普林斯頓釋出開源影像模型 i1：30 億引數，程式碼與配方全公開
普林斯頓大學開源了 30 億引數的影像生成模型 i1，同時公開訓練程式碼、推理程式碼及完整資料處理管線。它大小約 12GB，能在消費級裝置執行。其最大價值不在於刷榜，而是為開發者從零訓練影像模型提供了一套徹底透明的公開方案。
開源專案 · 日報
週二
6月9日 星期二
SCAIL-2 開源：支援多角色與動物動作遷移，打鬥場景也能穩住
ZAI 開源影片動作遷移模型 SCAIL-2，無需中間骨架即可實現端到端角色動畫。它支援多角色大幅度打鬥與角色替換，甚至能把動作遷移給火烈鳥或誇張身材的異形生物。不過模型權重總計達 81GB，普通消費級顯示卡需要等待量化版本。
週六
6月6日 星期六
dots.tts：小紅書開源 2B 語音模型，支援零樣本聲音克隆
小紅書開源 2B 引數端到端語音合成系統 dots.tts。它採用全連續自迴歸架構與 48 kHz AudioVAE，不使用離散 token，在評測中展現出極低的詞錯誤率與高說話人相似度，支援語音克隆與精細編輯。程式碼和權重按 Apache-2.0 協議開放。
週五
6月5日 星期五
Google 釋出 Gemma 4 QAT 模型：手機就能跑，E2B 視訊記憶體壓到 1GB 內
Google 釋出 Gemma 4 系列的量化感知訓練（QAT）模型權重。通過在訓練階段模擬量化，大幅降低模型壓縮帶來的質量損耗，並將 Gemma 4 E2B 純文本模型的記憶體佔用壓至 1GB 以內。權重已上線 Hugging Face，支援本地消費級裝置直接流暢執行。
週四
6月4日 星期四
Google 開源即時音樂模型 MRT2：延遲 200ms，Mac 本地就能彈
Google 開源即時音樂模型 Magenta RealTime 2。它能在搭載 Apple Silicon 的 Mac 上本地執行，延遲約 200 毫秒，支援通過 MIDI、音訊和文本即時彈奏控制。它把生成式音樂做成了可嵌入編曲軟體的即興樂器，不過目前僅支援純音樂，無法生成人聲。
Boson AI 釋出 Higgs TTS 3：文本加標籤調語氣，權重已開源
Boson AI 釋出語音合成模型 Higgs TTS 3，並在 Hugging Face 開源模型權重。它支援在文本流中直接插入標籤，即時控制情緒、語速、音高和停頓，覆蓋 100 多種語言。開發者給語音 Agent 配音時，能像導演調演員一樣掌控語氣細節。
週三
6月3日 星期三
Miso 開源語音模型 Miso One：8B 引數，延遲僅 110 毫秒
Miso 開源了 80 億引數的語音生成模型 Miso One。官方稱其為全球情緒最豐富的聲音模型，具備高度擬真的人類情感表達，且延遲僅 110 毫秒，響應速度比人類對話還快。目前模型權重已公開，官方 API 即將上線。
Google 開源 Gemma 4 12B：無編碼器直連音訊視覺，16GB 跑上筆記本
Google 開源無編碼器多模態模型 Gemma 4 12B。它去掉了獨立的視覺和音訊編碼器，直接將訊號輸入 LLM 主幹，效能逼近 26B MoE 模型，視訊記憶體佔用卻少了一半。普通使用者僅需 16GB 記憶體的筆記本，就能在本地跑起多步推理的智慧體。
nex-agi 開源推理模型 Nex-N2：專打智慧體任務，還能按需動腦
nex-agi 開源智慧體推理模型家族 Nex-N2。它基於 Qwen 3.5 後訓練，推出 397B 和 35B 兩個 MoE 版本，啟用引數僅 17B 與 3B。關鍵在於自適應推理，簡單動作快速執行，複雜決策深度思考，打通工具呼叫與執行閉環。
週一
6月1日 星期一
TripoSplat：單張 2D 圖轉 3D 高斯模型，程式碼極簡還免裝重度依賴
TripoAI 開源了 3D 工具 TripoSplat，單張 2D 圖片就能轉出最高 26 萬個高斯點的 3D 資產。核心程式碼約 2000 行且免除複雜依賴，支援直接匯入 ComfyUI；不過實測生成簡單物體表現尚可，人物面部目前仍相當模糊。
JetBrains 開源 Mellum2：12B 混合專家模型，推理速度快 2 倍
JetBrains 釋出 12B 引數的開源混合專家模型 Mellum2，採用 Apache 2.0 協議。模型每個 token 僅啟用 2.5B 引數，推理速度較同體量開源模型提升超 2 倍，專門針對路由、RAG 和子智慧體等低延遲軟體工程工作流最佳化。
週五
5月29日 星期五
開源前端設計工具 Impeccable 3.5：按模型專治「AI 味」，支援程式碼即時直改
開源前端設計工具 Impeccable 釋出 3.5 版本。團隊針對 AI 生成 UI 普遍存在的米色背景、極端字間距等缺陷，為不同模型分別編譯專屬修復規則，並上線瀏覽器即時編輯的 Live 模式。這意味著開發者能直接在真實程式碼庫中用自然語言或語音改介面，告別千篇一律的 AI 設計。
百度開源音影片模型 NAVA：63 億引數，畫面與聲音原生同步
百度 ERNIE 團隊開源音影片同步生成模型 NAVA，引數量僅 63 億。它告別了先渲染畫面再後期配音的路線，直接原生聯合生成畫面與雙聲道音訊，支援參考音訊控制音色。8 卡並行約 1 分鐘即可生成 1 分鐘 720p 音畫同步影片。
週四
5月28日 星期四
MAMMA 開源：只需 4 臺普通攝像機，搞定多人 3D 動作捕捉
馬普所和 CMU 開源無標記動捕系統 MAMMA，僅用 4 臺普通攝像機甚至手機拍攝的多視角影片，就能轉成高精度 3D 人體模型。它無需穿戴任何物理標記點，能精準追蹤跳舞、擁抱等複雜互動，還能做出《駭客帝國》同款子彈時間效果。程式碼與 Web UI 已在 GitHub 開放。
SANA-Streaming 開源：RTX 5090 上跑滿 24 幀，一分鐘影片即時修改
NVIDIA 開源影片編輯系統 SANA-Streaming，僅用 20 億引數即可在播放過程中即時替換影片中的服裝、背景與場景風格。藉助混合注意力架構與運算元最佳化，它在 RTX 5090 上實現 720p 解析度下 24 FPS 端到端即時編輯，並保持原動作穩定。程式碼與權重已公開發布。
週三
5月27日 星期三
微軟開源 Lens 3.8B 文生圖模型：4 步極速出圖，算力消耗不到兩成
微軟開源 3.8B 文生圖模型 Lens 全部權重，包含 Base 與 Turbo 等版本。其蒸餾 Turbo 版僅需 4 步、0.84 秒即可出圖，訓練算力消耗僅為同類的 19.3%，最高支援 1440x1440 解析度。獨立開發者可藉此獲得輕量且專業級的影像生成流程。
週二
5月26日 星期二
Marlin 2B 開源：20 億引數拿下影片事件定位，精準帶時間戳
NemoStation 開源影片語言模型 Marlin 2B，基於 Qwen 3.5 2B 微調，遵循 Apache 2.0 協議。它主打回答影片裡「發生了什麼」與「何時發生」，能生成帶時間戳的事件描述並精準定位起止點。其實測表現逼近部分閉源大模型，非常適合本地部署與影片結構化處理。
週一
5月25日 星期一
美團開源 LongCat Avatar 1.5：一張圖加音訊，8 步生成多人互動數字人
美團開源數字人影片模型 LongCat-Video-Avatar 1.5，只需一張參考圖和一段音訊，就能生成動作協調的說話影片。模型支援動漫與寫實等多種風格，還攻克了多人對話場景，蒸餾後僅需 8 步生成，效率提升約 15 倍。16GB 的 INT8 權重與程式碼已開放下載。
週五
5月22日 星期五
開源 FPS 世界模型 SCOPE：支援 10 自由度手柄即時操控
研究團隊開源了 FPS 互動式世界模型 SCOPE。它基於 Wan2.2 打造，支援移動與開火等 10 自由度控制，能將連續按鍵操作直接生成為連貫的遊戲畫面，並支援未知場景的零樣本遷移。目前模型權重、程式碼和資料集均已在 GitHub 開源。
Perplexity 開源 Bumblebee：只讀排查本地依賴與 MCP 配置
Perplexity 開源內部安全掃描工具 Bumblebee。它採用純只讀機制，絕不呼叫包管理器或執行安裝指令碼，能排查開發者電腦上的風險依賴、程式碼外掛以及 MCP 等 AI 智慧體配置。最值得關注的是，它徹底杜絕了掃描過程本身觸發惡意攻擊的隱患。
ASASR：基於 FLUX 的影像超分工具，4 倍放大且不生幻覺細節
ASASR 是一款開源影像超解析度工具，基於 FLUX.1-dev 實現 4 倍高畫質重建，重點解決傳統生成式放大中憑空捏造細節與偽影的問題。它採用對齊頻域結構的對抗 DPO 最佳化，提供雙 LoRA 推理方案。目前程式碼與權重已開源，並在 Hugging Face 上線了線上 Demo。
週四
5月21日 星期四
微軟釋出 MagenticLite：讓小模型串起瀏覽器與本地檔案操作
Microsoft 推出專為小模型設計的實驗性智慧體應用 MagenticLite。它能在單一工作流中聯動瀏覽器與本地檔案系統，由 14B 排程模型 MagenticBrain 和專攻網頁操作的 Fara1.5 協同驅動。這意味著端側小模型也能低成本完成複雜代理任務。
字節跳動開源 Bernini：一套架構搞定影片生成與精準編輯
字節跳動開源統一影片框架 Bernini，將多模態語義規劃器與 DiT 渲染器結合。它支援文本、影像和影片混合輸入，單模型覆蓋文生影片與影片編輯等多項任務。最值得關注的是，它先規劃語義再生成畫面，讓 AI 影片編輯更精準可控；完整推理程式碼與模型權重均已放出。
騰訊開源多語言翻譯模型 Hy-MT2：1.8B 量化後僅 440MB
騰訊開源多語言翻譯模型 Hy-MT2，提供 1.8B、7B 和 30B-A3B 三種規格，支援 33 種語言。其中 1.8B 版本經 AngelSlim 1.25-bit 極限量化後僅 440MB，極度利好端側部署。該模型主打可控翻譯與指令遵循，支援術語統一併可保留 JSON 等結構化格式，適合出海本地化與字幕翻譯。
週二
5月19日 星期二
Mega ASR 開源：專啃嘈雜爛音訊，不到 5GB 消費級顯示卡就能跑
語音識別模型 Mega ASR 正式釋出，專攻真實環境下的抗噪轉錄。它通過 260 萬個樣本覆蓋混響、削波與遮擋等問題，在惡劣聲學條件下比主流模型提升近 30%。整體不到 5GB 並開放微調指令碼，大多數消費級顯示卡就能在本地執行。
