AnchorWeave 開源：靠區域性幾何記憶，用單張圖生成可行走 3D 影片
可互動世界影片框架 AnchorWeave 開源。它僅憑一張起始圖片即可擴展出支援按鍵行走的 3D 世界，通過區域性幾何記憶與多錨點編織控制器，解決了轉頭再看場景就被重新繪製的不一致難題。初版基於 CogVideoX 構建，單次生成 81 幀，程式碼已在 GitHub 開源。
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
dots.ocr-1.5 開源：3B 多模態模型，能把圖表直接轉成 SVG 程式碼
rednote-hilab 在 Hugging Face 釋出多模態 OCR 模型 dots.ocr-1.5，引數量僅 3B。它支援幾乎所有人類文字系統的文件解析，最亮眼的是能把圖表與圖示直接轉換成可編輯的 SVG 程式碼，讓複雜的結構化圖文提取變得輕便實用。
位元組開源生圖模型 BitDance：並行預測 Token，生成提速超 30 倍
字節跳動開源自迴歸影像生成模型 BitDance。該模型採用二值視覺 Token 與並行擴散解碼，在生成 1024x1024 影像時比傳統自迴歸模型提速超 30 倍。最值得關注的是，它大幅緩解了自迴歸生圖速度慢的痛點，兼顧了生成質量與推理效率。目前程式碼與權重已開源。
港大推出 ClawWork：讓 AI 自負盈虧打工賺錢，花完 API 費就破產
港大數據智慧實驗室釋出 ClawWork。AI 初始只有 10 美元，呼叫 API 扣除 token 費，必須靠完成 44 個行業的真實任務賺錢，入不敷出便會破產。這種經濟壓力測試跳出傳統跑分，直接用自負盈虧評估 AI 真實工作的價效比。
阿里巴巴釋出 Mobile-Agent-v3.5：打通手機桌面與瀏覽器，20 多個基準拿第一
阿里巴巴釋出跨平臺 GUI 智慧體 Mobile-Agent-v3.5，核心由基於 Qwen3-VL 的 GUI-Owl-1.5 系列驅動，引數覆蓋 2B 到 235B。它將手機、電腦與瀏覽器的感知、規劃和行動統一，並在 20 多個基準上拿到 SOTA。模型權重已開源，並在百鍊和魔搭提供體驗。
字節跳動開源 OpenViking：用檔案系統管理 Agent 記憶與上下文
字節跳動開源 AI Agent 上下文管理系統 OpenViking。它不再把上下文切碎成扁平向量，而是以檔案系統目錄來統一管理 Agent 的記憶、資源和技能。通過 L0 到 L2 的分層按需載入，既降低了 Token 消耗，也讓檢索軌跡全程視覺化。
NVIDIA 釋出指南：教你在 RTX 顯示卡與 DGX Spark 上免費跑 OpenClaw
NVIDIA 釋出指南，詳解如何在 GeForce RTX 顯示卡和 DGX Spark 上本地部署 AI 智慧體 OpenClaw。藉助 Ollama 或 LM Studio 驅動本地模型，不僅能免去常駐智慧體高昂的雲端 API 賬單，還能確保個人檔案與資料完全留在本地。不過 NVIDIA 也提醒，本地智慧體接管系統許可權時務必注意安全防護。
Moonshine 開放語音模型：2 億引數端側即時跑，字誤率超越 Whisper
Moonshine AI 釋出開放權重的 Moonshine Voice 語音轉文字模型，支援在 iOS、Android 和樹莓派等裝置端即時執行。其 2 億引數流式模型引數量比 Whisper Large v3 小 7.5 倍，字誤率卻更低，還內建了語音活動檢測和意圖識別功能。
Monarch RT 開源：單張 RTX 5090 跑出 16 FPS 即時影片生成
加速架構 Monarch RT 正式亮相，能在單張消費級 RTX 5090 顯示卡上以每秒 16 幀即時生成影片。其注意力機制比 FlashAttention 快近 4 倍，且畫質保留了密集註意力的約 95%。這意味著開發者無需依賴雲端算力叢集，完整程式碼已在 GitHub 開源。
阿里開源 DeepGen 1.0：5B 輕量模型兼顧影像生成與編輯，還能解迷宮
阿里巴巴開源影像生成與編輯模型 DeepGen 1.0。它採用 5B 引數架構，不僅能渲染文字與多風格生圖，還支援換視角、預測畫面甚至解迷宮等推理任務。最值得關注的是，其編輯能力在評測中叫板更大體量的模型，不過完整權重達 72GB，本地部署門檻較高。
LobsterAI：網易有道開源桌面 Agent，接管 Office 並支援微信遠端派活
網易有道開源桌面級 Agent 軟體 LobsterAI。它採用 MIT 協議，能直接在本地編輯 Office 文件、操控內建瀏覽器，並支援通過微信或飛書等聊天軟體從手機遠端指派任務。最值得關注的是它開箱即用且支援本地沙箱審批，敏感操作需確認後才執行。
MOSS-TTS 開源：幾秒克隆聲音，支援多角色對話
OpenMOSS 開源多語言語音模型家族 MOSS-TTS，支援憑几秒音訊快速克隆聲音。該系列涵蓋聲音克隆、多角色對話、聲音設計與低延遲即時流式語音，提供 8B 與 1.7B 等輕量版本，已在 GitHub 提供部署程式碼。
SoulX-Singer：幾秒人聲克隆唱歌，不到 3GB 連 CPU 都能跑
Soul-AILab 開源零樣本歌唱合成模型 SoulX-Singer。它只需幾秒說話音訊就能克隆目標人聲，既能直接把參考歌聲轉成指定音色，也支援用自己哼唱的旋律或 MIDI 控調。模型體積不足 3GB，低端 GPU 甚至 CPU 都能本地跑起來。
位元組開源 Protenix-v1：效能超越 AlphaFold 3 的全開源生物分子模型
字節跳動開源生物分子結構預測模型 Protenix-v1，支援蛋白質、核酸及配體等多種分子的通用結構預測。在同等訓練資料截止期和模型規模下，其基準效能優於 AlphaFold 3。專案基於 Apache 2.0 協議完整開放了模型權重、訓練資料管道和 MSA 工具。
上海 AI 實驗室開源 Intern-S1-Pro：萬億引數 MoE 科學大模型，啟用僅 22B
上海人工智慧實驗室開源萬億引數科學多模態模型 Intern-S1-Pro。該模型基於 MoE 架構，總引數 1T 但單次僅啟用 22B，專門針對化學、材料、生命科學等領域最佳化，數理推理達奧賽水平。模型支援免費商用，大幅降低了 AI 輔助前沿科研的門檻。
Just Dub It：把影片配音成外語，口型也能自動對上
開源配音工具 Just Dub It 釋出。它基於 LTX-2 打造了輕量 LoRA 介面卡，能把影片翻譯成法語、德語等外語並同步生成匹配的唇部動作，同時保留原人臉特徵。程式碼、模型權重與訓練集已全部開源，支援消費級顯示卡部署。
UniAudio 2.0 開源：把語音合成、音效與音樂塞進同一個模型
統一音訊語言模型 UniAudio 2.0 開源，將語音合成、音效、音樂生成及風格編輯整合進同一個模型。它通過專門的離散編解碼器打通理解與生成，雖部分音樂生成質量仍有瑕疵，但成功用單模型覆蓋了全音訊任務。
PicoClaw：記憶體只要 10MB 的超輕 AI 助手框架
開源專案 PicoClaw 亮相，主打超輕量級個人 AI 助手。它用 Go 語言重寫，核心記憶體佔用低於 10MB、啟動只需 1 秒，比 OpenClaw 節省 99% 記憶體，能跑在 10 美元低成本硬體上，通過 Telegram 等聊天軟體替你全天候辦事。
Mistral 釋出 Voxtral Transcribe 2：4B 即時模型開源，延遲進 200ms
今天，Mistral AI 釋出語音轉文字模型家族 Voxtral Transcribe 2。其中 4B 引數的即時模型 Voxtral Realtime 採用 Apache 2.0 開源權重，支援端側部署且延遲可調至 200ms 以內；批次模型成本僅 0.003 美元每分鐘，覆蓋 13 種語言並支援說話人區分。
See-Through：把二次元插畫拆成 23 個可編輯分層
開源專案 See-Through 能把單張二次元插畫拆解為最多 23 個語義圖層，並自動補全被遮擋區域。它不僅能直接匯出包含髮型、五官和服飾的透明 PSD，還附帶深度資訊，方便後續直接製作 Live2D 動畫或重新布光。