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。
开源项目 · 日报
周三
9月24日 星期三
周一
9月22日 星期一
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。
周一
9月15日 星期一
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。
周五
9月12日 星期五
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。
周四
9月4日 星期四
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。
周三
9月3日 星期三
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。
周四
8月28日 星期四
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。
周三
8月27日 星期三
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。
周六
8月23日 星期六
xAI 开源 Grok 2.5：权重上线 Hugging Face，Grok 3 预计半年后开放
xAI 宣布开源其 2024 年主力模型 Grok 2.5，模型权重已上线 Hugging Face。该模型采用社区许可，研究与非商用免费，但禁止用于训练其他大模型。Elon Musk 同时表示，Grok 3 计划在约 6 个月后开源。
马斯克宣布下周开源 Grok 2：践行「出新一代就开源上一代」承诺
马斯克在 X 上宣布，xAI 将于下周正式开源 Grok 2 大模型。按照 xAI 的惯例，推出新版本时会公开上一代模型，此前推出 Grok 2 时就开源了 Grok 1。在大厂纷纷转向闭源的趋势下，开源 Grok 2 能让开发者与研究机构更低门槛地使用前沿技术。
周五
8月22日 星期五
港大开源 OpenCUA：操纵电脑的开源智能体，向闭源大厂看齐
香港大学等团队推出开源计算机操控智能体框架 OpenCUA。该框架包含后台录制工具与超 2.26 万条跨 Windows、macOS 和 Ubuntu 的操作数据集，并通过加入思维链推理训练模型。其评测成绩超越现有开源方案，紧追 OpenAI 和 Anthropic 的闭源智能体。
周三
8月20日 星期三
字节跳动开源 Seed-OSS-36B：原生 512K 上下文，推理预算可自由调节
ByteDance 旗下 Seed 团队在 Hugging Face 正式开源 Seed-OSS-36B 模型家族。该模型拥有 360 亿参数，原生支持长达 512K token 上下文，并允许开发者设置思考预算来平衡速度与推理质量。采用宽松的 Apache-2.0 协议，企业可免费用于商业化部署。
周一
8月18日 星期一
Nvidia 开源 Nemotron-Nano-9B-v2：单张 A10 能跑，思考过程一键开关
Nvidia 今日发布开源小模型 Nemotron-Nano-9B-v2，专为单张 A10 GPU 优化。它采用 Mamba 与 Transformer 混合架构，速度提升最高达 6 倍；开发者能用 /think 或 /no_think 随时开关推理思考，并自由设置思考 token 预算来平衡延迟与准确率。
周五
8月15日 星期五
NVIDIA 开源百万小时语音数据集 Granary，以及两款多语言模型
NVIDIA 联合卡耐基梅隆大学等开源多语言语音数据集 Granary，涵盖约 100 万小时音频与 25 种欧洲语言。同步上线的 Canary-1b-v2 转录准确率登顶 Hugging Face 榜首，Parakeet 模型则主打高吞吐实时转录，大幅降低小语种语音 AI 的开发门槛。
周四
8月14日 星期四
Google 发布 Gemma 3 270M：仅 2.7 亿参数，专为微调而生
Google 推出超轻量模型 Gemma 3 270M，参数量仅 2.7 亿。它自带指令遵循和文本结构化能力，专为特定任务微调设计，旨在让开发者用极低成本与高速度搞定文本分类、数据提取等明确场景。
