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...
排序
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...
阿里通义千问发布 Qwen3.5-Omni：全模态原生大模型，215 项 SOTA 碾压 Gemini 3.1 Pro
“能听、能看、能思考、能执行，还能像真人一样打断和克隆声音。” 阿里巴巴正式发布了其最新一代全模态原生大模型——Qwen3.5-Omni。这款模型不仅在文本、图像、音频、视频的理解上实现了全面融合，更...
X-Dub：告别“面具式”配音，AI 让视频唇同步更自然逼真
在影视翻译、虚拟人互动和短视频创作中，音频驱动的视觉配音（Visual Dubbing）技术至关重要。然而，传统方法长期受困于一个核心难题：缺乏完美的成对训练数据（即除了嘴型不同，其他完全一致的视频...
DreamScene360：输入文字，一键生成可沉浸式漫游的 360°3D 场景
在虚拟现实（VR）、游戏开发和数字孪生领域，高质量 3D 场景的构建一直是最大的瓶颈。传统建模需要专业技能和数周时间，而现有的“文本生成 3D”技术往往只能生成单一视角的物体，或者生成的全景场景存在严...
Foundation-1：重新定义 AI 音乐制作，首个“结构化文本生成采样”模型
在 AI 音乐生成领域，大多数模型（如 Suno, Udio）专注于生成完整的歌曲或长段落，但对于专业音乐制作人而言，他们真正需要的是高质量的、可循环的、结构精准的采样（Samples/Loops...
PSDesigner：首个模拟人类设计师工作流的自动化图形设计系统，直接生成可编辑 PSD 文件
在 AI 绘画领域，Midjourney 等模型已经能生成令人惊叹的图像，但它们有一个致命弱点：输出的是“死”的位图。图层被合并、文字无法修改、元素无法移动。对于需要反复迭代、精细调整的电商海报、广告...
PixelSmile：复旦与StepFun联手打造，AI表情编辑迎来“微操”时代
“笑得太假”、“愤怒变成了厌恶”、“改完表情不像本人了”——这些曾是AI人脸编辑难以逾越的鸿沟。如今，复旦大学与StepFun的研究团队共同推出了 PixelSmile，一款基于扩散模型的细粒度面部表...
Meta 发布 TRIBE v2：AI 模型可精准预测大脑反应，神经科学迎来“数字孪生”时代
脑科学研究长期受限于高昂的实验成本和缓慢的数据采集速度。功能性磁共振成像（fMRI）不仅需要昂贵的设备，还要求受试者长时间配合，且数据充满噪声。 GitHub：https://github.com/f...
RealRestorer：开源图像修复新标杆，九合一全能模型直逼闭源顶尖水平
在自动驾驶、安防监控、遥感分析乃至日常摄影中，图像质量往往决定了下游任务的成败。然而，真实世界中的图像退化（如模糊、噪点、雾霾、反光等）复杂多变，传统修复模型往往“水土不服”，而效果卓越的闭源大模型...
智谱突袭发布GLM-5.1：编码能力暴涨 30%，直逼 Claude Opus，手把手教你接入 Claude Code 与 OpenClaw
就在距离春节版 GLM-5.0 发布仅一个多月后，智谱 AI 今晚突然放出“大招”——正式推出改进版大模型 GLM-5.1。该模型现已面向 GLM Coding Plan 全体用户（Lite/Pro...
美团开源 LongCat-Next：原生多模态新范式，用“离散 Token”统一文本、图像与语音
在人工智能迈向“通用智能”的征途中，如何处理文本、图像、语音等多种模态数据，一直是业界最大的挑战之一。传统方案往往需要为不同模态设计独立的编码器，或采用复杂的跨模态对齐机制，导致模型架构臃肿、训练困难...
