清华开源音视频提取模型 Falcon：看嘴型抽离人声，直连腾讯会议
清华团队开源目标说话人提取模型 Falcon。它将摄像头画面与麦克风声音对应，靠追踪嘴部在嘈杂环境中实时提取指定人物语音，可训练参数仅 50 万。配套的 Falcon Studio 支持在笔记本本地运行，并能通过虚拟音频设备直连腾讯会议或 Zoom。
开源项目 · 日报
周五
10月23日 星期五
Gradium 推出端侧 TTS 模型 phonon-31m-en：64.5 MB，浏览器本地就能跑
Gradium 团队开源了轻量级英文语音合成模型 phonon-31m-en。基于 Pocket TTS 与 Mimi 编解码技术，8 位量化权重仅 64.5 MB，支持边生成边播放的流式输出，普通笔记本 CPU、手机乃至浏览器标签页内无需联网即可运行，且遵循 Apache 2.0 协议开源并支持商用。
ISTA-DASLab 开源 DeepSeek-V4.1 量化版：12GB 显存跑 763B 大模型
ISTA-DASLab 开源 DeepSeek-V4.1-Flash-1017 的 GSQ-RCO 量化 GGUF 模型。团队结合非均匀量化算法将 763B MoE 模型最低压缩至 1.75 bpw，搭配 Strata 引擎可在 12GB 显卡运行。最值得关注的是 2.00 bpw 版本性能完全追平原模型，大幅拉低超大模型本地部署门槛。
周四
10月22日 星期四
腾讯开源 WeVisOne-VL：单个轻量模型搞定检测、计数与抠图
腾讯微信视觉团队开源视觉语言模型 WeVisOne-VL，推出 2B 与 4B 两个轻量版本。它无需 SAM 等重型模型辅助，仅靠 9.6M 参数的解码器就能统一目标检测、OCR、计数与发丝级透明通道抠图，目标不存在时还会主动拒识。代码与权重已按 Apache 2.0 协议开放，支持本地运行。
Bria 开源 FIBO 2 图像编辑模型：登顶评测榜，支持 4 图融合编辑
Bria 开源图像生成与编辑模型 FIBO 2。它支持最多 4 张参考图的混合自然语言编辑，在 Artificial Analysis 图像编辑榜单上登顶，效果紧咬 Qwen Image 2.1。INT8 版为 8.4GB，不过权重仅限非商业用途且需申请访问。
Anthropic 捐出 Agent Skills：获 70 多家平台支持，转交 Linux 基金会中立维护
Anthropic 宣布将 Agent Skills 开放标准捐赠给 Linux 基金会旗下的 Agentic AI Foundation（AAIF）。该标准起源于 Claude Code，已被 ChatGPT、Cursor 等 70 多个平台集成，技能安装量近 2.8 亿次。来自 Anthropic、Google 和 OpenAI 的工程师将共同维护，推动智能体生态走向跨平台统一。
周三
10月21日 星期三
ornith-ai 开源 Ornith-1.5-122B：单卡可跑，性能叫板 Qwen3.8-Flash-Next
ornith-ai 在 Hugging Face 上线 MoE 推理模型 Ornith-1.5-122B。该模型采用端到端自改进循环训练，总参数 122B 仅需单张 80GB GPU 即可部署。最值得关注的是，其在 SWE-bench 和 HLE 等编程推理测试中大多优于 Qwen3.8-Flash-Next，并提供端侧量化版本。
Google DeepMind 开源 DetectorScope：检测 AI 文本不仅给分，还能高亮依据
Google DeepMind 开源 AI 文本检测工具 DetectorScope。不同于传统工具只给出一个冰冷的概率分，它利用稀疏自动编码器把判断依据拆解为具体特征，并在文中直接高亮触发判定的词句，让审核结果透明且可追溯。
Alpha Innovator 开源科研智能体 Sage A1.5：35B MoE，Q4 量化版仅 22GB
Alpha Innovator 开源专为科学研究优化的 350 亿参数 MoE 模型 Sage A1.5。它支持多智能体协作完成文献检索、分子设计与引用报告生成，还能在思考链中自主审视纠错。完整模型约 72GB，最小 Q4 GGUF 版本为 22GB，已上线 Hugging Face。
腾讯开源世界模型 Hy-Nomas：单张 4090 能跑，文字和相机实时操控
腾讯开源交互式视频世界模型 Hy-Nomas，支持通过自然语言和相机运镜实时控制虚拟场景。模型可输出 720p、24 帧画面，通过分段生成维持长时间一致性，蒸馏后的 9GB 版本单张 RTX 4090 即可运行，并以 Apache 2.0 协议开源全套代码与权重。
Underdog 开源 Bark 3.0：163MB 语音模型，5 分钟音频半秒转完
本周，Underdog 在 Hugging Face 开源语音转文字模型 Bark 3.0，体积仅 163 MB，在苹果 M 系列芯片上转写 5 分钟音频仅需半秒。它的英文会议错误率明显低于 Whisper Large，Clean 版本还能自动过滤掉口头禅。不过目前仅支持英文。
周二
10月20日 星期二
Fast H3 Omni 开源：MiniMax H3 视频生成最高提速 12 倍，采样仅需 8 步
FastVideo 联合发布针对 MiniMax H3 的加速方案 Fast H3 Omni。它专门优化参考素材生成视频以保证主体一致性，将采样步数由 50 步压至 8 步，延迟最多降低 12 倍。目前已开源适配 ComfyUI、FP8 与 Apple Silicon 等版本。
周一
10月19日 星期一
GaussiAnimate 开源：用双层骨架搞定动物与衣物 3D 动画
GaussiAnimate 开源了角色动画制作代码。它将内部运动骨骼与灵活的外部表面结构结合，内部管运动、外部管形变，解决了传统刚性骨架难以处理衣物和动物软体弯曲的问题。最值得关注的是，复杂形变动画制作被大幅简化，支持在本地电脑部署运行。
蚂蚁集团开源 Ming 3.0 TTS：用自然语言调音，支持多人播客与商用
蚂蚁集团开源文本转语音模型 Ming 3.0 TTS，支持自然语言调音、声音克隆与多人播客生成。模型提供约 3GB 和 18GB 两个版本，小版本可在消费级显卡本地运行，发音准确率居开放模型前列；全部采用 MIT 协议，允许商用。
HairDeck 开源：单张图片生成带骨骼 3D 发型，转头就能自然摆动
HairDeck 开源了单图生成风格化 3D 发型的模型，输入一张角色图就能生成完整的 3D 发片，并自带驱动动画的弹簧骨骼链。生成发片仅需 1 秒左右，比同类方法快 33 倍且朝向更准，支持直接导出 VRM 格式。模型大小仅 2.45GB，普通消费级显卡就能跑。
周日
10月18日 星期日
cn-math-taxonomy 开源：把九年数学拆成 531 个知识点，帮 AI 查漏补缺
知识图谱项目 cn-math-taxonomy 开源。该项目对齐 2022 版课标与人教版教材，把一至九年级数学梳理为 531 个知识点、909 条依赖关系和 2271 道诊断题。AI 工具可据此跨年级追溯知识漏洞并规划补习路径。采用 CC BY-NC 4.0，商用需授权。
周六
10月17日 星期六
Auto Swarm 开源：统筹调度 Codex 与 Claude Code，让多智能体并行协作
开源多智能体编排框架 Auto Swarm 发布。它能在 Codex、Claude Code 等现有工具之上搭建一层协调系统，让多个智能体共享统一上下文并并行执行任务。最值得关注的是，用户只需输入一次需求，就能让不同 AI 分工打配合，免去在各工具间来回搬运信息的麻烦。
CleanYourTV 开源：用 AI 助手给电视去广告，换上苹果风桌面
开发者开源 CleanYourTV 项目，借助 Claude Code 等 AI 编程助手，只要电脑和电视在同一 Wi-Fi 下开启 ADB 调试，15 分钟内就能免 Root 屏蔽预装应用与开机广告。最关键的是，它还会换上 1.6MB 的类 Apple TV 纯黑极简启动器，且支持一键无损还原。
周五
10月16日 星期五
Perplexity 开源两款决策模型：百万 token 仅 1 美分，推理快 5 倍
Perplexity 开源多模态决策模型 pplx-decider-flash-v1.2（4B）与 pplx-decider-v1.2（27B），每百万 token 定价分别仅 1 美分和 2 美分。新模型单次请求可跑通所有问题，推理提速最高达 5 倍，且已在 Hugging Face 开源权重并上线 API。
OpenMOSS 开源 MOSS-Image：50 亿参数文生图，支持精准布局与文字渲染
OpenMOSS 开源 50 亿参数文生图模型 MOSS-Image，提供 Base 与 SFT 两个版本。它支持绘制边界框控制画面构图与文字渲染，Transformer 部分仅约 10GB，可在消费级显卡运行。不过目前仅支持纯文本生成，暂无法用自然语言编辑图片。
腾讯开源 Hy-Memory 2.0：让不同 AI Agent 共享记忆
腾讯开源 Hy-Memory 2.0，包含框架、专用记忆模型及配套应用 MemHub。它针对聊天、工作任务与代码演进设计了三类记忆，打通不同 AI 工具的历史记录。最值得关注的是，换用新 Agent 时不必再从头解释背景与经验。
DeepSeek 开源自研推理框架 DeepInfer：支持华为芯片，无需英伟达即可部署
DeepSeek 开源高性能推理框架 DeepInfer，用于驱动 DeepSeek-V4.1-Flash 模型。除了英伟达 SM100，它还原生适配华为昇腾 950 NPU，让企业无需英伟达硬件即可离线部署。不过完整在线服务仍需自行配置 KV cache 等周边组件。
周四
10月15日 星期四
开源项目 Earshot：给 AI 编程助手装上耳朵，能听懂画面自己改音效
开发者开源 Earshot 项目，为 Claude Code 等编程智能体装上「耳朵」。它能理解音频内容、检查音效与画面是否同步，并直接用代码微调优化声音。这意味着 AI 自动生成游戏或产品视频时，不再需要人工反复试听调整。
NVIDIA 发布 Nemotron 3.5：120B 多模态吞吐快 5 倍，端侧模型进 RTX
NVIDIA 发布 Nemotron 3.5 系列开源模型。120B 参数的 Super VL 专为智能体打造，多模态吞吐量达同类 5 倍；同时推出的 Bolt 74B-A9B 原生 2-bit 量化，可在 24GB 显存设备上本地运行。这意味着企业和个人能把复杂智能体工作流搬到本地部署。
Black Forest Labs 发布 FLUX 3 Klein：5.6B 参数跑进 8GB 显存
Black Forest Labs 开源 5.6B 参数的图像生成模型 FLUX 3 Image Klein。它支持原生 4K 输出、精准区域编辑和多图参考，INT8 版本在 8GB 显存显卡上就能直接运行，让本地与端侧部署的门槛大幅降低。
Meta 发布 Muse Spark Open：816B 开源大模型，两台 Mac 就能跑
Meta 发布开源多模态模型 Muse Spark Open，拥有 816B 总参数与 42B 激活参数，支持 1M 上下文。最值得关注的是，借助 MLX 框架，该模型可在两台 M5 Ultra Mac Studio 上完全离线运行，主打复杂编程与多步骤智能体任务。
周三
10月14日 星期三
开源视频框架 Any Time, Any Space：靠 3D 记忆让长视频场景不穿帮
开源框架 Any Time, Any Space 亮相，专门解决长视频生成中的场景漂移问题。系统先对场景进行 3D 重建并存入记忆，即便镜头离开后再折返，环境依然保持完全一致。它可搭配阿里 Wan 等多种视频模型，已开放本地运行代码。
InfiniSplat v2 开源：多张照片一键重建 3D 场景，消费级显卡可跑
开源 3D 重建模型 InfiniSplat v2 发布，能将多角度照片或上千帧驾驶视频直接转成可自由探索的 3D 场景。模型将几何结构与视觉表现预测解耦，并能自动抑制不一致的噪点。整个模型仅约 6.6GB 且已开放代码和权重，普通消费级 GPU 即可在本地部署运行。
周二
10月13日 星期二
Fish Audio 开源 Drama 3：单段支持 16 人分饰与局部音频修改
Fish Audio 开源新一代语音大模型 Drama 3。该模型采用 35B 参数的 MoE 文本骨干，单段文本最多可容纳 16 个不同角色，并支持通过标签控制叹气等情绪。改词时无需整段重录，可直接顺着上下文局部替换。
周一
10月12日 星期一
开源多人世界模型 Multix：让 10 名玩家在同一个 AI 世界互动
腾讯与港大团队开源多人交互世界模型 Multix。它能为每位玩家生成独立视角并保持环境同步，靠「分层通信」降低超 86% 计算成本，且仅用 4 人数据训练就能直接扩展到 10 人联机。基础版约 16GB，代码与权重已放开。
工程师用 AI 复刻 Office 全家桶：文档、表格与 PPT 全开源
工程师 Brandon Thomas 借助 Anthropic 的 Opus 5.5 模型，逆向复刻了 Microsoft Office 套件，推出开源应用 WordCraft、GridCraft 和 DeckCraft，支持 macOS、Windows 和 Linux。基础软件完全免费，但套件内的生成式 AI 功能需订阅付费。
Skywork 开源 Matrix Game 4.0：单卡 83 帧实时渲染可玩 3D 游戏
Skywork 开源 3D 游戏世界模型 Matrix Game 4.0。它让传统引擎处理物理与规则，再由 AI 实时细化画面，单张消费级 GPU 下最高可跑出 83 帧，并内置智能体用自然语言修改玩法。这解决了以往 AI 游戏画面容易漂移变形的问题，代码与权重均已开放。
d2r-mobile：把 Switch 版《暗黑破坏神 II》搬上手机，原生 60 帧运行
开源项目 d2r-mobile 推出跨平台兼容层，允许在 iPhone、iPad、Mac 和安卓设备上原生运行自备的 Switch 版《暗黑破坏神 II：狱火重生》。它并非模拟器，而是直接执行原生指令，支持完整触控重构与 60 帧稳定运行，采用 MIT 协议开源。
NVIDIA 开源 Stream Render H3：用视频模型把游戏粗模实时变成大片
NVIDIA 发布并开源 Stream Render H3，利用 MiniMax H3 视频模型将游戏引擎输出的简单语义图实时渲染成高画质画面。玩家可通过参考图一键切换风格；不过实现实时需 8 块 GP200 GPU，整套模型体积超 200GB。
周日
10月11日 星期日
UniForge 3D 开源：几张多角度照片，就能脑补出完整 3D 模型
3D 重建与生成框架 UniForge 3D 开源。它只需物体不同角度的几张稀疏照片，就能生成包含背面等盲区的完整 3D 资产；系统一边精准重建可见细节，一边靠生成模型脑补缺失结构。目前相关代码和模型已开放本地运行。
周六
10月10日 星期六
Pure：普通视频无需 3D 标注，就能直接重建动态三维环境
3D 重建项目 Pure 正式开源。它无需昂贵的人工 3D 标注，仅靠普通视频提取深度与运动信息做后训练，就能将动态连续画面重建为三维场景。模型体积仅 13.2GB，并附带了完整训练脚本，本地即可下载运行。