最新AI资源

AIMangaStudio是免费的AI漫画创作工具，为创作者提供完整的漫画创作流水线，包括剧情生成、分镜设计、角色设定等功能，能简化从脚本到漫画页面的制作流程。支持自然语言生成漫画脚本，包括剧情、对白...

FireRedChat 是小红书开源的全双工语音交互系统，具有实时双向对话能力，支持可控打断功能。采用模块化设计，包括转录控制模块、交互模块和对话管理器等，支持级联和半级联架构，可灵活部署。

Logics-Parsing 是阿里开源的端到端文档解析模型，基于 Qwen2.5-VL-7B。通过强化学习优化文档布局分析和阅读顺序推断，能将 PDF 图像转换为结构化 HTML 输出，支持多种内容...

Ring-1T-preview 是蚂蚁集团开源的万亿参数大模型，基于 Ling 2.0 MoE 架构，在 20T 语料上预训练，并通过自研强化学习系统 ASystem 进行推理能力训练。在自然语言推理...

RoboBrain-X0是智源研究院开源的全球首个支持零样本跨本体泛化的开源具身模型，具有重要的行业意义。能在无需微调的情况下，驱动多种不同构造的真实机器人完成基础操作任务，在少量样本微调后展现出对复...

Lynx 是字节跳动开源的高保真个性化视频生成模型，仅需单张人像照片，能生成身份一致的视频。基于扩散 Transformer（DiT）基础模型构建，引入 ID-adapter 和 Ref-adapte...

Claude Sonnet 4.5 是 Anthropic 公司推出的人工智能模型，专为编程、计算机操作和复杂任务自动化设计。模型在代码生成、长时间任务处理、推理和数学计算方面表现出色，支持从初始规划...

DeepSeek-V3.2-Exp是DeepSeek开源的实验性AI模型，通过引入DeepSeek Sparse Attention（DSA）机制，显著提升长文本处理的效率。模型基于DeepSeek...

HunyuanImage 3.0（混元图像3.0）是腾讯发布并开源的原生多模态图像生成模型。模型参数规模达80B，是目前测评效果最好、参数量最大的开源生图模型。混元图像3.0支持实时生图功能，用户可边...

Hunyuan3D-Part（混元3D-Part）是腾讯发布并开源的3D生成模型。由P3 - SAM和X - Part组成，首次实现高精度、可控的组件式3D生成，支持50 + 组件自动生成。用户可先用...

AudioFly是科大讯飞开源的文本生成音效的AI模型。基于潜在扩散模型架构，拥有10亿个参数，经过大规模、多样化的音频文本数据集训练，涵盖AudioSet、AudioCaps、TUT等公开数据集及内...

Hunyuan3D-Omni（混元3D-Omni）是腾讯混元3D团队开源的3D资产生成框架，通过多种控制信号实现精准的3D模型生成。基于Hunyuan3D 2.1架构，引入了统一的控制编码器，可处理点...

FLM-Audio 是北京智源人工智能研究院联合 Spin Matrix 与新加坡南洋理工大学共同发布的原生全双工音频对话大模型，支持中文和英文。采用原生全双工架构，可在每个时间步合并听觉、说话和独白...

CWM（Code World Model）是Meta FAIR团队发布的一款320亿参数的开源代码世界语言模型，专为代码生成和推理设计。引入“世界模型”概念，能模拟代码执行过程，预测变量状态变化，提前...

Neovate Code 是蚂蚁集团支付宝体验技术部开源的智能编程助手，通过人工智能技术提升开发效率。具备对话式开发功能，开发者可以通过自然语言描述需求，Neovate Code 能理解并生成相应的代...

Audio2Face是NVIDIA开源的能将音频输入转化为逼真的3D面部动画AI工具。通过分析音频中的语音特征，如音素和语调，生成精确的唇部同步和细腻的情感表达，为虚拟角色赋予生动的人类表情。

Qwen3-VL是阿里云通义千问团队开源的多模态视觉语言大模型，参数量达2350亿，模型文件约471GB。包含指令版和思考版，采用增强的MRope交错布局、DeepStack等技术，可有效利用视觉变换...

Qwen3Guard 是基于 Qwen3 基础模型微调的安全防护模型，专为安全检测而设计。能对提示词和响应进行精确的安全分类，提供风险等级，支持英语、中文和多语言环境。Qwen3Guard 有两个专业...

Qwen3-TTS-Flash 是阿里通义推出的先进语音合成模型，支持 17 种音色和 10 种语言，涵盖普通话、英语、方言等，具备卓越的中英文语音稳定性与高表现力，模型能自动调节语气，让语音更生动。

Qwen3-Omni 是阿里通义团队推出的全模态 AI 模型，能处理文本、图像、音频和视频等多种数据类型，支持 119 种语言的文本交互，具备低延迟和高度可控的特点。

DeepSeek-V3.1-Terminus 是 DeepSeek 团队推出的人工智能语言模型，是 DeepSeek-V3.1 的升级版本。模型在语言一致性、代码生成和搜索能力等方面进行优化，能更准确...

Granite-Docling-258M 是 IBM 推出的超紧凑开源视觉语言模型，专为高效文档转换设计。模型能将文档转换为机器可读格式，同时完整保留布局、表格、公式等元素。

Lucy Edit 是开源的 AI 视频编辑工具，由 Decart AI 开发。允许用户通过简单的自然语言描述来编辑视频，例如“将人物换成北极熊”或“把场景变成2D卡通风格”，无需复杂的微调或使用遮罩...

LongCat-Flash-Thinking 是美团 LongCat 团队发布的高效推理模型，在保持 LongCat-Flash-Chat 极速的同时，变得更强大、更专业。模型在逻辑、数学、代码、智能...

Ling-V2 是蚂蚁百灵团队推出的基于 MoE 架构的大型语言模型家族，首个版本 Ling-mini-2.0 拥有 160 亿总参数，每个输入标记仅激活 14 亿参数。

Kronos 是清华大学与微软亚洲研究院联合开源的首个面向金融市场的 K 线图基础模型。通过分析股票、加密货币等资产的 K 线数据，包括开盘价、最高价、最低价、收盘价及成交量，来预测未来价格走势。

Wan2.2-Animate是通义万相开源的动作生成模型，支持动作模仿和角色扮演两种模式。用户只需输入一张角色图片和一段参考视频，模型能将视频中角色的动作、表情迁移到图片角色中，赋予图片角色动态表现力...

Xiaomi-MiMo-Audio 是小米开源的70亿参数端到端语音大模型，具备多语言对话、语音续写、少样本泛化和音频理解等强大功能，能在语音智能和音频理解基准测试中达到SOTA水平，超越谷歌Gemi...

InternVLA-A1 是上海人工智能实验室开源的具身操作大模型。具备理解、想象、执行一体化的能力，能精准地完成任务。模型融合了真实和模拟的操作数据，通过大规模虚实混合场景资产，自动化构建海量多模态...

VoxCPM 是面壁智能与清华大学深圳国际研究生院联合开源的语音生成模型。VoxCPM 采用端到端的扩散自回归架构，直接从文本生成连续语音表示，突破了传统离散分词的局限。通过分层语言建模和有限状态量化...

InternVLA·N1是上海人工智能实验室开源的端到端双系统导航大模型。采用双系统架构，系统2负责理解语言指令并规划长程路径，系统1专注于高频响应和敏捷避障。模型完全基于合成数据训练，通过大规模数字...

WebWeaver是阿里巴巴通义团队推出的新型双智能体框架，主要用在开放性深度研究，能模拟人类研究过程，分为规划和写作两个智能体。

MCP Registry 是 GitHub 推出的集中化平台，能帮助开发者更便捷地发现和安装 MCP 服务器。MCP Registry 的出现，让开发者能在一个地方快速找到所需的 AI 工具，极大地简...

VLAC是上海人工智能实验室开源的具身奖励大模型。以InternVL多模态大模型为基础，融合互联网视频数据和机器人操作数据，为机器人在真实世界中的强化学习提供过程奖励和任务完成情况估计。VLAC能有效...

通义DeepResearch（Tongyi DeepResearch）是阿里巴巴推出的开源智能体，专为深度信息检索和复杂任务推理设计，具备300亿参数，支持多种推理模式，包括ReAct模式和深度模式...

InternVLA·M1 是上海人工智能实验室开源的具身操作“大脑”，是面向指令跟随的双系统操作大模型。构建了覆盖“思考-行动-自主学习”的完整闭环，负责高阶的空间推理与任务规划。模型采用两阶段训练策...

《Staying ahead in the age of AI》是OpenAI推出的AI领导力指南，助力企业领导者在AI时代保持竞争优势。指南指出AI发展迅猛，模型发布速度加快、成本降低，企业采用速度...

《大模型基础》深入剖析大语言模型（LLMs）的核心技术与实践路径。从语言模型的基础理论入手，系统讲解基于统计、循环神经网络（RNN）和Transformer架构的模型设计原理，重点探讨大语言模型的三大...

PromptEnhancer 是腾讯混元团队开源的提示词增强工具，提升文本到图像（Text-to-Image，T2I）模型的生成效果。通过链式推理（Chain-of-Thought，CoT）的方式对用...

LLaSO是北京深度逻辑智能科技有限公司推出的开源语音模型，通过整合语音与文本数据，提供对齐数据集、指令微调数据集和评估基准，解决了大型语音语言模型领域数据分散、任务覆盖不足等问题。

混元3D 3.0是腾讯推出的先进3D生成模型，基于3D-DiT分级雕刻技术，几何分辨率高达1536³，能生成超高清、细节丰富的3D模型，在人物建模方面表现出色，能精准塑造五官和体态。

UnifoLM-WMA-0 是宇树科技开源的跨多类机器人本体的开源世界模型-动作架构，专为通用机器人学习而设计。由世界模型和动作架构组成，世界模型能理解机器人与环境的交互物理规律，动作架构则负责具体的...

InfiniteTalk 是 MeiGen-AI 团队开发的音频驱动的视频生成工具，能根据输入的音频生成无限长度的会说话的视频。核心优势在于精准的唇形同步技术，能将音频与人物口型完美匹配，生成自然流畅...

Mini-o3是字节跳动和香港大学联合推出的开源模型，专注于解决复杂视觉搜索问题。模型具备强大的多轮交互推理能力，能通过深度探索和试错定位目标。

GPT-5-Codex 是 OpenAI 推出的强大的编程优化模型，基于 GPT-5 进一步强化，专为软件工程师设计。模型能快速生成高质量代码，支持多种编程语言，且能优化现有代码提升性能。

ROMA（Recursive-Open-Meta-Agent）是Sentient AGI开发的开源元代理框架，通过递归任务分解和并行处理来高效解决复杂问题。支持Python 3.12+、Docker和...

Lumina-DiMOO是上海人工智能实验室联合华为昇腾在2025年世界人工智能大会上推出的新一代多模态生成与理解统一模型。基于昇腾AI基础软硬件平台与MindSpeed MM多模态大模型套件，完成了...

Hyprnote 是开源的本地优先 AI 会议笔记工具，专为专业人士设计，保护用户隐私并提升会议效率。采用“本地优先”原则，所有数据存储和处理均在用户本地设备上完成，确保数据安全，支持离线运行。

MobileLLM-R1是Meta开源的系列高效推理模型，专为数学、编程和科学推理设计。包含基础模型和最终模型，分别有1.4亿、3.6亿和9.5亿参数版本。模型并非通用聊天模型，是经过监督微调（SFT...

ERNIE-4.5-21B-A3B-Thinking 是百度开源的专注于推理任务的大型语言模型。采用混合专家（MoE）架构，总参数量达210亿，每个token激活30亿参数，支持128K的长上下文窗口...

MobiAgent 是上海交通大学 IPADS 实验室开源的移动端智能体工具链，帮助用户构建专属的手机智能助手。通过记录用户操作轨迹并生成高质量数据，训练出能理解自然语言指令的智能体。核心特点包括高效...

ZipVoice是小米发布的基于 Flow Matching 架构的系列语音合成（TTS）模型，包括 ZipVoice（零样本单说话人语音合成模型）和 ZipVoice-Dialog（零样本对话语音合...

PP-OCRv5是百度发布的最新一代文字识别AI模型。具有轻量级设计，参数量仅0.07B，适合在CPU和边缘设备上高效运行，每秒可处理超过370个字符。模型支持简体中文、繁体中文、英文、日文和拼音等五...

Youtu-GraphRAG 是腾讯优图实验室开源的图检索增强生成框架，帮助大语言模型更精准地处理复杂问答任务。通过构建四层知识树，将知识拆解为属性、关系、关键词和社区四个层次，实现跨领域知识的自主演...

Stand-In 是腾讯微信视觉团队推出的轻量级、即插即用的身份保留视频生成框架。专注于在视频生成中保留特定身份特征，仅需训练基础模型1%的额外参数，能在人脸相似度和自然度方面取得优异效果。

IndexTTS2是B站语音团队开源的新型免费文本转语音（TTS）模型，在情感表达和时长控制方面实现了重大突破，首个支持精确时长控制的自回归TTS模型。支持零样本声音克隆，只需一个音频文件可精准复制音...

MiniMax Music 1.5 是先进的 AI 音乐生成工具，支持根据用户的自然语言描述，生成长达4分钟的音乐作品。模型支持多种音乐风格和情绪定制，生成的人声音色自然饱满，转音顺畅，编曲层次丰富...

HuMo是清华大学和字节跳动智能创作实验室联合开源的多模态视频生成框架，专注于人类中心的视频生成。能从文本、图像和音频等多种模态输入中生成高质量、精细且可控的人类视频。HuMo支持强大的文本提示跟随能...

AnyI2V是复旦大学、阿里巴巴达摩院等联合推出的图像动画生成框架，支持将静态的条件图像（如网格、点云等）转化为动态视频，无需复杂的训练过程和大量数据。

SRPO（Semantic Relative Preference Optimization）是腾讯混元推出的文本到图像生成模型，通过文本条件信号优化奖励机制，实现在线调整奖励，减少离线微调依赖。

Qwen3-Next是阿里通义开源的新一代混合架构大模型，结合了Gated DeltaNet和Gated Attention技术，擅长处理长文本，推理速度快且节省计算资源。

文心大模型X1.1是百度推出的深度思考模型，基于混合强化学习框架，专注于提升语言理解和生成能力。模型在处理复杂问题、遵循指令和模拟智能体行为方面表现出色，能准确地提供知识性答案和高质量的文本内容。

混元图像2.1（HunyuanImage 2.1）是腾讯推出的开源文生图模型，专为高质量图像生成设计。模型支持原生2K分辨率，能精准呈现复杂场景和细节，使人物表情和动作能生动还原。

AntSK FileChunk 是免费的智能文档切片工具，专为 RAG（检索增强生成）应用设计。以语义为核心，将文档智能切分为语义完整、连贯的片段，支持多语言，可动态调整切片大小，确保上下文连贯性。

UnifiedTTS 是一站式文本转语音（TTS）服务的平台。支持多种语言，包括中文、英文、日文和韩文等，能满足全球业务的需求。通过统一的 API 接口，整合多种主流的 TTS 服务，包括 Micro...

MiniCPM 4.1 是面壁智能推出的超高效端侧大语言模型。采用 InfLLM v2 稀疏注意力架构，每个词元仅需计算与少于 5% 词元的相关性，显著降低长文本处理开销。在 128K 长文本场景下...

WeKnora 是腾讯微信团队开源的基于大语言模型（LLM）的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而设计，采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理...

XTuner V1 是上海人工智能实验室开源的新一代大模型训练引擎，专为超大规模稀疏混合专家（MoE）模型训练设计。基于 PyTorch FSDP 开发，通过显存、通信和负载等多维度优化，实现了高性能...

Qwen3-ASR-Flash 是阿里巴巴最新推出的高精度语音识别模型，基于 Qwen3 基座模型，经海量多模态数据训练而成。支持 11 种语言和多种口音，包括普通话、四川话、闽南语、吴语、粤语等方言...

Seedream 4.0 是字节跳动推出的先进图像生成与编辑工具，以生成与编辑一体化为核心，具备精准指令编辑、高度特征保持、深度意图理解等强大功能。

rStar2-Agent是微软开源的先进的人工智能数学推理模型，在AIME24测试中达到80.6%的准确率，展现出强大的数学问题解决能力。模型具备科学推理能力，在GPQA-Diamond基准测试中达到...

Qwen3-Max-Preview 是通义千问发布的最新旗舰大语言模型。是 Qwen3 系列中参数量最大的模型，参数规模超过 1 万亿。模型在推理、指令跟随、多语言支持和长尾知识覆盖等方面有重大改进...

OneCAT是美团联合上海交大推出的新型统一多模态模型，采用纯解码器架构，能无缝集成多模态理解、文本到图像生成和图像编辑功能。模型摒弃了传统多模态模型中依赖外部视觉编码器和分词器的设计，通过特定模态的...

Claudable 是基于 Next.js 的开源 Web 应用构建器，结合了 Claude Code 和 Cursor CLI 的先进 AI 代理能力，以及 Lovable 简单直观的应用构建体验...

FineVision 是 Hugging Face 开源的视觉语言数据集，为训练先进的视觉语言模型。包含 1730 万张图像、2430 万个样本、8890 万轮对话和 95 亿个答案标记。数据集聚合了...

InfinityHuman 是字节跳动与浙江大学联合推出的商用级长时序音频驱动人物视频生成模型。模型通过音频驱动，能生成高分辨率、长时长且视觉一致的人物视频。

HunyuanWorld-Voyager（简称混元Voyager）是腾讯发布的业界首个支持原生3D重建的超长漫游世界模型。是一种新颖的视频扩散框架，能从单张图片生成用户定义相机路径的3D点云序列，支持...

Hunyuan-MT-7B 是腾讯混元团队推出的轻量级翻译模型，参数量为70亿，支持33个语种及5种民汉语言/方言的互译，包括粤语、维吾尔语、藏语等。在国际计算语言学协会（ACL）WMT2025比赛中...

Step-Audio 2 mini 是阶跃星辰开源的端到端语音大模型。突破传统语音模型结构，采用真端到端多模态架构，直接将原始音频输入转化为语音响应输出，时延更低，能理解副语言信息与非人声信号。

MobileCLIP2是苹果公司研究人员推出的高效端侧多模态模型，是MobileCLIP的升级版本。在多模态强化训练方面进行了优化，通过在DFN数据集上训练性能更优的CLIP教师模型集成和改进的图文生...

InternVL3.5（书生·万象3.5）是上海人工智能实验室开源的多模态大模型，模型在通用能力、推理能力和部署效率上全面升级，提供从10亿到2410亿参数的九种尺寸版本，覆盖不同资源需求场景，包含稠...

FastVLM（Fast Vision Language Model）是苹果公司推出的高效视觉语言模型。以FastViTHD混合视觉编码器为核心，融合了卷积和Transformer架构，可显著减少视觉...

Meeseeks 是美团 M17 团队开源的大模型评测集，用在评估模型的指令遵循能力。Meeseeks 通过三级评测框架，从宏观到微观全面衡量模型是否能严格按照用户指令生成回答，不评估回答内容的知识正...

gpt-realtime 是 OpenAI 推出的先进语音模型，支持直接处理音频，生成自然流畅的语音。模型支持多种语言和风格，能理解非语言线索，如笑声，能在不同语言间切换。

Youtu-agent 是腾讯优图实验室开源的智能体框架，用在构建和运行自主智能体。框架在 WebWalkerQA 和 GAIA 基准测试中表现出色，准确率分别达到 71.47% 和 72.8%。框架...

HunyuanVideo-Foley 是腾讯混元团队开源的视频音效生成模型，支持为无声视频添加精准匹配的音效。模型基于大规模数据集训练，用多模态扩散变换器架构，结合表征对齐损失函数和音频VAE优化技术...

PixVerse V5是爱诗科技推出的AI视频生成大模型。模型能根据用户输入的文字描述或图片生成高质量的视频内容，且支持多种风格，如动漫、科幻、国风等。

问小白5是“All in One”旗舰大模型，智能水平极高。模型在多项评测中表现卓越，如AA - Index综合评估得分64.7分，STEM能力评测86分，接近全球领先的GPT - 5。

MiniCPM-V 4.5 是面壁智能开源的 8B 参数多模态模型，基于 Qwen3-8B 和 SigLIP2-400M 构建，具备高效处理图像和视频的能力。在视觉 Token 消耗上表现出色，处理 ...

Gemini 2.5 Flash Image（代号nano banana）是谷歌推出的先进图像生成与编辑模型，能保持角色在不同场景中的一致性，支持通过自然语言进行精准图像编辑，如模糊背景、消除污渍等。

Wan2.2-S2V 是阿里通义开源的多模态视频生成模型，只需一张静态图片和一段音频，能生成高质量的数字人视频，且支持多种图片类型和画幅。

面向开发者的ChatGPT提示工程是DeepLearning.AI与OpenAI联合推出的课程，专为开发者设计，由Isa Fulford, 吴恩达Andrew Ng主讲，教授如何用大型语言模型（LLM...

问小白o4是创新的并行思考模型，能同时开启8条思考路径，从多角度分析问题并自动筛选出最优解。模型融合先进的Long-CoT强化学习和过程奖励学习技术，具备强大的深度推理能力，且在复杂任务中表现出色。

VibeVoice 是微软推出的新型文本到语音（TTS）模型。模型能生成多达 4 位不同说话者的对话式音频，支持长达 90 分钟的连续语音输出，突破传统 TTS 系统的长度限制。

SpatialGen 是群核科技开源的 3D 场景生成模型，基于扩散模型架构，支持根据文字描述、参考图像和 3D 空间布局生成时空一致的多视角图像，并进一步生成 3D 高斯场景，渲染出漫游视频。

EchoMimicV3是蚂蚁集团推出的多模态数字人视频生成模型，拥有13亿参数，能处理音频、文本、图像等多种输入，生成高质量的数字人动画。

Fun-ASR是钉钉与通义实验室联合推出的语音识别大模型。模型经过海量音频数据训练，能精准识别多行业专业术语，如互联网、科技、家装等，显著提升识别准确率。模型结合钉钉企业信息进行推理优化，减少幻觉问题...

Squibler 是强大的 AI 辅助写作平台，专为作家设计，能帮助用户从构思到创作再到出版的全过程。平台提供多种故事模板，涵盖小说、剧本、短篇故事等，用户只需输入初始概念，AI 能生成大纲、角色、场...

91写作是全开源的AI小说创作工具，基于Vue 3和Element Plus开发，集成多种先进AI模型，如GPT、Claude、Gemini等。工具为创作者提供从构思到成文的完整创作工具链，包括项目创...