从一个关键词开始
搜名称,也可以搜场景,比如“AI 写作”“视频剪辑”或“编程助手”。
工具 1
AI热点 8
AI视频降价:谷歌Gemini Omni 1.2 Flash转正式版AI热点谷歌视频模型转正式版并降价,国内厂商同步下调价格,头部模型能力差距收窄。
谷歌发布视频模型Omni 1.2 FlashAI热点谷歌DeepMind推出Gemini Omni 1.2 Flash,支持原生15秒视频生成与多轮对话编辑,价格降30%,在文生视频与图生视频榜单均登顶。
Omni-Encoder用共享SigLIP2统一四模态表征AI热点Omni-Encoder以单一SigLIP-2 ViT共享参数统一图像、视频、音频与视听编码,在16个基准上表现竞争力,联合训练提升各模态效果。
Liquid AI发布74M参数流式音频编解码器AI热点Liquid AI发布流式语音编解码器LiquidCodec,约74M参数,权重已上架Hugging Face。
R²-Omni免训练框架:内存降5倍提速1.48倍AI热点arXiv论文提出R²-Omni免训练框架,通过结构与精度双重冗余削减,使全模态LLM长文本生成内存占用降低5倍,保留97.98%质量并实现1.48倍端到端提速。
Cmpnd发布dspy-wsp:权重空间编程成DSPy优化器AI热点Cmpnd发布开源优化器dspy-wsp,让前沿LLM直接读取并编辑小模型权重,无需梯度与训练数据,评测中d1-omni-600M提升18.3点。
vLLM-Omni实现H3-Image在Rubin的Day-0支持AI热点vLLM-Omni将MiniMax H3-Image带到NVIDIA Vera Rubin,四卡配置下4K生成中位延迟0.866秒,吞吐达6115张/小时。
智元发布具身全模态模型WITA-OmniAI热点智元发布行业首个具身全模态端到端交互大模型WITA-Omni,支持触觉与动作输出,响应最快约400毫秒。
开源项目 11
UniRL:统一多模态模型强化学习框架开源项目分层可组合的 RL 后训练框架,用同一套生成、打分、优势计算、策略更新流程覆盖多类多模态模型。查看
omni-tools:自托管的在线工具集合开源项目自托管 Web 应用,提供图片/视频/PDF/文本/日期/数学/数据等常用工具,文件全部在浏览器本地处理。查看
Qwen3-Omni:多模态全模态基础模型开源项目Qwen3-Omni 是端到端多语言全模态基础模型,处理文本、图像、音频、视频并流式输出文本与语音。查看
Ming-flash-omni 2.0:开源全模态多模态大模型开源项目Ming-flash-omni 2.0 是基于 Ling-2.0 MoE 架构的开源全模态 MLLM,支持图像、文本、视频、音频输入与图像、文本、音频输出。查看
LongCat-Flash-Omni:全模态开源模型开源项目5600 亿参数(激活 270 亿)的开源全模态模型,支持实时音视频交互与流式语音生成。查看
Z-Image:6B 参数单流扩散图像生成模型开源项目提供 Z-Image、Turbo、Omni-Base、Edit 四个变体的图像生成与编辑模型,Turbo 仅需 8 步采样。查看
VoxCPM:无离散token的文本转语音模型开源项目基于扩散自回归架构的开源TTS系统,支持30种语言、声音设计、可控声音克隆与48kHz输出。查看
Qwen-Image-Layered:图像分层分解模型开源项目将图像分解为多个RGBA图层的模型,每层可独立编辑,支持变层数与递归分解,附Gradio部署脚本。查看
SimpleMem:LLM Agent 的长期记忆系统开源项目面向 LLM Agent 的长期记忆系统,通过语义压缩存储与检索文本及图像、音频、视频多模态记忆。查看
JoyAI-VL-Interaction:实时视频语言交互模型与系统开源项目8B 视觉语言交互模型,配套训练配方、数据与实时流式部署系统。查看
MOSS-TTS Family:语音与声音生成模型家族开源项目开源语音与声音生成模型家族,覆盖长篇语音、多说话人对话、音色设计、环境音效与实时流式 TTS。查看
