 协议，允许开发者免费商用。
Ai2 开源 10 亿参数小模型 Olmo 2 1B：跑分超 Google 与 Meta 同级产品
周四，非营利机构 Ai2 发布 10 亿参数开源模型 Olmo 2 1B，开放了全部代码与训练数据集。它在算术与真实性测试中跑分超越 Google Gemma 3 与 Meta Llama 3.2 同级模型，能在现代笔记本或移动设备上轻松运行。Ai2 建议暂不用于商业部署。
微软开源 Phi-4-reasoning-plus：14B 跑赢 70B 蒸馏版，还用 MIT 协议
Microsoft 宣布开源推理模型 Phi-4-reasoning-plus。这个 14B 参数的小模型走精炼路线，在 AIME 2025 数学测试中的 pass@1 成绩超过了 70B 的 DeepSeek-R1 蒸馏版。最值得关注的是它采用宽松的 MIT 协议，兼容 Ollama 和 vLLM，支持本地直接部署。
Intel 推出 AutoRound：把 72B 大模型压到 INT2，量化只要 37 分钟
Intel 介绍了模型量化工具 AutoRound。它通过符号梯度下降联合优化权重舍入与截断范围，在 INT2 精度下相对准确率最高比主流基准提升 2.1 倍。轻量模式下量化 72B 模型仅需 37 分钟，并支持导出 GPTQ、AWQ 和 GGUF 等格式。
OpenAI 拟推开源模型：遇难题可「呼叫云端」求助
据 TechCrunch 报道，OpenAI 计划在初夏推出的开源推理模型中加入「交接」（handoff）功能，本地遇到复杂问题可直接调用云端更强模型。该模型从零训练，部分基准测试瞄准超越 DeepSeek R1。这种本地加云端的打法，显然是想顺便把开源开发者拉进其付费生态。
两名大学生零预算造出 Dia：16 亿参数开源语音模型直逼 ElevenLabs
韩国团队 Nari Labs 开源了文本转语音模型 Dia。该模型由两名几乎没有 AI 经验的本科生在零外部融资下开发，参数量为 16 亿，支持情绪语调、多说话人及笑声、咳嗽等副语言表达，对比测试表现逼平甚至超越 ElevenLabs。这也印证了个人开发者叫板行业巨头的可能性。
Google 推出 Gemma 3 QAT 版本：27B 模型塞进消费级显卡本地跑
Google 发布采用量化感知训练（QAT）的 Gemma 3 模型版本。通过将模型压缩至 4 位（int4），显存占用大幅下降，困惑度下降幅度减少了 54%。这意味着原本需要昂贵算力卡的 27B 大模型，如今在单张 RTX 3090 显卡上就能直接本地运行。
LTX Studio 发布 LTXV 0.9.6：带来两款 2B 开源视频模型
LTX Studio 发布 LTXV 0.9.6 更新，推出两款 2B 参数开源视频模型。新版分为面向成片渲染的完整质量版，以及主打快速预览与轻量化部署的蒸馏版，整体生成速度和稳定性都有所提升。