STARFlow-V：苹果推出标准化流视频生成模型，挑战扩散模型主流地位
苹果最新发布的 STARFlow-V 为视频生成领域带来了全新技术路径——作为一款基于标准化流（Normalizing Flows）的端到端模型，它打破了当前扩散模型主导的格局，凭借全局-局部架构、因...
排序
阶跃星辰开源Step-Audio-R1：首个支持测试时计算扩展的音频大语言模型，“越想越准”比肩Gemini 3
阶跃星辰开源的 Step-Audio-R1 打破了传统音频模型的性能瓶颈，成为首个支持“测试时计算扩展”的音频大语言模型。它通过创新的模态落地推理蒸馏技术，让模型直接基于声学特征进行链式思考，而非依赖...
Mistral AI正式发布Mistral 3系列模型：开源多模态模型家族，覆盖从边缘到企业级场景
Mistral AI 正式推出新一代模型系列 Mistral 3，此次发布不仅包含适配边缘场景的 Ministral 3 系列小型密集模型，更带来了性能顶尖的稀疏专家混合模型 Mistral Larg...
阿里开源Ovis-Image：7B 参数实现高质量文本渲染的文生图模型，海报 / UI 设计秒生成
Ovis-Image 是由阿里巴巴国际数字商务团队开发的 70亿参数 文本到图像（Text-to-Image）生成模型，专注于解决文生图系统中长期存在的文本模糊、拼写错误、排版失真等痛点。该模型在保持...
阿里开源Marco-Voice：说话人-情感独立调控，语音克隆相似度0.8275碾压同类
阿里巴巴国际数字商务团队推出的开源语音合成框架 Marco-Voice，以“说话人-情感解耦”为核心创新，整合语音克隆、情感可控合成、跨语言生成三大功能，构建了统一且高效的文本转语音系统。该框架通过批...
DeepSeek V3.2正式发布：推理能力追平GPT-5，首个思考+工具调用开源模型
经过两个多月测试，DeepSeek 正式推出 V3.2 系列模型，包括平衡型主力版本 DeepSeek V3.2 与极致推理增强版 DeepSeek V3.2 Speciale。前者以“推理能力不逊 ...
字节跳动发布Vidi2：攻克细粒度时空定位，视频检索性能领先GPT - 5
字节跳动智能创作团队推出的第二代多模态视频模型Vidi2，凭借在时空定位、时间检索和视频问答三大核心能力上的突破，打破了传统视频模型在长视频理解和精细交互上的局限。该模型不仅在核心任务中实现对Gemi...
Meta AI发布SAM 3：支持文本/图像双提示，图像视频分割性能翻
Meta 近日推出 Segment Anything 系列新一代模型——SAM 3，首次实现文本、图像示例双提示驱动的开放式概念分割，可精准识别并分割“带红色条纹的雨伞”等细粒度概念，在图像与视频分割...
Meta AI发布SAM 3D：单图生成3D模型，开源全工具链+商业落地同步推进
Meta AI近日推出 Segment Anything 模型家族的全新成员——SAM 3D，这是首个具备常识级 3D 理解能力的模型，可直接将普通 2D 照片转化为细节丰富的 3D 重建结果。此次发...
SteadyDancer：用 I2V 范式解决首帧失真，生成身份一致的高保真人像动画
人体图像动画技术迎来颠覆性突破！南京大学、腾讯与上海AI实验室联合推出的SteadyDancer框架，通过彻底摒弃传统参考图到视频（R2V）范式，转向图像到视频（I2V）全新思路，从根源上解决了长期困...
685B参数DeepSeekMath-V2开源！IMO/CMO金牌+Putnam近满分，颠覆数学推理范式
数学推理领域迎来里程碑式突破！DeepSeek AI 正式发布开源数学模型 DeepSeekMath-V2，这款基于 685B 参数专家混合（MoE）架构的模型，不仅在 IMO 2025、CMO 20...
阿里通义发布Z-Image-Turbo：60 亿参数高效图像模型，支持中英双语文本渲染与亚秒级生成
在图像生成模型多依赖“大参数堆料”的行业趋势下，阿里通义MAX项目组推出的Z-Image，以60亿参数的轻量化体量实现了颠覆性突破。这款通过系统性优化打造的图像生成基础模型，不仅在照片级真实感生成、中...
