NVIDIA 開源 Nemotron 3.5 Transcribe：能認 8 人說話，可用提示詞控制
NVIDIA 釋出開源語音大模型 Nemotron 3.5 Transcribe。它把轉錄、區分說話人、翻譯和語音問答裝進同一個模型，支援 40 種語言轉錄與 1 小時長音訊，最多區分 8 位發言者。模型採用 MoE 架構，300 億總引數每次僅啟用約 40 億，在多項開源基準上登頂。
開源專案
Llama、通義千問、DeepSeek 等開源大模型的新版本，以及值得一用的開源資料集、框架和開發工具。
檢視更新的新聞
Sperid Labs 開源 Idol：單圖生成百萬級 3D 高斯模型
Sperid Labs 開源單圖轉 3D 高斯模型 Idol。它能自動扣除背景並補全遮擋的背面，直接輸出包含百萬級高斯點的 3DGS 檔案。最值得關注的是，模型視訊記憶體峰值僅需 7.2 GB，普通消費級顯示卡幾秒到十幾秒即可跑通。
輝達釋出 Open H3 Regenerate 2K：3 步將 AI 影片重繪至 2K，最高支援 4K
輝達推出開源影片增強工具 Open H3 Regenerate 2K，可將 MiniMax H3 等模型生成的低解析度影片重繪至 2K，最高支援 4K 輸出。它僅需 3 步擴散即可補足畫面細節，支援最長 15 秒片段，相關程式碼與模型已全盤開源。不過重繪過程可能會輕微改變人臉等區域性細節。
NVIDIA 開源 MotionBricks：給幾個關鍵姿勢，即時補全連貫動作
NVIDIA 開源動作生成模型 MotionBricks。它只需輸入前後的目標姿勢，就能即時計算並補全中間平滑的運動過渡，還能把翻越、坐下等複雜動作像積木一樣拼接。倉庫包含人體與宇樹 G1 機器人兩套預訓練權重和演示工具，程式碼採用 Apache 2.0 開源。
Bygga：把宜家說明書變成可互動的 3D 動畫，還能動嘴翻頁
開源專案 Bygga 上線，輸入宜家貨號即可將紙質說明書轉換成可旋轉、可朗讀的 3D 線稿步驟。它內建 1171 款產品且離線可用，支援拼裝時動嘴喊「下一步」免翻頁，還可用 Together AI 掃描補充說明書。程式碼以 MIT 協議開源。
Hi3D 開源第一代 3D 模型：僅 7.74GB，單張圖片生成高精度資產
Hi3D 正式開源第一代 3D 生成模型 V1.0，程式碼與權重已公開且支援商用。該模型基於約 200 萬個 3D 資產訓練，幾何提取解析度達 1536³，整套檔案僅 7.74GB，普通消費級顯示卡即可裝下。最先進的第三代目前仍保持閉源。
百度開源 Unlimited OCR 2：支援整本書一次解析，消費級顯示卡就能跑
百度開源超長文件解析模型 Unlimited OCR 2。模型僅 3B 引數（約 6.9GB），引入 SR-SWA 機制避免視訊記憶體隨頁數累加，可一次性解析數千頁文件並自動合併跨頁表格和段落。這意味著厚重卷宗不用再逐頁拆解，普通顯示卡就能搞定完整還原。
AmirMushich 開源新方案：免 3D 建模，用 AI 影片做可互動商品頁
設計師 AmirMushich 開源了一套網頁方案，不用 3D 建模就能做出可旋轉互動商品頁。它用 LTX-2.5 Pro 把衣服參考圖生成旋轉影片，拆成約 30 幀後由 JS 控制播放。執行時無需呼叫模型或 3D 引擎，大幅降低電商展示門檻。
騰訊混元開源 Hy-SimulMT：3 秒延遲中英同傳，還能即時克隆人聲
騰訊混元開源中英雙向即時同聲傳譯模型 Hy-SimulMT。它能在發言時同步輸出翻譯文本與語音，流式延遲約 3 秒，並支援保留髮言者音色的即時聲音克隆。官方已開放推理與微調程式碼，評測顯示其表現接近專業同傳。
MotionSites 開源 Claude 技能：一句話生成電影級動效落地頁
MotionSites 開源了一套 Claude Skill，讓 AI 擺脫千篇一律的佈局，直接做出電影感落地頁。它內建 40 組精選範例與公開影片素材庫，並自帶截圖自檢修復閉環。不僅能直接編寫可用程式碼，還可以為 Lovable、v0 等工具輸出專屬提示詞。
Bria 開源 Fibo 2.0 Edit Turbo：8B 影像編輯模型，4 步即可精準改圖
Bria AI 開源 80 億引數影像編輯模型 Fibo 2.0 Edit Turbo，採用非商業許可。該模型將推理蒸餾至 4 步且無需引導，支援蒙版與多參考圖，能在保持其餘畫面畫素級穩定的同時精準修改區域性屬性。
書童 Pagekin：開源小說智慧體，按需組裝上下文不崩人設
開源 AI 小說寫作工具「書童 Pagekin」推出一套完整創作流程，專門解決長篇創作中人設混亂和前後矛盾的問題。它把設定和章節藍圖結構化，按需調取上下文，支援區域性改對話與逐條審稿合併。軟體開源免費，底層大模型需作者自行配置接入。
商湯開源 SenseNova 6.8 Code-to-Video：靠寫程式碼生成影片，單個元素隨意改
商湯開源 SenseNova 6.8 Code-to-Video。與傳統黑盒影片模型不同，它靠生成可執行程式碼來逐幀渲染動畫，可精細修改單個元素且不影響整體。該模型基於 Qwen3.8 27B 構建，完整體積約 55GB，需高階 GPU 執行。
清華開源音影片提取模型 Falcon：看嘴型抽離人聲，直連騰訊會議
清華團隊開源目標說話人提取模型 Falcon。它將攝像頭畫面與麥克風聲音對應，靠追蹤嘴部在嘈雜環境中即時提取指定人物語音，可訓練引數僅 50 萬。配套的 Falcon Studio 支援在筆記本本地執行，並能通過虛擬音訊裝置直連騰訊會議或 Zoom。
Gradium 推出端側 TTS 模型 phonon-31m-en：64.5 MB，瀏覽器本地就能跑
Gradium 團隊開源了輕量級英文語音合成模型 phonon-31m-en。基於 Pocket TTS 與 Mimi 編解碼技術，8 位量化權重僅 64.5 MB，支援邊生成邊播放的流式輸出，普通筆記本 CPU、手機乃至瀏覽器標籤頁內無需聯網即可執行，且遵循 Apache 2.0 協議開源並支援商用。
ISTA-DASLab 開源 DeepSeek-V4.1 量化版：12GB 視訊記憶體跑 763B 大模型
ISTA-DASLab 開源 DeepSeek-V4.1-Flash-1017 的 GSQ-RCO 量化 GGUF 模型。團隊結合非均勻量化演算法將 763B MoE 模型最低壓縮至 1.75 bpw，搭配 Strata 引擎可在 12GB 顯示卡執行。最值得關注的是 2.00 bpw 版本效能完全追平原模型，大幅拉低超大模型本地部署門檻。
騰訊開源 WeVisOne-VL：單個輕量模型搞定檢測、計數與摳圖
騰訊微信視覺團隊開源視覺語言模型 WeVisOne-VL，推出 2B 與 4B 兩個輕量版本。它無需 SAM 等重型模型輔助，僅靠 9.6M 引數的解碼器就能統一目標檢測、OCR、計數與髮絲級透明通道摳圖，目標不存在時還會主動拒識。程式碼與權重已按 Apache 2.0 協議開放，支援本地執行。
Bria 開源 FIBO 2 影像編輯模型：登頂評測榜，支援 4 圖融合編輯
Bria 開源影像生成與編輯模型 FIBO 2。它支援最多 4 張參考圖的混合自然語言編輯，在 Artificial Analysis 影像編輯榜單上登頂，效果緊咬 Qwen Image 2.1。INT8 版為 8.4GB，不過權重僅限非商業用途且需申請訪問。
Anthropic 捐出 Agent Skills：獲 70 多家平臺支援，轉交 Linux 基金會中立維護
Anthropic 宣佈將 Agent Skills 開放標準捐贈給 Linux 基金會旗下的 Agentic AI Foundation（AAIF）。該標準起源於 Claude Code，已被 ChatGPT、Cursor 等 70 多個平臺整合，技能安裝量近 2.8 億次。來自 Anthropic、Google 和 OpenAI 的工程師將共同維護，推動智慧體生態走向跨平臺統一。
ornith-ai 開源 Ornith-1.5-122B：單卡可跑，效能叫板 Qwen3.8-Flash-Next
ornith-ai 在 Hugging Face 上線 MoE 推理模型 Ornith-1.5-122B。該模型採用端到端自改進迴圈訓練，總引數 122B 僅需單張 80GB GPU 即可部署。最值得關注的是，其在 SWE-bench 和 HLE 等程式設計推理測試中大多優於 Qwen3.8-Flash-Next，並提供端側量化版本。