AI最新项目

Index-Translate 是哔哩哔哩 Index LLM 团队推出的开源多语言翻译模型家族，依托 Qwen3.5 基座开发，提供 2B、9B、35B-A3B (preview) 多规格权重，在 ...

Claude Sonnet 5.5 是 Anthropic 推出的 5.5 系列中端主力大模型，作为 Opus 5.5 的配套版本，在智能体编程任务上取得突破，相关基准测试结果超越旗舰 Opus 5...

DeepSeek Harness 桌面版是深度求索推出的智能体运行框架桌面客户端，将原本依赖命令行与网页部署的 Harness 框架打包为原生桌面应用，适配 Windows 与 macOS 操作系统...

WebCraftBench 是由腾讯混元联合高校团队推出的 AI 网页生成评测框架，打破传统静态截图打分的评测思路，把软件测试流程引入网页生成质量校验。它依托真实用户需求构建测试用例，借助智能代理模拟...

FLUX 3 Max是falResearch联合 BlackForestLabs 推出的 FLUX3 二次调优版本，底层依托 FLUX3 多模态基础模型，侧重图像转视频场景做后训练迭代与推理链路优化...

PixelUMM 是 NVIDIA 与滑铁卢大学联合推出的无编码器多模态模型，摒弃传统 VAE 与独立视觉编码器，依靠单一解码器 Transformer 直接读写原始像素。图像拆分为 16×16 补丁...

Mellum2.1 是 JetBrains 推出的开源 MoE 架构大模型，面向代码智能体场景完成迭代升级，总参数规模 12B，单 token 仅激活 2.5B 参数。模型延续前代基础架构，把强化学习...

OpenAI 推出 GPT-6.1 Sol，作为 GPT-6 Sol 迭代升级版本，在智能体编程、计算机操作、复杂专业任务上完成能力补强。模型在多项专业评测中取得接近 GPT-6 Astra 的表现...

R2T2 全称 Confucius4‑R2T2，隶属于网易有道子曰 Live 系列，是面向语音智能体场景的开源真流式语音识别模型。传统流式识别会随后续音频不断修改已输出文字，容易造成字幕闪烁、下游模块...

Gemini 3.8 Live 是谷歌推出的原生音频转音频实时对话模型，依托 Live API 对外提供服务，面向需要低延迟交互的语音智能代理场景。模型可持续接收音频、图像流输入，同步输出自然语音回复...

MentalHealthBench 是 OpenAI 推出的开源评测基准，由来自 22 个国家的八十余名持证心理健康专家联合搭建，专门衡量大模型在真实心理对话场景下的应答水平。整套基准包含 1215 ...

GPT-6 Luna 是 OpenAI 推出的 GPT-6 系列轻量化多模态大模型，同系列产品包含 GPT-6 Sol、GPT-6 Astra，主打低延迟、低成本的日常交互与轻量级业务任务。模型保留多...

GPT-6 Sol 是 OpenAI 推出的 GPT-6 系列中端多模态大模型，能力在旗舰GPT-6 Astra 与轻量 GPT-6 Luna 之间，继承 Astra 的推理、代码与计算机操作相关技术...

Hi3D‑1.0是MathMagic团队对外开源的生产级图像转3D模型，前身为Sparc3D，依托两百万条经过筛选的三维资产完成训练。输入单张二维图片，模型可推理物体完整形体，包含视角看不到的背面结构...

GPT-6.1Terra为OpenAI推出的高效商用模型，内置原生视觉推理通道与电脑操作调度模块，面向高频办公自动化任务开发，承接前代GPT-5.6Terra的能力路线迭代升级。模型支持文本、截图、图...

BlenderWorld 是一套基于Blender构建的开源3D智能体评测基准，由通义千问团队发布。项目内置数百项 3D 创作任务与量化评判规则，测试内容围绕模型操控 Blender 软件生成完整可编...

Hy Memory2.0 是腾讯混元发布的新一代 AI 智能体记忆框架，配套专用记忆模型 Hy-Memory-30A3B 与 MemHub 应用，三层组件同步对外开源，可独立部署或是组合使用。这套系统...

StartLux‑Decision 是 StartLuxLabs 发布的开源专用决策模型，项目托管于 GitHub 仓库，提供 0.8B、2B、4B、9B、27B 五档参数版本，附带多精度量化权重，适...

ElevenLabs v4 是 ElevenLabs 推出的全新一代 TTS 模型，配套推出低延迟分支版本 v4 Turbo，采用全新模型架构，不再局限于简单朗读文字，可结合上下文理解台词情绪、节奏与...

Gemini 3.8 Flash-Lite TTS 属于谷歌 Gemini 3.8 音频产品线，是面向高并发场景的轻量化文本转语音模型，依托 Flash 系列主干做精简优化，优先保障音频生成速度与低资...

Gemini 3.8 Flash TTS 是谷歌 DeepMind 推出的创意向文本转语音模型，归入 Gemini 3.8 音频模型体系，专注角色语音设计与双人对话音频生成。模型支持通过自然语言描述直...

Qwen-Audio-3.1 是阿里通义千问推出的音频多模态模型系列，一次性发布五款子模型，覆盖语音识别、语音合成、实时语音交互、音频创作全链路能力。整套体系包含 ASR、TTS、Realtime 实...

Nemotron3.5Transcribe是英伟达发布的开放权重多任务语音模型，采用混合专家架构，单模型即可完成语音转写、说话人区分、语音翻译、音频内容问答多项任务，无需拼接多个独立语音组件。支持最长...

Hy-SimulMT出自腾讯混元开源项目，面向同步口译场景构建流式多模态翻译系统，支持语音分片输入并逐段产出译文，区别于等待整句结束再翻译的传统方案。模型支持语音、文本双路输入，内置自适应断句策略，控...

LingDT-Decision-1.0 是蚂蚁数科推出的专用决策模型，包含 4B、27B 两个参数版本，上架 DTMaaS 平台开放测试体验。模型面向企业结构化判定任务设计，摒弃通用大模型先生成文本再...

Eleven Realtime 是 ElevenLabs 推出的端到端语音对语音模型系列，包含 v1Mini 与 v1Max 两个版本，把语音信号检测、说话轮次判断、语言逻辑处理、语音合成整合为一套完...

HeyGenVoice 是 HeyGen 面向数字人场景打造的自研语音模型，集成文本转语音与语音克隆能力，覆盖上百种语言及方言。该模型专门针对数字人唇形匹配做优化，输出音频附带精细时间戳，支持短样本声...

Strands Decider 2B 是 AWS 旗下 Strands Labs 推出的开源决策模型，参数规模约 20 亿，采用 Apache 2.0 许可协议对外开放权重与代码。模型和传统生成式大模...

LongCat-2.5-Preview 是美团推出的大模型，依托 MoE 混合专家架构打造，原生支持 100 万 token 上下文窗口，新增图像理解能力，强化代码与智能代理任务处理能力。模型总参数量...

Qwen Intelligence 是阿里推出的个人智能服务体系，主打把智能能力落地到各类终端设备，面向普通使用者和规模化交付需求打造完整 Agent 服务。这套体系围绕手机场景完成模型专项调优，把任...