Últimos recursos sobre IA

GLM-4.6V es una serie de grandes modelos lingüísticos multimodales de código abierto de Smart Spectrum AI. La serie contiene dos versiones: GLM-4.6V (106B-A12B), la versión base para escenarios de nube y clúster de alto rendimiento, con la arquitectura Mixed Expert (MoE), un total de unos 106.000 millones de referencias y una activación...

LangChain for LLM Application Development es un curso en línea de DeepLearning.AI en el que participan el fundador de LangChain, Harrison Chase, y Andrew Ng.

Los LLM transformadores funcionan según el principio que DeepLearning.AI y Jay Alammar y Maarten Grootend, autores de Hands-On Large Language Models...

Kimi K2-0905 es un modelo avanzado de IA de Dark Side of the Moon Technologies Ltd. que destaca en la asistencia a la programación, genera código de forma eficiente y favorece la generación de código ordenado y estandarizado en el desarrollo front-end. La longitud del contexto del modelo se amplía hasta 256K para gestionar tareas complejas.

Nano Banana es el nombre en clave de Gemini 2.5 Flash Image para Gemini, un modelo de generación y edición de imágenes AI de Google que genera imágenes detalladas y fotorrealistas basadas en simples indicaciones de texto para realizar modificaciones de alta calidad en imágenes existentes.

Skywork UniPic 2.0 es un eficiente modelo multimodal de código abierto de Quintessence, centrado en la generación, edición y comprensión de imágenes. El modelo se basa en una arquitectura SD3.5-Medium de 2B parámetros, y se realiza mediante pre-entrenamiento, estrategia de refuerzo progresivo de doble tarea y co-entrenamiento....

MiniMax Speech 2.5 es un modelo avanzado de generación del habla desarrollado por el equipo MiniMax. Supone un avance significativo en el campo de la síntesis del habla, especialmente en términos de expresividad multilingüe, precisión en la reproducción del timbre y cobertura lingüística. El modelo admite 40 idiomas...

GPT-5 es el último modelo de lenguaje lanzado por OpenAI con varias actualizaciones. Es un sistema de inteligencia unificada con un enrutador en tiempo real integrado que cambia automáticamente entre los modos de pensamiento eficiente y profundo en función de la complejidad del problema, lo que permite una respuesta rápida y respuestas precisas.GPT-5 tiene varias versiones, incluyendo para pu...

Qwen-Image es un modelo base de generación de imágenes de código abierto lanzado por el equipo Alibaba Tongyi Qianqian. Con 20.000 millones de parámetros, adopta la arquitectura de transformador de difusión multimodal (MMDiT), que incorpora tres módulos: comprensión multimodal, codificación de alta resolución y modelado de difusión.Qwen-Image...

RedOne es un gran modelo lingüístico adaptado a las redes sociales presentado por Little Red Book. El modelo se entrena mediante una estrategia de formación en tres fases que incorpora conocimientos sociales y culturales, refuerza las capacidades multitarea y alinea las preferencias humanas.RedOne supera significativamente al modelo base en rendimiento de tareas sociales, en detección de contenidos nocivos y navegación...

TRAE SOLO es un asistente de desarrollo automatizado de IA introducido por TRAE, un asistente de programación de IA lanzado por ByteDance, para simplificar el proceso de desarrollo de software con tecnología de IA.TRAE SOLO entiende las necesidades del usuario, admite descripciones de texto, comandos de voz y cargas de archivos para introducir los requisitos, y planifica automáticamente...

Introducción completa LiveTalking es un sistema humano digital interactivo en tiempo real de código abierto , se ha comprometido a la construcción de alta calidad humana digital solución en vivo . El proyecto utiliza el protocolo de código abierto Apache 2.0 , integrado con una serie de tecnologías de vanguardia , incluyendo ER-NeRF renderizado , audio en tiempo real y procesamiento de streaming de vídeo ...

DeepSeek-V4 是深度求索发布的模型系列预览版，已同步开源并开放 API。系列采用 MoE 架构，包含 V4-Pro（1.6T 参数 / 49B 激活）与 V4-Flash（284B 参数 ...

Workspace Agents是 OpenAI 推出为GPTs的进化形态与企业级替代方案。产品基于Codex技术构建，面向团队场景，支持在云端持久运行复杂多步骤工作流，即使成员离线也能按计划自动执行...

Hy3 preview是腾讯混元发布并开源的语言模型，是团队重建预训练与强化学习基础设施后的首个成果。模型采用快慢思考融合的MoE架构，总参数达2950亿、激活参数210亿，最大支持256K上下文窗口...

Ling-2.6-flash 是蚂蚁集团旗下的百灵大模型团队发布的 Instruct 模型。模型总参数量 104B，激活参数仅 7.4B，采用高度稀疏化的 MoE（混合专家）架构，主打 "Token ...

Qwen3.6-Max-Preview 是阿里巴巴发布的通义千问系列最新旗舰模型，定位在 Qwen3.6-Plus 之上。模型主打顶尖编码能力与 Agentic 工作流支持，在 SWE-bench P...

Seed3D 2.0是字节跳动发布的新一代3D生成大模型，通过技术革新提升3D资产生成的精度、真实感和下游可用性，推动3D生成技术从实验性应用向生产级落地。Seed3D 2.0通过架构革新和算法优化...

GPT-Image-2（ ChatGPT Images 2.0）是 OpenAI 发布的下一代图像生成模型，代表了 AI 生图领域的重大飞跃。模型支持最高 4K 分辨率输出，革命性地解决了多语言文本渲...

Fun-ASR1.5是阿里通义实验室发布的语音识别大模型，采用MoE架构，单模型即可覆盖30种语言、汉语七大方言体系及20余种地方口音，支持跨语种自由混说识别与古诗词吟诵精准转写。

HyperFrames 是 HeyGen 开源的 Apache 2.0 视频渲染框架，核心理念是"Write HTML. Render video. Built for agents"。开发者通过编写...

AgentScope Tuner 是 AgentScope 框架内置的强化学习调优模块，专为提升智能体在特定任务上的表现而设计。通过"工作流强化学习"机制，允许开发者无需修改业务代码即可对智能体的决策...

Kimi K2.6 是月之暗面（Moonshot AI）发布并开源的最新一代大模型，是目前 Kimi 系列中最强的代码与 Agent 模型。模型在代码编写、长程任务执行及 Agent 集群协作能力上实...

Claude Design是Anthropic最新推出的AI设计工具，基于其最新视觉模型Claude Opus 4.7开发，能快速生成UI原型、幻灯片和单页设计。支持自动分类设计素材、分析竞品调性、记...

Voicebox 是开源的本地优先的语音克隆工作室，定位为 ElevenLabs 的免费开源替代品。基于阿里巴巴的 Qwen3-TTS 模型，支持从几秒钟音频样本克隆声音，在本地设备上生成高质量语音。

HappyOyster是阿里巴巴ATH事业群发布的开放式世界模型产品，产品与谷歌Genie 3同属"世界模拟器"流派，采用长时间跨度的世界演化建模方式，主动理解空间、物理与因果规律，实现从"被动生成内...

MAI-Image-2-Efficient是微软AI团队推出的生产级文生图模型，作为MAI-Image-2的"高效版"，在保持接近旗舰版图像质量的同时，实现了速度提升22%、GPU效率提升4倍、成本降...

OmniShow是字节跳动推出的端到端多模态视频生成框架，能同时整合文本、参考图像、音频、姿态四种条件生成高质量人机交互视频。模型基于120亿参数的Waver 1.0架构，支持最长10秒连续长镜头生成...

Claude Opus 4.7是Anthropic发布的最新旗舰AI模型，作为Opus 4.6的升级版本，在保持原有定价的基础上实现全面性能跃升。模型专为复杂、长时间自主任务优化，在SWE-bench...

Marble 1.1 是李飞飞创立的 World Labs 公司发布的生成式3D世界模型最新版本系列，包含 Marble 1.1 和 Marble 1.1-Plus 两款模型，在视觉质量、场景规模和生...

MaxHermes是MiniMax推出的全球首个云端自我进化AI助手，基于开源框架Hermes Agent构建。核心特点是通过"学习闭环"机制自动提炼任务Skills并持续优化，无需人工预设，能力随使...

有道宝库是网易有道推出的首款AI知识库产品，定位为"中国版NotebookLM"。基于子曰大模型打造，支持PDF、Word及公众号、B站、小红书等20余种格式内容的一键导入与智能解析，最多可同时处理5...

StepAudio 2.5 TTS 是阶跃星辰发布的全新语音合成模型，首次将语境理解能力深度融入语音生成全流程。模型突破传统TTS依赖固定标签的局限，支持通过自然语言描述实现全局语境控制

ERNIE-Image 是百度文心大模型开源的文本生成图像模型，采用单流 Diffusion Transformer 架构，仅 80 亿参数即可在消费级显卡（RTX 4090，24GB 显存）上流畅运...

Gemini 3.1 Flash TTS是Google DeepMind发布的全新文本转语音模型，支持70+种语言和丰富口音选择。核心创新在于"音频标签"技术，用户可通过自然语言指令精确控制语速、语调...

GenieAI 是 CodeBuddy 推出的 AI 生成应用展示平台，让用户通过自然语言交互快速构建和发布各类创意 Web 应用。平台支持生成多样化的数字产品，涵盖情感记录如心情日记、情侣共享空间...

HY-World 2.0（混元3D世界模型2.0）是腾讯混元开源的多模态世界模型，能理解文字、图片、视频等不同类型输入，自动生成、重建和模拟包含人、物、景的完整3D世界。

Spark 2.0 是AI教母李飞飞创立的World Labs公司开源的动态3D高斯泼溅（3DGS）渲染引擎。引擎专为网页端构建，基于Three.js与WebGL2技术，突破了超大规模3D场景在移动端...

QinyanClaw 是沁言学术推出的全球首个专为学术场景深度优化的云端 AI Agent，基于 OpenClaw 框架构建。与传统对话式 AI 不同，运行在独立的 K8s 容器中，支持 7×24 小...

LPM 1.0（Large Performance Model）是米哈游创始人蔡浩宇创立的AI公司Anuttacon发布的首个视频角色表演生成模型，采用17亿参数扩散Transformer架构，专注于...

JoyAI-Image-Edit是京东探索研究院开源的多模态基础模型，业内首个将空间智能深度融入统一框架的图像编辑系统。模型突破传统"平面修图"局限，通过空间位置关系、多视角一致性、相机感知等维度建模...

Muse Spark 是 Meta 发布的全新旗舰 AI 模型，由 Meta Superintelligence Labs（MSL）历时 9 个月打造，内部代号"Avocado"。作为 Muse 系列...

VoxCPM2 是 OpenBMB（面壁智能）开源的 20 亿参数语音合成基座模型，采用创新的无分词器扩散自回归架构，直接在连续语音潜空间生成音频，实现更自然的合成效果。模型基于 200 万小时多语言...

CutClaw 是开源的自主多智能体长视频编辑框架，由北京交通大学、大湾区大学与腾讯 ARC Lab 联合研发。通过"自底向上多模态解构"技术，将数小时原始素材结构化，采用 Playwriter（编剧...

MiniMax Music 2.6是MiniMax发布的新一代AI音乐生成模型，主打20秒极速出歌和创新的cover翻唱功能。模型通过优化底层架构将生成延迟压缩至20秒内，新增国风音乐细节还原、乐器时...

Octo（小章鱼）是即梦AI推出的首个协作型AI叙事创作工具，首次提出VibeCreate创作模式，将人机协作编程范式迁移到创意内容领域，让AI从"指令执行者"转变为"创意合伙人"。

ListenHub CLI 是MarsWave AI推出的面向开发者和 AI Agent 生态的一站式内容引擎命令行工具，基于 Node.js 开发，采用 MIT 协议开源。开发者通过 npm ins...

VimRAG是阿里巴巴通义实验室开源的多模态检索增强生成框架，专门攻克文本、图像与视频混合场景下的长上下文推理难题。框架创新性地引入多模态记忆图将推理轨迹建模为动态DAG结构，实现显式状态追踪

OmniVoice是小米开源的大规模多语言零样本TTS模型，支持600+种语言（含大量低资源语言），采用单阶段扩散语言模型架构直接映射文本至声学特征，基于58.1万小时数据训练。实现零样本语音克隆（仅...

Seeduplex是字节跳动Seed团队发布原生全双工语音大模型，已全量上线豆包App。区别于传统"听完再说"的半双工模式，Seeduplex实现真正的"边听边说"，支持实时打断与多轮对话。采用端到端...

Claude Managed Agents 是 Anthropic 官方推出的 Agent 操作系统，通过解耦 Brain（模型决策）、Hands（执行环境）与 Session（状态持久化）三大核心组...

MMX-CLI 是 MiniMax（稀宇科技）发布的面向 AI Agent 的全模态命令行工具。支持在 Claude Code、OpenClaw 等环境中原生调用 MiniMax 的编程、视频生成、语...

HappyHorse-1.0（欢乐马）是阿里ATH创新事业部发布的开源AI视频生成模型，以150亿参数、40层单流Transformer架构实现原生音视频同步生成。模型在Artificial Anal...

MAI-Transcribe-1是微软AI团队推出的首款自研多语言语音识别模型，作为MAI模型家族的新成员，在FLEURS基准测试中实现了约3.9%的词错误率，显著超越OpenAI Whisper-l...

OmniWeaving是浙江大学、腾讯混元与南洋理工大学联合发布的开源统一视频生成模型，模型采用MLLM（Qwen2.5-VL）+ MMDiT + VAE三层架构，通过激活多模态大模型的"思考模式"进...

GLM-5.1是智谱AI推出的744B参数开源旗舰模型，采用MIT许可可自由商用，上下文窗口达20万token，专为长程智能体工程设计，支持单任务连续自主执行8小时、完成1700+步骤的复杂工作流。在...

PixVerse C1是爱诗科技推出的全球首个面向影视行业的专业视频大模型，专为短剧、动漫与漫剧创作打造。模型支持15秒1080P高清视频生成，具备原生音画同步能力，出片即自带音效，告别后期配音。

InternSVG 是上海AI实验室联合上海交通大学、南京大学等机构推出的统一矢量图形智能系统，系统基于多模态大语言模型（MLLM），首次实现了SVG理解、编辑、生成三大任务的统一建模

ClawHub中国镜像站是OpenClaw官方推出的技能市场本地化站点，是字节跳动BytePlus及火山引擎提供基础设施支持。镜像站专为解决国内开发者访问原站速度慢、API受限等痛点而设，提供完整中文...

Wan2.7-Video 是阿里通义实验室推出的新一代 AI 视频生成模型系列，由文生视频（Wan2.7-t2v）、图生视频（Wan2.7-i2v）、参考生视频（Wan2.7-r2v）和视频编辑（Wa...

Qwen3.6-Plus是阿里发布新一代大语言模型，是千问3.6系列的首款模型，定位为企业级Agentic AI编程利器。相比3.5版本，模型在编程能力、智能体Agent能力和多模态推理上实现全面跃升...

ColaMD 是专为 AI Agent 时代设计的开源 Markdown 编辑器，采用 MIT 协议开源，支持 macOS、Windows 和 Linux 三大平台。解决了传统编辑器（如 Typora...

天工短剧工作台是昆仑万维天工AI团队推出的AI短剧工业化创作平台，主打"Agent驱动内容创作流程自动化"。平台整合Seedance、SkyReels、可灵、Vidu四大视频模型，通过资产提取、导演...

Gemma 4是谷歌DeepMind发布的第四代开源大语言模型系列，属于Gemma家族的最新版本。专为高级推理和智能体（agentic）工作流设计，为开发者提供高性能、低门槛的本地化AI解决方案，覆盖...

Updream是哔哩哔哩推出的自研AI视频创作工具，目前采用定向邀请制内测。产品定位为UP主的"智能创意助手"，通过AI技术打通创作全流程：从灵感生成、选题构思到智能剪辑、分镜处理，再到个性化技能库与...

LongCat-AudioDiT 是美团 LongCat 团队开源的新一代高保真文本转语音模型，采用 Wav-VAE 结合 Diffusion Transformer（DiT）的端到端架构，直接在波形...

小精龙是学而思基于OpenClaw架构打造的原生学生端精准学智能体，以"大脑映射、私有财产、学习伴侣"为核心定位。首次将长期记忆、动态学情诊断、教育专属Skill链与情感陪伴系统整合为统一的学生专属A...

Veo 3.1 Lite是Google DeepMind发布的低成本AI视频生成模型，定位为Veo系列中最实惠的版本，专为大规模视频生成场景设计。模型支持文本和图像生成视频，输出720p和1080p分...

GLM-5V-Turbo是智谱发布首个原生多模态Coding基座模型，专为视觉编程打造。模型从预训练阶段深度融合视觉与文本能力，能直接理解设计稿、网页截图、K线图表等视觉信息并生成可运行代码，实现"所...

Wan2.7-Image 是阿里巴巴通义实验室发布的图像生成与编辑统一模型，定位为"全场景视觉创作旗舰"。模型直击AI生图领域"标准脸"审美疲劳和"色彩盲盒"痛点，采用生成与理解统一的底层架构，具备文...

Lightpanda是Lightpanda.io公司开发的开源无头浏览器，专为AI自动化和Web抓取设计。采用Zig语言从零构建，去除了图形渲染等冗余功能，核心优势是速度比Chrome快11倍，内存占...

Matrix-Game 3.0是昆仑万维发布的实时交互式世界模型，属于AIGC全家桶中的三大核心模型之一。模型通过物理仿真驱动，解决了传统世界模型易失忆、环境不稳定的问题，支持720p、40fps实时...

Mureka V9是昆仑万维旗下天工AI在中关村论坛上发布的AI音乐模型，是Mureka系列的最新迭代版本，通过技术创新重塑数字音乐创作生态。基于Musicot（Music Chain-of-Thou...

LongCat-Next 是美团龙猫开源的原生多模态大模型，采用"下一个Token预测"（NTP）统一架构，将图像、语音与文本映射为同源离散Token，打破传统"语言为中心"的拼凑式设计。核心创新包括...

PixVerse V6是爱诗科技推出的最新一代AI视频生成模型。在保持秒级生成速度的同时，重点优化了人物真实感、复杂运动表现、物理模拟及声画协同能力，支持最长15秒1080P视频生成。

Qwen3.5-Omni是阿里通义推出的新一代全模态大模型，支持文本、图片、音频、音视频的原生理解与生成。采用Hybrid-Attention MoE架构，支持256K超长上下文，可处理10小时音频或...

移动云 MobileClaw 是中国移动推出的桌面级AI办公智能体，央企首个深度兼容OpenClaw生态的"自研小龙虾"，主打"本地优先、隐私至上"。采用一键安装开箱即用设计，适配Windows/ma...

Pascal Editor 是基于浏览器的3D建筑设计与可视化工具，专为建筑师、设计师和开发者打造，支持在网页端直接进行楼层规划、空间布局和建筑场景探索。采用现代Web技术栈（React Three ...

SciClaw（科研龙虾） 是面向科研人员的云端 AI 协同系统，定位为"科研人的深夜搭子"。能深度分析文献、自主执行实验、自动排版生成论文/PPT/海报，记住用户电脑里的所有研究资料，将灵感、执行与...

Voxtral TTSoxtral TTS是法国AI公司Mistral AI发布的开源文本转语音模型，采用40亿参数轻量化架构，量化后仅需3GB内存即可在智能手机等边缘设备实时运行。模型原生支持英语...

商汤输入法AudioClaw是商汤科技基于日日新多模态大模型打造的AI语音智能应用，深度接入OpenClaw底层能力，定位为"会听话的龙虾"智能助手。

SenseAudio 是商汤科技推出的AI语音开放平台，面向开发者与企业提供一站式语音AI解决方案。平台集成语音识别（ASR）、语音合成（TTS）、音色克隆等核心能力，语音识别覆盖20+语言并支持说话...

TurboQuant 是 Google Research 推出的突破性内存压缩算法，专为解决大语言模型推理中的 KV 缓存瓶颈而设计。

Gemini 3.1 Flash Live 是 Google 推出的旗舰级实时语音模型，被誉为"迄今最高质量的音频和语音模型"。主打超低延迟的自然对话体验，支持 90+ 种语言的原生多模态交互，能精准...

Lyria 3 Pro是谷歌推出的最先进的AI音乐生成模型。相比前代Lyria 3仅30秒的生成时长，Pro版本可一次性生成长达3分钟的完整音轨，精准控制前奏、主歌、副歌、桥段等歌曲结构。

OpenCLI是开源的命令行工具框架，将网站、Electron应用和本地命令行工具统一转化为可通过命令行操作的接口，将网站（如B站、知乎、Twitter等）和Electron应用（如Cursor、No...

TuyaClaw 是涂鸦智能（Tuya Smart）推出的 AI 助理，基于 OpenClaw 架构搭建，是全球首个同时打通数字世界与物理世界的 AI Agent。与市面上仅能在屏幕内执行任务的"龙虾...

TypeNo 是 marswaveai 团队开源的中文语音输入工具，专为 macOS 打造。用户只需轻点 Control 键即可录音，松手后语音会在本地实时转为文字并自动填入当前应用。

HiDreamClaw 是智象未来（HiDream.ai）推出的多模态原生AI智能体应用，定位为图片与视频生成垂直领域的创作助手。目前已接入其海外平台vivago，面向创作者提供7×24小时在线服务。

PrismAudio 是阿里通义实验室推出的视频生成音频框架，专注于为视频自动匹配严丝合缝的环境音效。框架创新性地引入"分解式思维链"（CoT）机制，让模型在生成音频前先分析视频内容、声音时序、音质特...

MAI-Image-2 是微软推出的第二代自研图像生成模型，模型在权威评测平台 LMArena 中跃升至全球第三位，仅次于谷歌和 OpenAI，标志着微软在图像生成领域实现从"追赶者"到"第一梯队"的...

NineClaw（九章龙虾） 是好未来（TAL）推出的行业首款教师专属AI原生桌面超级智能体，昵称"九龙"。深度融合好未来20年教研积累与海量题库资源，采用本地化运行架构，支持Windows和MacO...

EdgeClaw 是面壁智能联合清华大学等机构开源的端云协同 AI 智能体框架，主打安全可控与本地部署。首创三层数据安全协议（S1/S2/S3），通过规则检测器与本地 LLM 语义检测器实时分类请求敏...

Qwen3.5-Max-Preview 是阿里通义千问团队推出的旗舰大模型预览版，在 LM Arena 国际大模型竞技场以1464分跻身全球前五、国内第一，标志着国产大模型首次进入全球第一梯队。

微信ClawBot是微信官方推出的AI插件，核心定位是连接OpenClaw（开源AI智能体框架）与微信的消息通道。用户只需在部署OpenClaw的设备上执行一条命令完成安装，可通过微信聊天界面直接发送...

YouClaw 是 Chat2DB 团队推出的极简 AI Agent 桌面客户端，主打"最懂你的 AI 个人助理"定位。基于 Tauri 2 + React 构建，安装包仅约 30MB，支持 Wind...

Xiaomi MiMo-V2-Omni 是小米推出的面向Agent时代的全模态基座模型，专为现实世界中复杂的多模态交互与执行场景打造。模型从底层构建了融合文本、视觉、语音的统一架构，将"感知"与"行动...

Vidu Claw（代号"V龙"）是生数科技旗下 Vidu AI 平台推出的 AI 创意智能体，定位为"你的第一个 AI 创意员工"。基于 Vidu 视频大模型构建，能自动完成从创意理解、脚本撰写、分...

Composer 2 是 AI 编程平台 Cursor 推出的专有代码大模型，主打"长周期智能体编程"。模型支持 20 万 Token 上下文窗口，能自主处理包含数百个操作的复杂开发任务，在 Term...