最新AI资源

UltraEval-Audio是清华大学NLP实验室、OpenBMB和面壁智能联合开发的音频模型评测框架，最新版本为v1.1.0。专注于解决音频模型复现难、依赖冲突等问题，提供一键复现热门模型（如Vo...

Youtu-LLM 是腾讯 Youtu 团队开源的轻量级语言模型，参数规模为 19.6 亿。专为智能体任务设计，具备强大的“原生智能体能力”，在多项任务中超越同规模甚至更大模型。

RedOne 是小红书推出的专为社交网络定制的大语言模型。模型通过三阶段训练策略，融入社交文化知识，强化多任务能力，并对齐人类偏好。RedOne 在社交任务性能上显著优于基础模型，在有害内容检测和浏览...

GLM-OCR 是智谱开源的 0.9B 轻量级专业 OCR 模型，在 OmniDocBench V1.5 以 94.6 分刷新 SOTA。兼顾“小体积”与“全场景”，扫描、手写、印章、多语混排、复杂表...

OpenReasoning-Nemotron 是英伟达开源的一系列大型语言模型，支持处理数学、科学和代码领域的推理任务。模型基于 DeepSeek R1 0528 模型蒸馏而成，参数规模有 1.5B...

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。

Hy3 是腾讯推出的旗舰级开源大语言模型，采用 MoE 架构，拥有 295B 总参数与 21B 激活参数，支持长达 256K 的上下文窗口。核心亮点在于快慢思考融合（Hybrid Reasoning...

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...

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...

Gemini Robotics On-Device 是谷歌 DeepMind 推出的支持在机器人本地运行的视觉-语言-动作模型。模型能离线执行任务，依据自然语言指令完成精细动作，如叠衣服、拉开袋子等...

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。

资源列表前10 1000 个最常见的 Tokens 1000 个最常见的负面 Tokens 20 个最常见的采样器 100 个最常见的步骤 100 个最常见的尺寸 50 个最常见的...

GLM-ASR是智谱AI开源的高性能语音识别模型系列，包含云端模型GLM-ASR-2512和开源端侧模型GLM-ASR-Nano-2512。GLM-ASR-2512是全球领先的云端语音识别模型，支持多...

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。

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...

万兴天幕是万兴科技推出的AIGC视频创作平台，覆盖视频、图片及音频生成三大创作领域，专为传媒和文化产业工作者、影视/后期工作者、艺术与设计工作者、广告和营销从业者等打造，提供一站式专业创作解决方案。

DeepSeek-TUI 是美国独立开发者 Hunter Bown（GitHub: Hmbown）用 Rust 语言编写的开源终端 AI 编程智能体，专为 DeepSeek V4 系列模型（Pro/F...

Skywork Deep Research Agent v2 是昆仑万维推出的深度研究智能体，专注于多模态信息的整合与分析。Skywork Deep Research Agent v2 能处理文本、图...

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。

DataBuddy 是腾讯云 WeData 数据开发治理平台内置的 AI 智能体工作台，基于 WorkBuddy 同源 Agent 底层能力，采用分层 Agent 协作架构（Harness AI 理念...

Nemotron Speech ASR是英伟达开源的实时语音识别模型，专为低延迟场景优化，支持24毫秒极速转录和多人并发对话。核心采用混合Mamba-Transformer MoE架构，通过固定状态缓...

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...

Protenix-v1是字节跳动ByteDance Seed团队推出的首个开源蛋白质结构预测模型，性能在严格对齐训练数据和模型规模后超越AlphaFold 3。模型具备显著的推理时扩展特性：通过增加采...

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...

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...

Magentic-UI是微软开源的人机协作AI Agent研究工具。Magentic-UI基于与用户紧密协作，助力完成复杂的Web任务，比如网页浏览、代码执行和文件处理等。工具强调协作规划，让用户能提...

Ring-2.5-1T 是蚂蚁集团百灵大模型团队开源的全球首个万亿参数混合线性架构思考模型，采用1:7 MLA与Lightning Linear Attention混合设计，激活参数量达63B。模型在...

MiMo-V2-Flash是小米发布的开源MoE架构大模型，总参数3090亿，活跃参数150亿，主打高效推理和智能体应用。模型采用混合注意力架构与多词元预测技术，推理速度达150 tokens/秒，成...

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。

QVQ-Max是阿里通义推出的先进的视觉推理模型，是QVQ-72B-Preview的升级版。模型能“看懂”图片和视频内容，结合信息进行分析、推理和问题解决。QVQ-Max主要功能包括图像解析、视频分析...

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...

如果您希望利用人工智能的力量来协助日常事务，并在个人和工作生活中实现工作流程自动化，那么您可能会对现有的多款 AI 工具感兴趣。 AssemblyAI 制作了一段五分钟的视频，详细介绍了您可以用来自动...

PaperBanana是北大与谷歌团队联合开源的AI学术插图自动生成框架，专门解决科研人员绘制方法示意图和统计图表的痛点。框架通过五个智能体协作（检索、规划、造型、渲染和批评），实现从文本描述到Neu...

LingBot-VA 是蚂蚁灵波开源的全球首个“自回归视频-动作世界模型”，把视频生成与机器人控制塞进同一 Transformer，每一步同时输出下一帧世界画面和对应动作，实现“边想边干”。

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...

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...

综合介绍 报告生成工具（Report mAIstro）是一个强大的工具，旨在通过自然语言处理技术，帮助用户轻松创建自定义报告。该工具利用LangChain技术，将用户提供的主题和结构转化为详细的报告内...

Qwen3-VL-Reranker是阿里巴巴推出的多模态重排序模型，专门用于提升跨模态检索的精准度。与Qwen3-VL-Embedding协同工作：前者负责快速召回候选结果，后者通过深度跨模态交互（如...

混元世界模型1.5（Tencent HY WorldPlay）是腾讯发布的业界首个开源的实时世界模型框架，涵盖数据、训练、流式推理部署等全链路。核心是WorldPlay自回归扩散模型，采用Next-F...

Kimi K2.5 是月之暗面发布的开源旗舰模型，采用 1T MoE 架构、激活 32B、上下文 256K token，原生支持图文视频多模态输入。在 Agent、代码、视觉理解三大基准均列开源第一...

DeepSeek-OCR 是 DeepSeek 团队开源的先进光学字符识别（OCR）模型，通过“上下文光学压缩”技术，将文本转换为图像，利用视觉 token 进行压缩和解码，实现高效长文本处理。

Kimi Linear 是月之暗面开源的新型混合线性注意力架构，以 Kimi Delta Attention（KDA）为核心，通过更细粒度的门控机制优化了传统注意力模型，显著提升了硬件效率和内存控制能...

Qwen VLo 是通义千问团队推出的多模态统一理解与生成模型。能“看懂”世界，能基于理解进行高质量的再创造，实现了从感知到生成的跨越。能精准理解图像内容，在此基础上进行一致性和高质量的生成。

VTP（Visual Tokenizer Pre-training）是MiniMax海螺视频团队提出的视觉生成模型关键技术，通过改进视觉分词器（tokenizer）的预训练方法提升生成系统性能。传统方...

SoulX-FlashTalk是Soul App AI团队开源的实时数字人生成模型，拥有140亿参数量，实现了0.87秒超低延迟和32帧/秒的高帧率。模型通过双向蒸馏技术解决了传统数字人延迟高、画面易...

SkyReels-V3是昆仑万维Skywork AI开源的多模态视频生成模型，被誉为视频生成领域的"全能型"标杆。模型基于"一核多支"的统一架构，在单一建模框架内集成三大核心能力：参考图像转视频、智能...

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...

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...

Egocentric-10K 是大规模的第一人称视角（egocentric）工厂操作视频数据集，由 build.ai 团队开源。数据集包含 10,000 小时的视频，总帧数达 10.8 亿帧，涉及 2...

TurboDiffusion是清华大学、生数科技和加州大学伯克利分校联合开源的视频生成加速框架，能在保持画质几乎无损的情况下，将视频生成速度提升100-200倍。通过稀疏线性注意力、采样步数蒸馏和8位...

MindLink是昆仑万维推出开源的推理大模型。具有自适应推理机制，可根据任务复杂度灵活切换推理模式，简单任务快速生成，复杂任务深度推理，兼顾效率与准确性。计划驱动推理范式去掉了“think”标签，降...

Wan-Move是阿里通义实验室、清华大学等机构联合开发的开源AI视频生成框架，专注于通过精准运动控制技术实现高质量视频合成。核心技术是"潜在轨迹引导"，能在现有图像到视频模型基础上无缝添加点级运动控...

GLM-4.7-Flash是智谱开源的混合专家架构语言模型，参数规模为30B，激活参数量3B，上下文窗口达200K，最大输出令牌为128K。在编程能力上表现出色，SWE-bench验证集分数达59.2...

NeuTTS Air是开源的轻量级语音合成模型，由Neuphonic团队开发，可在本地设备（如手机、笔记本、树莓派）上实时运行，无需依赖云端。采用0.5B参数的Qwen架构和自研NeuCodec编解码...

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。

Seed LiveInterpret 2.0 是字节跳动 Seed 团队推出的先进同声传译模型，支持中英双向翻译。模型具备接近真人水平的翻译准确率和极低延迟，平均语音到语音延迟仅 2 - 3 秒，较传...

MonkeyCode 是开源的企业级本地 AI 编程助手，专为注重隐私和安全的开发团队设计。MonkeyCode 支持私有化部署和离线使用，确保代码数据安全。工具功能强大，包括智能代码补全、自然语言编...

飞算JavaAI是飞算科技推出的智能Java开发助手。平台支持自然语言输入，实现从需求分析到代码生成的全流程智能化开发。开发者只需输入需求描述，飞算JavaAI能精准理解、生成完整的工程代码框架，平台...

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...

SHARP（Sharp Monocular View Synthesis in Less Than a Second）是苹果开源的单目视图合成技术。能从单张照片快速生成逼真的3D场景表示，仅需不到一秒...

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...

AGenUI 是高德地图联合阿里千问C端应用团队发布的行业首个覆盖 iOS、Android、HarmonyOS 三端的端云一体原生 A2UI 开源框架。基于 Google 开源的 A2UI v0.9 ...

Ouro是字节跳动Seed团队开发的新型循环语言模型（Looped Language Models），核心创新在于通过参数共享的循环计算结构，在预训练阶段直接构建推理能力。模型采用24层作为基础块，通...

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...

GLM-Image是智谱与华为联合开源的多模态图像生成模型，基于昇腾Atlas 800T A2芯片和昇思MindSpore框架训练，采用创新的"自回归+扩散解码器"混合架构。核心突破在于实现了国产芯片...

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。

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...

VoiceSculptor 是西北工业大学联合多家机构开源的音色设计模型，基于 LLaSA-3B 和 CosyVoice2 开发，专注于通过自然语言指令生成多样化音色的语音合成。支持对语速、音量、基频...

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。

Gemini 2.5 Deep Think 是谷歌推出的 AI 推理模型，专为解决复杂任务设计。是获得 2025 年国际数学奥林匹克竞赛（IMO）金牌的模型的变体，通过并行思考技术（Parallel ...

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...

GLM-TTS 是智谱推出的开源工业级语音合成系统，具备强大的语音合成能力。采用两阶段生成架构：第一阶段将文本转换为语音令牌序列，第二阶段将令牌序列转换为高质量音频。系统支持仅用3秒语音样本即可完成音...

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...

觅游（Meyo） 是美团基础研发 AI 创新产品团队推出的 AI 原生共生社区，目前已进入公测阶段。产品以"养虾"为核心隐喻，将 AI Agent 升级为拥有身份、MBTI 人格、社交关系与成长属性的...

olmOCR 2是Allen Institute for Artificial Intelligence（AI2）开源的多模态文档解析模型，是olmOCR的升级版本。将数字化的打印文档（如 PDF）高...

openPangu-VL-7B是华为开源的7B参数规模的多模态模型，专为昇腾端侧设备优化设计。模型在视觉定位、OCR识别、文档理解等任务中表现出色，支持实时推理（5FPS），单卡延迟仅160毫秒。

Yume1.5是开源的交互式世界生成模型，由上海人工智能实验室、复旦大学、上海创新研究院联合开发，能实现实时交互渲染（单卡12 FPS）。采用了联合时空通道建模（TSCM）技术，即使上下文长度增加也能...

SongBloom是腾讯AI Lab联合香港中文大学（深圳）与南京大学研发的开源歌曲生成模型，解决AI音乐生成中的“塑料感”问题，实现高质量、结构完整的歌曲生成。只需输入10秒参考音频和对应歌词，即可...

FunctionGemma是谷歌推出的专为函数调用优化的轻量级AI模型，基于2.7亿参数的Gemma 3基础模型开发，可在手机、浏览器等设备上实时将自然语言转换为可执行API指令。核心特点是支持本地离...

StoryMem是字节跳动与南洋理工大学联合开源的AI视频生成系统，专为解决多场景视频中角色和环境一致性问题。核心通过"视觉记忆库"技术，自动存储关键帧并在后续生成时参考，确保人物外貌、服装、场景元素...

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...

ZeroSearch是阿里巴巴通义实验室开源的创新大模型搜索引擎框架。框架无需与真实搜索引擎交互，基于模拟搜索引擎的方式，用大模型自身的预训练知识生成相关或噪声文档，大幅降低训练成本（降低80%以上...

LingBot-Depth是蚂蚁灵波科技开源的高精度空间感知模型，专门解决机器人在透明玻璃、反光物体等复杂场景中的深度识别难题。模型通过创新的"掩码深度建模"技术，在RGB图像基础上预测缺失的深度值

MOVA（MOSS-Video-and-Audio） 是上海创智学院 OpenMOSS 团队联合模思智能（MOSI）开源的端到端音视频生成模型，是中国首个高性能开源音视频模型。突破了传统"先画面后配音...

HeyGen是AI驱动的数字人视频创作平台，支持简化视频制作流程，让用户快速生成专业水准的数字人视频。平台基于先进的AI技术，赋予用户对数字人物形象和声音的完全控制权，提供丰富的素材库，包括多样化背景...

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。

Klear-Reasoner 是快手推出的高性能推理模型，基于 Qwen3-8B-Base 进行开发。模型通过长思维链监督微调和强化学习训练，在数学和代码推理方面表现出色。Klear-Reasoner...

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。

Clawith 是 DataElem 团队开源的"OpenClaw for Teams"——面向团队的多智能体协作平台。在保留 OpenClaw 灵魂与记忆能力的基础上，升级为 Aware 自主感知系...

VitaBench是美团LongCat团队发布的首个面向复杂生活场景的交互式Agent评测基准，评估大模型智能体在真实生活场景中的综合能力。以外卖点餐、餐厅就餐、旅游出行三大高频生活场景为载体，构建包...

Wide Research 是 Manus 平台推出的强大功能，专为处理复杂且大规模的任务而设计。平台通过系统级的并行处理机制和智能体协作协议，能支持上百个通用智能体同时工作。

灵珠是上海灵感菇智能科技有限公司打造的零门槛AI应用创作平台，由语生科学AI孵化平台推出。用户无需编写任何代码，只需在网页中输入创意想法，系统即可自动生成可实际运行的产品

聆音EchoCare是中国科学院香港创新研究院人工智能与机器人创新中心（CAIR）研发的超声基座大模型，基于全球最大的超声影像数据集（超450万张图像）训练而成，覆盖多中心、多地区、多人种及50余个人...

SoulX-Podcast 是 Soul AI Lab 开源的先进多说话者对话式语音合成模型，专为生成高质量播客内容设计。具备多轮对话生成能力，能模拟真实播客场景中的流畅对话，支持普通话、英语及多种中...

Step3-VL-10B是阶跃星辰团队开源的100亿参数多模态AI模型，核心突破在于以轻量化设计实现顶级性能。模型通过统一预训练策略（1.2T多模态令牌数据）和创新的并行协同推理技术（PACORE...

RealVideo 是智谱 AI 开源的实时流式视频生成系统，能在 2 至 3 秒内快速生成自然流畅的视频回应。用户只需上传一张照片并输入文字，系统能生成对应的语音和视频，实现与 AI 角色的实时对话...

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...

Claude Opus 4.8 是 Anthropic 推出的最新旗舰 AI 模型，在 Opus 4.7 基础上全面升级了编码、Agentic 推理与知识工作能力，新增动态工作流（Dynamic Wo...

GELab-Zero是阶跃团队开源的端侧多模态GUI Agent模型，基于Qwen3-VL-4B-Instruct基座模型构建，参数量为4B。能识别UI元素并执行点击、滑动等操作，支持跨应用任务处理...