普林斯顿发布开源图像模型 i1：30 亿参数，代码与配方全公开
普林斯顿大学开源了 30 亿参数的图像生成模型 i1，同时公开训练代码、推理代码及完整数据处理管线。它大小约 12GB，能在消费级设备运行。其最大价值不在于刷榜，而是为开发者从零训练图像模型提供了一套彻底透明的公开方案。
开源项目 · 日报
周二
6月9日 星期二
SCAIL-2 开源：支持多角色与动物动作迁移，打斗场景也能稳住
ZAI 开源视频动作迁移模型 SCAIL-2，无需中间骨架即可实现端到端角色动画。它支持多角色大幅度打斗与角色替换，甚至能把动作迁移给火烈鸟或夸张身材的异形生物。不过模型权重总计达 81GB，普通消费级显卡需要等待量化版本。
周六
6月6日 星期六
dots.tts：小红书开源 2B 语音模型，支持零样本声音克隆
小红书开源 2B 参数端到端语音合成系统 dots.tts。它采用全连续自回归架构与 48 kHz AudioVAE，不使用离散 token，在评测中展现出极低的词错误率与高说话人相似度，支持语音克隆与精细编辑。代码和权重按 Apache-2.0 协议开放。
周五
6月5日 星期五
Google 发布 Gemma 4 QAT 模型：手机就能跑，E2B 显存压到 1GB 内
Google 发布 Gemma 4 系列的量化感知训练（QAT）模型权重。通过在训练阶段模拟量化，大幅降低模型压缩带来的质量损耗，并将 Gemma 4 E2B 纯文本模型的内存占用压至 1GB 以内。权重已上线 Hugging Face，支持本地消费级设备直接流畅运行。
周四
6月4日 星期四
Google 开源实时音乐模型 MRT2：延迟 200ms，Mac 本地就能弹
Google 开源实时音乐模型 Magenta RealTime 2。它能在搭载 Apple Silicon 的 Mac 上本地运行，延迟约 200 毫秒，支持通过 MIDI、音频和文本实时弹奏控制。它把生成式音乐做成了可嵌入编曲软件的即兴乐器，不过目前仅支持纯音乐，无法生成人声。
Boson AI 发布 Higgs TTS 3：文本加标签调语气，权重已开源
Boson AI 发布语音合成模型 Higgs TTS 3，并在 Hugging Face 开源模型权重。它支持在文本流中直接插入标签，实时控制情绪、语速、音高和停顿，覆盖 100 多种语言。开发者给语音 Agent 配音时，能像导演调演员一样掌控语气细节。
周三
6月3日 星期三
Miso 开源语音模型 Miso One：8B 参数，延迟仅 110 毫秒
Miso 开源了 80 亿参数的语音生成模型 Miso One。官方称其为全球情绪最丰富的声音模型，具备高度拟真的人类情感表达，且延迟仅 110 毫秒，响应速度比人类对话还快。目前模型权重已公开，官方 API 即将上线。
Google 开源 Gemma 4 12B：无编码器直连音频视觉，16GB 跑上笔记本
Google 开源无编码器多模态模型 Gemma 4 12B。它去掉了独立的视觉和音频编码器，直接将信号输入 LLM 主干，性能逼近 26B MoE 模型，显存占用却少了一半。普通用户仅需 16GB 内存的笔记本，就能在本地跑起多步推理的智能体。
nex-agi 开源推理模型 Nex-N2：专打智能体任务，还能按需动脑
nex-agi 开源智能体推理模型家族 Nex-N2。它基于 Qwen 3.5 后训练，推出 397B 和 35B 两个 MoE 版本，激活参数仅 17B 与 3B。关键在于自适应推理，简单动作快速执行，复杂决策深度思考，打通工具调用与执行闭环。
周一
6月1日 星期一
TripoSplat：单张 2D 图转 3D 高斯模型，代码极简还免装重度依赖
TripoAI 开源了 3D 工具 TripoSplat，单张 2D 图片就能转出最高 26 万个高斯点的 3D 资产。核心代码约 2000 行且免除复杂依赖，支持直接导入 ComfyUI；不过实测生成简单物体表现尚可，人物面部目前仍相当模糊。
JetBrains 开源 Mellum2：12B 混合专家模型，推理速度快 2 倍
JetBrains 发布 12B 参数的开源混合专家模型 Mellum2，采用 Apache 2.0 协议。模型每个 token 仅激活 2.5B 参数，推理速度较同体量开源模型提升超 2 倍，专门针对路由、RAG 和子智能体等低延迟软件工程工作流优化。
周五
5月29日 星期五
开源前端设计工具 Impeccable 3.5：按模型专治「AI 味」，支持代码实时直改
开源前端设计工具 Impeccable 发布 3.5 版本。团队针对 AI 生成 UI 普遍存在的米色背景、极端字间距等缺陷，为不同模型分别编译专属修复规则，并上线浏览器实时编辑的 Live 模式。这意味着开发者能直接在真实代码库中用自然语言或语音改界面，告别千篇一律的 AI 设计。
百度开源音视频模型 NAVA：63 亿参数，画面与声音原生同步
百度 ERNIE 团队开源音视频同步生成模型 NAVA，参数量仅 63 亿。它告别了先渲染画面再后期配音的路线，直接原生联合生成画面与双声道音频，支持参考音频控制音色。8 卡并行约 1 分钟即可生成 1 分钟 720p 音画同步视频。
周四
5月28日 星期四
MAMMA 开源：只需 4 台普通摄像机，搞定多人 3D 动作捕捉
马普所和 CMU 开源无标记动捕系统 MAMMA，仅用 4 台普通摄像机甚至手机拍摄的多视角视频，就能转成高精度 3D 人体模型。它无需穿戴任何物理标记点，能精准追踪跳舞、拥抱等复杂互动，还能做出《黑客帝国》同款子弹时间效果。代码与 Web UI 已在 GitHub 开放。
SANA-Streaming 开源：RTX 5090 上跑满 24 帧，一分钟视频实时修改
NVIDIA 开源视频编辑系统 SANA-Streaming，仅用 20 亿参数即可在播放过程中实时替换视频中的服装、背景与场景风格。借助混合注意力架构与算子优化，它在 RTX 5090 上实现 720p 分辨率下 24 FPS 端到端实时编辑，并保持原动作稳定。代码与权重已公开发布。
周三
5月27日 星期三
微软开源 Lens 3.8B 文生图模型：4 步极速出图，算力消耗不到两成
微软开源 3.8B 文生图模型 Lens 全部权重，包含 Base 与 Turbo 等版本。其蒸馏 Turbo 版仅需 4 步、0.84 秒即可出图，训练算力消耗仅为同类的 19.3%，最高支持 1440x1440 分辨率。独立开发者可借此获得轻量且专业级的图像生成流程。
周二
5月26日 星期二
Marlin 2B 开源：20 亿参数拿下视频事件定位，精准带时间戳
NemoStation 开源视频语言模型 Marlin 2B，基于 Qwen 3.5 2B 微调，遵循 Apache 2.0 协议。它主打回答视频里「发生了什么」与「何时发生」，能生成带时间戳的事件描述并精准定位起止点。其实测表现逼近部分闭源大模型，非常适合本地部署与视频结构化处理。
周一
5月25日 星期一
美团开源 LongCat Avatar 1.5：一张图加音频，8 步生成多人互动数字人
美团开源数字人视频模型 LongCat-Video-Avatar 1.5，只需一张参考图和一段音频，就能生成动作协调的说话视频。模型支持动漫与写实等多种风格，还攻克了多人对话场景，蒸馏后仅需 8 步生成，效率提升约 15 倍。16GB 的 INT8 权重与代码已开放下载。
周五
5月22日 星期五
开源 FPS 世界模型 SCOPE：支持 10 自由度手柄实时操控
研究团队开源了 FPS 交互式世界模型 SCOPE。它基于 Wan2.2 打造，支持移动与开火等 10 自由度控制，能将连续按键操作直接生成为连贯的游戏画面，并支持未知场景的零样本迁移。目前模型权重、代码和数据集均已在 GitHub 开源。
Perplexity 开源 Bumblebee：只读排查本地依赖与 MCP 配置
Perplexity 开源内部安全扫描工具 Bumblebee。它采用纯只读机制，绝不调用包管理器或执行安装脚本，能排查开发者电脑上的风险依赖、代码插件以及 MCP 等 AI 智能体配置。最值得关注的是，它彻底杜绝了扫描过程本身触发恶意攻击的隐患。
ASASR：基于 FLUX 的图像超分工具，4 倍放大且不生幻觉细节
ASASR 是一款开源图像超分辨率工具，基于 FLUX.1-dev 实现 4 倍高清重建，重点解决传统生成式放大中凭空捏造细节与伪影的问题。它采用对齐频域结构的对抗 DPO 优化，提供双 LoRA 推理方案。目前代码与权重已开源，并在 Hugging Face 上线了在线 Demo。
周四
5月21日 星期四
微软发布 MagenticLite：让小模型串起浏览器与本地文件操作
Microsoft 推出专为小模型设计的实验性智能体应用 MagenticLite。它能在单一工作流中联动浏览器与本地文件系统，由 14B 调度模型 MagenticBrain 和专攻网页操作的 Fara1.5 协同驱动。这意味着端侧小模型也能低成本完成复杂代理任务。
字节跳动开源 Bernini：一套架构搞定视频生成与精准编辑
字节跳动开源统一视频框架 Bernini，将多模态语义规划器与 DiT 渲染器结合。它支持文本、图像和视频混合输入，单模型覆盖文生视频与视频编辑等多项任务。最值得关注的是，它先规划语义再生成画面，让 AI 视频编辑更精准可控；完整推理代码与模型权重均已放出。
腾讯开源多语言翻译模型 Hy-MT2：1.8B 量化后仅 440MB
腾讯开源多语言翻译模型 Hy-MT2，提供 1.8B、7B 和 30B-A3B 三种规格，支持 33 种语言。其中 1.8B 版本经 AngelSlim 1.25-bit 极限量化后仅 440MB，极度利好端侧部署。该模型主打可控翻译与指令遵循，支持术语统一并可保留 JSON 等结构化格式，适合出海本地化与字幕翻译。
周二
5月19日 星期二
Mega ASR 开源：专啃嘈杂烂音频，不到 5GB 消费级显卡就能跑
语音识别模型 Mega ASR 正式发布，专攻真实环境下的抗噪转录。它通过 260 万个样本覆盖混响、削波与遮挡等问题，在恶劣声学条件下比主流模型提升近 30%。整体不到 5GB 并开放微调脚本，大多数消费级显卡就能在本地运行。
