YuE 是香港科技大学和 M-A-P 联合开发的开源 AI 音乐生成模型，能够将歌词转化为完整的歌曲，支持多种音乐风格和多语言。

豆包大模型1.5是字节跳动推出的最新大模型，采用大规模稀疏MoE架构，支持多模态输入输出，具备低时延语音对话能力，综合性能优于GPT-4o和Claude 3.5 Sonnet。

Jina Reader 是一款由 Jina AI 推出的开源工具，能够将网页内容快速转换为适合大型语言模型（LLMs）处理的纯文本格式，支持多种输出格式和动态内容处理。

通义实验室在前期的工作中提出了基于监督离散语音标记的多语言语音合成模型CosyVoice。通过使用两种流行的生成模型：语言模型 (LM) 和流匹配进行渐进式语义解码，CosyVoice 在语音语境学习中实现了较高的韵律自然度、内容一致性和说话人相似性。

阿里巴巴最新开源的Qwen2.5-VL-32B多模态模型，在数学推理、视觉问答等任务中超越前代72B版本，支持图像细粒度理解和复杂逻辑分析，已在HuggingFace开源。

Agent TARS 是一款开源的多模态AI助手，能够通过视觉解析网页并无缝集成命令行和文件系统，帮助用户高效完成复杂任务。

HealthGPT 是浙江大学联合阿里巴巴等机构开发的先进医学视觉语言模型，具备医学图像分析、诊断辅助和个性化治疗方案建议等功能。

2024金融行业大模型挑战赛即将开启，旨在推动大型语言模型在金融领域的应用。比赛提供金融多轮问答数据集，参赛者需使用GLM-4模型API，通过SQL、API等技术解决金融问题，涵盖数据查询、统计分析及复杂问题处理。赛事分初赛、复赛和决赛，总奖金20万元。报名时间为2024年12月2日至2025年2月6日。

Cooragent 是清华大学 LeapLab 团队推出的开源 AI Agent 协作框架，支持基于简单描述快速创建 Agent 并实现多 Agent 协作，具备 Prompt-Free 设计和本地部署能力。

UniRig是清华大学与VAST联合研发的自动骨骼绑定框架，基于自回归模型与交叉注意力机制，支持多样化3D模型的骨骼生成与蒙皮权重预测，其创新的骨骼树标记化技术显著提升动画制作效率。

本文解析开源OCR工具Versatile-OCR-Program的技术实现，其基于多模态融合架构实现90%以上识别准确率，支持数学公式与图表的结构化输出，为教育资料数字化提供高效解决方案。

OmniSQL是开源的文本到SQL转换模型，通过创新的数据合成框架生成250万条高质量样本，支持7B/14B/32B三种模型版本，能处理从简单查询到复杂多表连接等各种SQL需求。

PSHuman 是一种先进的单图像3D人像重建技术，仅需一张照片即可生成高度逼真的3D模型，支持面部细节、全身姿态和纹理恢复，适用于影视、游戏、虚拟现实等多个领域。

SeniorTalk是由智源研究院与南开大学联合推出的全球首个中文超高龄老年人对话语音数据集，包含202位75岁及以上老年人的55.53小时语音数据，涵盖16个省市的不同地域口音。

SoulChat2.0 是华南理工大学推出的心理咨询师数字孪生大语言模型，能够低成本、快速构建个性化咨询风格的心理健康大模型，辅助心理咨询师工作。

Clone-voice是一款开源的声音克隆工具，支持16种语言，能够将文本转换为语音或将一种声音风格转换为另一种。该工具基于深度学习技术，界面友好，操作简单，适用于多种应用场景，如视频制作、语言学习和广告配音等。

Paper2Code是由韩国科学技术院与DeepAuto.ai联合开发的多智能体框架，通过规划、分析和代码生成三阶段流程，将机器学习论文自动转化为可执行代码仓库，显著提升科研复现效率。

BabelDOC 是一款专为科学论文设计的开源AI翻译工具，采用先进的无损解析技术和智能布局识别算法，能完美保留原文格式并生成双语对照翻译。

ElevenLabs推出的Text to Bark是全球首个能将文本转换为逼真狗吠声的AI模型，支持多种犬种选择并适配智能家居设备，其核心技术基于深度神经网络训练。

QVQ-Max是阿里通义推出的新一代视觉推理模型，不仅能解析图像视频内容，还能进行深度推理和创意生成，在数学解题、数据分析、穿搭建议等场景展现强大能力。

3FS是DeepSeek开源的高性能分布式文件系统，专为AI训练和推理任务设计，提供高达6.6 TiB/s的读取吞吐量，支持强一致性保障和通用文件接口，优化AI工作负载。

ToddlerBot 是斯坦福大学推出的低成本开源人形机器人平台，支持强化学习、模仿学习和零样本模拟到现实转移，适用于运动操作研究和多场景应用。

AigcPanel 是一款开源的 AI 虚拟数字人系统，支持视频合成、声音克隆等功能，适用于影视制作、虚拟主播、教育培训等多种场景。

随着移动端（手机/平板等）算力、内存、磁盘空间的不断增长，在移动端部署大模型逐渐成为可能。在端侧运行大模型，可以有一系列好处：去除网络延迟，加快响应速度；降低算力成本，便于大规模应用；不需数据上传，保护用户稳私。

ChildMandarin是由智源研究院与南开大学联合推出的开源语音数据集，包含41.25小时3-5岁儿童普通话语音数据，覆盖中国22个省级行政区，为儿童语音识别和语言发展研究提供高质量数据支持。

RuoYi AI 是一个全栈式 AI 开发平台，支持本地 RAG 方案，集成多种大语言模型和多媒体功能，适合企业和个人开发者快速搭建个性化 AI 应用。

Janus-Pro是DeepSeek推出的一款开源多模态AI模型，支持图像理解和生成，提供1B和7B两种规模，适配多元应用场景。通过改进的训练策略、扩展的数据集和更大规模的模型，显著提升了文本到图像的生成能力和指令跟随性能。

Kokoro-TTS 是一款轻量级文本转语音模型，支持多语言和多语音风格生成，具备实时处理能力和低资源占用，适用于多种应用场景。

PsycoLLM 是合肥工业大学推出的中文心理大语言模型，基于高质量心理数据集训练，支持心理健康评估、多轮对话和情绪识别，为心理健康领域提供技术支持。

Fish Speech 1.5 是由 Fish Audio 推出的先进文本到语音（TTS）模型，支持13种语言，具备零样本和少样本语音合成能力，语音克隆延迟时间不到150毫秒。该模型基于深度学习技术如Transformer、VITS、VQVAE和GPT，具有高度准确性和快速合成能力，适用于多种应用场景。

浪潮信息Yuan-Embedding-1.0模型在C-MTEB评测基准中荣获Retrieval任务第一名，推动中文语义向量技术发展