Nemotron-Speech-Streaming-En-0.6B：面向低延迟与高吞吐的流式语音识别模型
英伟达推出的 Nemotron-Speech-Streaming-En-0.6B 是 Nemotron Speech 系列中的首个统一语音识别（ASR）模型，专为实时英语转录场景设计。它同时支持低延迟...
排序
Lightricks发布LTX-2：首个基于 DiT 的开源音视频基础模型
Lightricks发布了首个基于 Diffusion Transformer（DiT） 架构的开源音视频联合生成模型LTX-2。它在一个统一框架中集成了现代视频生成的核心能力：同步的音频与视频输出...
九坤至知开源代码大模型IQuest‑Coder‑V1：Code‑Flow训练+双路径优化，40B模型重塑代码大模型性能边界
2026年初，量化基金公司九坤旗下至知创新研究院正式开源IQuest‑Coder‑V1系列代码大模型，涵盖7B、14B、40B、40B‑Loop等版本，专注软件工程与竞赛编程场景，目前已释出40B模型...
阿里发布文生图模型Qwen-Image-2512:人像、纹理、文字渲染显著提升
2025 年 12 月 31 日，阿里 Qwen 项目组发布了 Qwen-Image-2512 —— Qwen-Image 文生图基础模型的最新版本。这是继今年 8 月首次开源 Qwen-Image ...
Yume1.5：用一张图或一段文字，生成可实时探索的虚拟世界
想象一下：你上传一张街景照片，或输入一句描述——“一个穿风衣的男人走在雨夜的东京街头，霓虹灯闪烁，远处有全息广告”——模型随即生成一个可自由行走、视角可调、事件可触发的动态 3D 世界。你用键盘控制角...
1步顶100步！TwinFlow让Qwen-Image、Z-Image推理提速100倍，无需判别器或教师模型
当前，大规模多模态生成模型（如 Qwen-Image、Z-Image）在图像与视频生成上展现出惊人能力，但其推理效率仍严重受限——标准扩散或流匹配模型通常需 40–100 次函数评估（NFE）才能生成...
fal 发布FLUX.2 Turbo：开源图像模型速度提升6倍，成本降至0.008美元/图
在完成 1.4 亿美元 D 轮融资后，AI 媒体基础设施平台 fal.ai（简称 fal）于年末推出其最新成果：FLUX.2 [dev] Turbo —— 一款基于 Black Forest Labs...
告别 “改不动”！ProEdit：反转编辑新方案，精准修改图像属性，即插即用超 SOTA
解决源图像信息过度注入问题，实现更可控的图像与视频编辑 由中山大学、香港中文大学、香港大学与南洋理工大学联合提出，ProEdit 是一种高精度、即插即用的基于反转（inversion-based）的视...
阿里通义开源 MAI-UI：32B 模型 GUI 定位超 Gemini-3-Pro，端云协同重构智能体交互
阿里通义实验室近日开源 MAI-UI —— 一个面向真实世界部署的 通用 GUI（图形用户界面）智能体基座模型系列，涵盖 2B、8B、32B 和 235B-A22B 四种规模。其 32B 版本在 Sc...
Stable Video Infinity（SVI）发布 2.0 Pro：基于错误回收机制的无限长视频生成模型
洛桑联邦理工学院（EPFL）的研究团队推出 Stable Video Infinity（SVI） ——一款能够生成任意长度视频的人工智能模型。它通过一项名为 “错误回收微调（Error-Recycli...
StoryMem：基于Wan2.2的新框架，用“视觉记忆”生成连贯的多镜头长视频
生成一段包含多个镜头、角色一致、场景连贯、时长达一分钟的叙事视频，是当前视频生成模型的重大挑战。主流方法要么局限于单镜头，要么在跨镜头切换时出现角色崩坏、场景断裂等问题。 由南洋理工大学与字节跳动联合...
VideoRAG：用知识图谱和多模态检索让大模型理解多小时视频
当前的大语言模型（LLMs）在处理短视频时已表现出强大能力，但面对数小时甚至跨集的长视频（如讲座系列、纪录片、剧集），它们往往力不从心——上下文窗口有限、计算成本高、跨场景语义断裂。 GitHub：h...
