位元組開源統一模型 Lance：影像與影片的理解、生成、編輯全打通
字節跳動開源統一多模態模型 Lance，啟用引數 30 億，同時支援影像與影片的理解、生成及編輯。最關鍵的是，它不僅能看懂畫面，還能通過多輪對話連續修改影片。不過本地執行門檻較高，至少需要一塊 40GB 視訊記憶體的 GPU。
開源專案 · 日報
週一
5月18日 星期一
騰訊開源翻譯模型 HYMT2：最小 1.8B 可跑在手機上，專精複雜格式
騰訊開源多語言翻譯模型系列 HYMT2，覆蓋 18 億到 300 億引數，支援 33 種語言。該模型專門優化了指令遵循能力，能在翻譯時嚴格保留佔位符、JSON 及排版格式，最小的 1.8B 版本甚至能在手機端執行。
HRM-Text：花 1000 美元就能從零預訓練 1B 推理模型
Sapient Intelligence 開源 HRM-Text 預訓練框架，主打用約 1000 美元算力從零訓練 1B 引數推理模型。它基於分層迴圈架構，號稱算力減少 130 至 600 倍、資料需求降至千分之一，在 GSM8k 達到 84.7%。目前全套程式碼已在 GitHub 按 Apache 2.0 開源。
週四
5月14日 星期四
開發者開源 Claude Code 3D 工具包：單圖生成完整場景與物理
開發者 Neilson 開源了一套適配 Anthropic Claude Code 的 3D 生成工具包。該工具僅需輸入單張圖片，即可自動生成包含網格、物理模擬、光照和音訊元件的完整 3D 環境，讓開發者在 Claude Code 中無需手動建模也能快速搭建 3D 場景。
Articraft 開源：讓 AI 寫程式碼生成能動的 3D 資產，帶關節還自帶測試
研究團隊開源帶關節 3D 資產生成系統 Articraft 及超 1 萬個資產的資料集。它把 3D 建模轉化成程式設計問題，由 AI 智慧體寫程式碼定義部件與鉸鏈關節，並自動執行測試。生成結果能真正活動，大幅降低了機器人模擬和 VR 資產的製作門檻。
輝達釋出世界模型 SANA-WM：單張 5090 可 34 秒生成 1 分鐘影片
輝達釋出互動式世界模型 SANA-WM，僅 26 億引數即可將單張影像轉化為可鍵盤漫遊的 720p 影片。其蒸餾版本在單張 RTX 5090 上僅需 34 秒即可生成 1 分鐘片段。官方表示權重即將開源。
ReactiveGWM 開源：給遊戲世界模型加上 NPC，提示詞也能控對手
研究團隊開源遊戲世界模型 ReactiveGWM。它將玩家按鍵操作與 NPC 策略解耦，允許玩家一邊按鍵出招，一邊用提示詞指揮對手進攻或防守。模型基於 Wan 2.2 構建且相對輕量，可在本地中高階顯示卡上執行。
LTX-Video 迎來皮克斯風格 LoRA：一鍵把影片變成 3D 動畫電影
開發者在 Hugging Face 上線適配 LTX-Video 的皮克斯風格 LoRA。該模型未採用影視原作版權素材，能賦予畫面大眼睛與電影級光影等 3D 動畫質感。模型支援觸發詞「P1x4r」，可在 Diffusers 或 Draw Things 中直接載入執行。
週三
5月13日 星期三
面壁智慧開源 MiniCPM-V 4.6：1.3B 端側模型，6GB 記憶體流暢跑
面壁智慧聯合清華大學及 OpenBMB 正式開源端側多模態模型 MiniCPM-V 4.6。模型僅 1.3B 引數，約 6GB 記憶體即可在端側裝置流暢執行，效能超越同級 Qwen3.5-0.8B，計算 Token 消耗僅為其十九分之一。這大幅降低了端側多模態部署門檻，一張消費級顯示卡即可完成微調。
週二
5月12日 星期二
開源影像模型 L2P 釋出：砍掉 VAE 與潛空間，直接生成畫素級畫質
開源影像生成模型 L2P 釋出。該模型徹底移除了傳統擴散模型中的 VAE 和潛空間，直接在畫素空間生成影像，最高可支援 4K 解析度。最值得關注的是，它避免了潛空間轉換造成的畫質損失；目前已開原始碼與 20GB 大小的 1K 解析度模型權重。
SenseNova 開源 U1.5-8B：不用 VAE 解碼，直接在畫素空間出 4K 圖
SenseNova 開源統一多模態模型 SenseNova-U1.5-8B-MoT，採用 Apache 2.0 協議。它跳過了傳統的潛空間與 VAE 編解碼步驟，直接在畫素空間端到端生成原生 4K 影像，並支援通過自然語言修改文字與區域性元素。不過模型權重約 50GB，本地部署對顯示卡要求較高。
週一
5月11日 星期一
Vivago AI 開源 HiDream-O1 Image：幹掉 VAE，搞定 2K 文字與海報排版
Vivago AI 開源影像生成模型 HiDream-O1 Image，直接在畫素空間端到端處理，去掉了傳統的 VAE 架構。它最高支援 2048×2048 解析度，不僅能做語義級編輯，還攻克了開源模型最頭疼的文字渲染和複雜海報排版。模型提供完整版和輕量 dev 版，但 32GB 的體積對本地視訊記憶體提出了較高要求。
開源 2B 文本轉語音模型：幾秒音訊克隆聲音，5GB 視訊記憶體可跑且可商用
一款 20 億引數的開源文本轉語音模型釋出，只需幾秒音訊即可實現零樣本聲音克隆，連耳語和結巴等細節也能還原。該模型支援跨語言合成，基礎大小僅約 5GB，能在消費級顯示卡上執行，並採用 Apache 2 許可證完全開放商用。
Scenema Audio 開源：從 LTX 2.3 提取的語音模型，用舞臺提示詞演情緒
ScenemaAI 開源情感語音模型 Scenema Audio。它從 LTX 2.3 中提取出音訊擴散架構，允許用舞臺動作標籤即時控制情緒起伏與環境音效，還支援零樣本聲音克隆。模型最低僅需 16GB 視訊記憶體即可本地執行，支援 13 種語言。
週四
5月7日 星期四
開源動漫模型 Zanime 釋出：60 億引數全量微調，4 步極速出圖
開源動漫影像模型 Zanime 正式釋出，由開發者基於阿里 Z-Image Base 架構全量微調而成。模型擁有 60 億引數，不僅提供 6GB 大小的 FP8 版本，還推出 4 步極速蒸餾版，8GB 視訊記憶體也能輕鬆跑。它改用自然語言提示詞替代傳統 tag 列表，支援任意比例生圖。
Anthropic 捐贈對齊測試工具 Petri：交由獨立機構，釋出 3.0 版本
Anthropic 宣佈將開源 AI 對齊測試工具箱 Petri 移交給評估非營利機構 Meridian Labs，並更新至 Petri 3.0。新版本拆分了審計與目標模型，引入「Dish」外掛模擬真實部署環境，並整合深度評估工具 Bloom。此舉旨在確保對齊測試的獨立與中立。
週二
5月5日 星期二
Google 為 Gemma 4 推出 MTP 草稿模型：推理最高提速 3 倍
Google 為 Gemma 4 系列模型推出多 Token 預測（MTP）草稿模型。該方案採用推測解碼技術，由輕量草稿模型先行預測多個 Token，再由大模型並行驗證，在保證質量零損耗的同時實現最高 3 倍推理加速。草稿模型已按 Apache 2.0 開源，支援 vLLM 與 Ollama。
book-to-skill：把技術書變成 Agent 技能，按需載入省下超 90% token
開源工具 book-to-skill 能將技術書或文件編譯為符合 Agent Skills 標準的結構化檔案。它一次性提取章節架構，後續按需呼叫對應章節，單次查詢僅約 5K token，比整書塞入上下文省下 24 到 51 倍消耗。支援 Claude Code、Copilot CLI 等多端使用。
OpenAI 聯合輝達等開源 MRC 協議：微秒級繞開故障，讓超算訓練不掉線
OpenAI 聯合 AMD、Broadcom、Intel、微軟與 NVIDIA 通過 OCP 開源了 MRC 網路協議。它能將資料切片分散到數百條網路路徑，並在微秒內繞開硬體故障。該協議已部署在 GB200 超算叢集中，成功保障了多個前沿模型的平穩訓練。
OpenClaw 為近期版本故障致歉：計劃精簡核心並在 5 月底推 LTS
OpenClaw 官方就 2026.4.29 版本出現的閘道器變慢、外掛依賴修復死迴圈及多渠道卡頓致歉。問題源於將核心模組拆分至 ClawHub 過程中的過渡混亂。團隊宣佈將精簡核心並明確外掛邊界，計劃 5 月底推出 LTS 版本，同時在 OpenAI 協助下擴充維護團隊。
週日
5月3日 星期日
Sprite-Pipeline：將 AI 影片轉成遊戲可用的 2D 精靈圖動畫
開源工具 Sprite-Pipeline 能將 AI 影片轉為遊戲可用的 2D 精靈圖。它通過 FFmpeg 抽幀、摳圖去背景，並拼成 256×256 的透明橫向序列幀，可直接匯入 Unity 或 Godot。專案還附帶瀏覽器預覽器與 AI 提示詞規範，幫獨立開發者低成本落地角色動畫。
週六
5月2日 星期六
Open Slide：讓 Coding Agent 直接寫 React 幻燈片
專為 AI Agent 設計的 React 幻燈片開源框架 open-slide 上線。它讓 Claude Code 或 Cursor 直接把需求寫成 1080p React 元件，支援畫布視覺化微調與批註修改，可匯出 PDF 與 PPTX。以 MIT 協議開源。
週四
4月30日 星期四
Mocap Anything v2 開源：普通單目影片直接生成可動畫 3D 骨骼
動作捕捉模型 Mocap Anything v2 正式開源。它支援從普通單目影片中直接預測任意骨骼結構的旋轉與動作，人類、動物或虛構生物都能套用。模型採用完全端到端訓練，解決了傳統演算法導致的關節翻轉與抖動，大幅降低了 3D 動畫製作門檻。
週三
4月29日 星期三
商湯開源 SenseNova U1：端到端連貫輸出圖文與複雜資訊圖
商湯科技開源統一多模態模型 SenseNova U1。它採用自研架構完全拿掉視覺編碼器，端到端打通畫素與文本，能同時處理視覺推理、高難度資訊圖排版與圖文連續創作。不過在寫實肖像生成上，人物皮膚仍稍顯塑膠感。
週二
4月28日 星期二
AI 終端 Warp 宣佈開源：開放全部程式碼庫並公佈產品路線圖
AI 終端應用 Warp 宣佈正式開源其程式碼庫，並同步公開產品路線圖。作為此前長期保持閉源的開發者工具，這次轉向讓外部開發者可以直接審查底層程式碼、提交貢獻並基於平臺構建。公開路線圖也讓後續功能規劃更加透明。
SymphonyGen 開源：用和聲骨架生成完整電影管絃樂
開源框架 SymphonyGen 釋出管絃樂生成模型與程式碼。它採用 3D 分層架構，先構建節拍量化的多聲部「和聲骨架」，再擴充套件成完整的多樂器管絃編配，並用 GRPO 強化學習抑制不和諧音。使用者可直接輸入自定義 MIDI 和聲骨架讓模型編曲。
Poolside 釋出程式設計模型 Laguna：XS.2 開源且僅需單卡，同步推出終端智慧體
AI 初創公司 Poolside 正式釋出兩款專為智慧體程式設計設計的基座模型 Laguna M.1 與 Laguna XS.2。其中 XS.2 為 33B 架構（啟用 3B），採用 Apache 2.0 協議開源且單 GPU 即可執行。團隊還同步開放終端程式設計智慧體 pool 和雲沙箱 Shimmer 預覽版，兩款模型限時免費可用。
週一
4月27日 星期一
OmniShotCut：精準識別影片剪下與轉場，模型僅 164MB
OmniShotCut 是一款專用於影片剪輯分析的輕量 AI 工具，能自動識別影片中的硬切、溶解、淡入淡出及滑動等轉場並標記時間戳。模型體積僅 164MB，支援本地部署執行，目前已在 Hugging Face Space 上線免費試用體驗。
OpenAI 開源 Symphony：把任務看板變智慧體控制台，PR 提升 500%
OpenAI 開源程式設計智慧體編排規範 Symphony。該規範將 Linear 等任務看板作為控制中心，為每個待辦工單自動分配專職 Codex 智慧體常駐執行，人類僅負責稽核。OpenAI 內部團隊藉此使合併 PR 數量提升 500%，解決了人工多執行緒盯梢智慧體的注意力瓶頸。
週日
4月26日 星期日
復旦開源 Hallo-Live：文本即時生成音影片數字人，延遲不到 1 秒
復旦大學團隊提出即時流式數字人生成框架 Hallo-Live，能直接由文本同步合成語音與肖像影片。在兩塊 NVIDIA H200 上，它跑出 20.38 FPS 的速度，延遲僅 0.94 秒。它將雙流擴散與偏好引導蒸餾結合，解決了互動式數字人延遲高與音畫脫節的痛點。
Scenema Audio 開源：把聲音與情緒解耦，用舞臺指示給克隆聲音演戲
Scenema AI 開源語音生成模型 Scenema Audio，它從 LTX 2.3 提取而來，支援將聲音音色與情緒表演解耦。只需幾秒參考音訊，就能靠提示詞裡的舞臺指示改變情緒、呼吸節奏甚至口音，還能中途切換狀態。量化版本最低需 16GB 視訊記憶體並在本地執行。
