NVIDIA 開源 Audio2Face：輸入音訊就能即時生成 3D 面部動畫
NVIDIA 宣佈正式開源 Audio2Face 技術，包括模型、SDK 和訓練框架。該工具通過分析音素和語調，能由音訊直接生成精準的口型與微表情，支援離線渲染與即時流式傳輸。也就是說，遊戲和 3D 應用開發者現在可以免費且深度定製這套面部動畫管線。
開源專案 · 日報
週三
9月24日 星期三
週一
9月22日 星期一
阿里開源端到端全模態模型 Qwen3-Omni：打通圖文音影片，延遲 211ms
Alibaba 開源端到端全模態模型 Qwen3-Omni，將文本、影像、音訊與影片整合進單一模型。模型響應延遲低至 211ms，支援 30 分鐘音訊理解與內建工具呼叫，並同步開放了 Instruct 與 Thinking 等 30B 級別權重。
週一
9月15日 星期一
H Company 開源 Holo1.5：專攻電腦操作，定位精度提升超 10%
H Company 開源專用於電腦操作（Computer Use）的基礎模型系列 Holo1.5，提供 3B、7B 和 72B 三種規格。相比前代，新模型在介面元素定位精度上提升超 10%，並強化了 UI 視覺問答能力。目前所有模型權重已在 Hugging Face 開放下載。
週五
9月12日 星期五
Google 開源 VaultGemma：首個差分隱私從頭訓練的 1B 模型
Google 聯合 DeepMind 釋出並開源 10 億引數大模型 VaultGemma。它是目前從零開始採用差分隱私（DP）訓練的最大開源模型，通過加噪防止記憶敏感資料。測試顯示其未發生資料死記硬背，效能大致與同尺寸早期 GPT-2 相當。
週四
9月4日 星期四
Google 釋出 EmbeddingGemma：3.08 億引數端側嵌入模型，斷網也能做 RAG
Google 釋出開源端側嵌入模型 EmbeddingGemma，體量僅 3.08 億引數。它專為硬體本地執行打造，無需聯網即可執行語義搜尋與 RAG 檢索，同時與 Gemma 3n 共用分詞器以降低記憶體佔用，兼顧了端側隱私和多語言理解。
週三
9月3日 星期三
字節跳動開源 UI-TARS：讓智慧體直接替你操控桌面與手機
ByteDance 宣佈釋出多合一智慧體模型 UI-TARS-2。該系列基於視覺語言模型與強化學習推理，能直接解析螢幕座標並模擬鍵鼠與觸屏操作，在 OSWorld 等測試中表現亮眼，同時提供桌面端工具與網頁自動化支援。
週四
8月28日 星期四
騰訊混元開源 HunyuanVideo-Foley：輸入影片即可自動配音效
騰訊混元宣佈開源端到端文本-影片生音訊框架 HunyuanVideo-Foley。它基於 10 萬小時多模態資料訓練，採用 MMDiT 架構與音訊 VAE，能精準對齊畫面動作生成分層音效。在音訊質量和時序對齊等基準測試中超越了現有開源模型。
週三
8月27日 星期三
OpenAI 強調 Codex 早已開源：終端程式設計智慧體支援本地執行
OpenAI 在 GitHub 上以 Apache-2.0 協議開源輕量級程式設計智慧體 Codex CLI。該工具可直接在本地終端執行，支援 Mac、Linux 與 Windows，並適配 VS Code 等編輯器。最值得關注的是，使用者登入 ChatGPT 賬戶即可呼叫。
週六
8月23日 星期六
xAI 開源 Grok 2.5：權重上線 Hugging Face，Grok 3 預計半年後開放
xAI 宣佈開源其 2024 年主力模型 Grok 2.5，模型權重已上線 Hugging Face。該模型採用社群許可，研究與非商用免費，但禁止用於訓練其他大模型。Elon Musk 同時表示，Grok 3 計劃在約 6 個月後開源。
馬斯克宣佈下週開源 Grok 2：踐行「出新一代就開源上一代」承諾
馬斯克在 X 上宣佈，xAI 將於下週正式開源 Grok 2 大模型。按照 xAI 的慣例，推出新版本時會公開上一代模型，此前推出 Grok 2 時就開源了 Grok 1。在大廠紛紛轉向閉源的趨勢下，開源 Grok 2 能讓開發者與研究機構更低門檻地使用前沿技術。
週五
8月22日 星期五
港大開源 OpenCUA：操縱電腦的開源智慧體，向閉源大廠看齊
香港大學等團隊推出開源計算機操控智慧體框架 OpenCUA。該框架包含後臺錄製工具與超 2.26 萬條跨 Windows、macOS 和 Ubuntu 的運算元據集，並通過加入思維鏈推理訓練模型。其評測成績超越現有開源方案，緊追 OpenAI 和 Anthropic 的閉源智慧體。
週三
8月20日 星期三
字節跳動開源 Seed-OSS-36B：原生 512K 上下文，推理預算可自由調節
ByteDance 旗下 Seed 團隊在 Hugging Face 正式開源 Seed-OSS-36B 模型家族。該模型擁有 360 億引數，原生支援長達 512K token 上下文，並允許開發者設定思考預算來平衡速度與推理質量。採用寬鬆的 Apache-2.0 協議，企業可免費用於商業化部署。
週一
8月18日 星期一
Nvidia 開源 Nemotron-Nano-9B-v2：單張 A10 能跑，思考過程一鍵開關
Nvidia 今日釋出開源小模型 Nemotron-Nano-9B-v2，專為單張 A10 GPU 最佳化。它採用 Mamba 與 Transformer 混合架構，速度提升最高達 6 倍；開發者能用 /think 或 /no_think 隨時開關推理思考，並自由設定思考 token 預算來平衡延遲與準確率。
週五
8月15日 星期五
NVIDIA 開源百萬小時語音資料集 Granary，以及兩款多語言模型
NVIDIA 聯合卡耐基梅隆大學等開源多語言語音資料集 Granary，涵蓋約 100 萬小時音訊與 25 種歐洲語言。同步上線的 Canary-1b-v2 轉錄準確率登頂 Hugging Face 榜首，Parakeet 模型則主打高吞吐即時轉錄，大幅降低小語種語音 AI 的開發門檻。
週四
8月14日 星期四
Google 釋出 Gemma 3 270M：僅 2.7 億引數，專為微調而生
Google 推出超輕量模型 Gemma 3 270M，引數量僅 2.7 億。它自帶指令遵循和文本結構化能力，專為特定任務微調設計，旨在讓開發者用極低成本與高速度搞定文本分類、資料提取等明確場景。
