OmniVoice：小米 K2-FSA 团队开源 600+ 语言零样本 TTS，一句话复刻全球声音
OmniVoice 是由 小米 K2-Fsa 团队 最新推出的文本转语音（TTS）模型。它打破了传统 TTS 的语言壁垒，支持超过 600 种语言（包括大量低资源语言和方言），并凭借创新的 扩散语言模...
排序
谷歌发布Gemma 4：迄今为止最智能的开放模型，多硬件适配可离线运行
今日，谷歌正式推出全新开放模型Gemma 4，并称其为“迄今为止最智能的开放模型”。该模型专为高级推理和智能体工作流打造，核心亮点在于实现了前所未有的单位参数智能水平，既能在自有硬件上高效运行，又能通...
英伟达发布 Nemotron OCR v2：企业级多语言文本识别OCR模型
英伟达正式推出了 Nemotron OCR v2，这是一款专为复杂真实世界场景设计的尖端多语言光学字符识别（OCR）模型。作为 NVIDIA NeMo Retriever 系列的核心成员，该模型不仅实...
阿里正式发布Qwen3.6-Plus ：迈向现实世界智能体的关键一步
阿里巴巴今日正式宣布 Qwen3.6-Plus 上线，标志着通义千问系列在智能体（Agent）编程与原生多模态推理领域实现了里程碑式的跨越。作为 Qwen3.5 系列的继任者，Qwen3.6-Plus...
阿里巴巴发布 Wan2.7-Image：集图像生成与编辑于一体的统一模型，人更真、字更稳、色更准
阿里巴巴今日正式发布 Wan2.7-Image，一款集图像生成与编辑于一体的统一模型。专为对内容品质有极致要求的创作者打造，Wan2.7-Image 直击当前 AI 生图领域的三大痛点：人物同质化（A...
Mugen：基于 Flux 2 VAE 的 SDXL 动漫模型新生，低成本实现高质量角色生成
Mugen 是开发者 Cabal Research 推出的最新动漫生成模型系列。作为从 SDXL 到 Flux 2 VAE 潜空间转换技术的延续，Mugen 不仅重命名以区别于原始的 NoobAI 模...
Liquid AI 发布 LFM2.5-350M：3.5 亿参数的“边缘智能”奇迹，重新定义小模型极限
在生成式 AI 领域，“大力出奇迹”的规模法则（Scaling Law）似乎是不可动摇的铁律。然而，Liquid AI 今日发布的 LFM2.5-350M 向这一传统观念发起了有力挑战。这是一个仅有 ...
微软发布 Harrier-OSS-v1：基于解码器架构的多语言嵌入模型新标杆
微软正式发布了 Harrier-OSS-v1，这是一套全新的多语言文本嵌入（Text Embedding）模型系列。该系列包含三种不同规模（2.7亿、6亿、270亿参数），并在权威的 多语言 MTEB...
Chroma 发布 Context-1：20B 参数“侦察兵”模型，重新定义多跳检索与 RAG 架构
在当前的 AI 浪潮中，“大力出奇迹”的上下文窗口扩展策略正面临瓶颈。将数百万 token 强行塞入提示词，不仅带来高昂的延迟和成本，更导致了著名的“迷失在中间（Lost in the Middle...
谷歌推出 Veo 3.1 Lite：最具成本效益的视频生成模型，助力开发者大规模应用
谷歌今日正式宣布推出 Veo 3.1 Lite，这是其 Veo 3.1 系列中最具成本效益的视频生成模型。该模型现已通过 Gemini API 和 Google AI Studio 向开发者开放，旨在...
LongCat-AudioDiT：美团开源的端到端语音合成模型，直接在波形潜空间生成高保真语音
美团 LongCat 团队推出了 LongCat-AudioDiT，这是一种基于扩散模型的最新文本转语音（TTS）系统。该模型的核心创新在于摒弃了传统的中间声学特征（如梅尔频谱图），直接在波形潜空间...
See-through：一张静态动漫图，自动“透视”拆分为可动 2.5D 角色
在虚拟主播（VTuber）、游戏开发和视觉小说制作中，将静态插画转化为可互动的 Live2D 模型 是标准流程。然而，传统制作极其耗时：画师需要手动将图片切割成数十个图层，凭想象“脑补”被头发遮挡的脸...
