Stirling-PDF 是一款基于 Docker 的本地化 PDF 编辑工具，支持 50 多种 PDF 操作，包括合并、拆分、转换、压缩等，同时提供多语言支持和企业级功能，满足个人和企业用户的多样化需求。

OSUM 是西北工业大学开发的开源语音理解模型，支持语音识别、情感分析、说话者性别分类等多种任务，基于 ASR+X 训练策略，具有高效和泛化能力强的特点。

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。

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。

CLaMP 3是由清华大学团队开发的多模态、多语言音乐信息检索框架，支持27种语言，能够进行跨模态音乐检索、零样本分类和音乐推荐等任务。

SkyReels-V1是昆仑万维开源的首个面向AI短剧创作的视频生成模型，支持高质量影视级视频生成、33种细腻表情和400多种自然动作组合。

Omnitool 是一款开源的 AI 桌面环境，支持本地运行，提供统一交互界面，快速接入 OpenAI、Stable Diffusion、Hugging Face 等主流 AI 平台，具备高度扩展性。

Step-Audio 是由阶跃星辰团队推出的开源语音交互模型，支持多语言、方言和情感表达，能够实现高质量的语音识别、对话和合成。本文将详细介绍其核心功能和技术原理。

Light-A-Video 是由上海AI Lab联合交大等高校推出的无需训练的视频重照明方法，支持高质量、时间一致的光照控制，零样本生成和前景背景分离处理。

Unsloth 是一款开源的大语言模型微调工具，支持 Llama-3、Mistral、Phi-4 等主流 LLM，通过优化计算步骤和手写 GPU 内核，显著提升训练速度并减少内存使用。

X-R1 是一个基于强化学习的低成本训练框架，能够加速大规模语言模型的后训练开发。仅需4块3090或4090 GPU，1小时内完成训练，成本低于10美元。

魔搭ModelScope本期社区进展：6205个模型，823个数据集，333个创新应用， 26篇内容。

DragAnything 是快手联合浙江大学和新加坡国立大学推出的基于实体表示的可控视频生成方法，支持多实体独立运动控制、高质量视频生成，并在 FID、FVD 和用户研究等评估指标上达到最佳性能。

KTransformers 是由清华大学和趋境科技联合推出的开源项目，能够优化大语言模型的推理性能，降低硬件门槛。支持在仅24GB显存的单张显卡上运行671B参数的满血版大模型。

Zonos 是 ZyphraAI 推出的开源多语言 TTS 模型，支持语音克隆、情感控制和多种语言，适用于有声读物、虚拟助手等场景。

YAYI-Ultra 是由中科闻歌研发的企业级大语言模型，具备强大的多领域专业能力和多模态内容生成能力，支持数学、代码、金融等多个领域的专家组合，缓解垂直领域迁移中的“跷跷板”现象。

ENEL是由上海AI Lab推出的无编码器3D大型多模态模型，能够在多个3D任务中实现高效语义编码和几何结构理解，如3D对象分类、字幕生成和视觉问答。

TIGER 是清华大学推出的轻量级语音分离模型，通过时频交叉建模和多尺度注意力机制，显著提升语音分离效果，同时降低参数量和计算量。

NobodyWho 是一款为 Godot 游戏引擎设计的插件，支持在本地运行 LLM，实现互动小说创作，无需联网，确保隐私和高性能。

Sa2VA 是由字节跳动等机构联合推出的多模态大语言模型，结合 SAM2 和 LLaVA 实现对图像和视频的精确分割和对话功能。

通古大模型由华南理工大学开发，专注于古籍文言文处理，具备强大的古文句读、文白翻译和诗词创作功能。

介绍Collaborative Gym，一个专注于人机协作的框架，支持异步交互和多种任务环境。

仅用3分钟，百炼调用满血版Deepseek-r1 API，享受百万免费Token。阿里云提供零门槛、快速部署的解决方案，支持云控制台和Cloud Shell两种方式，操作简便。Deepseek-r1满血版在推理能力上表现出色，尤其擅长数学、代码和自然语言处理任务，使用过程中无卡顿，体验丝滑。结合Chatbox工具，用户可轻松掌控模型，提升工作效率。阿里云大模型服务平台百炼不仅速度快，还确保数据安全，值得信赖。

VideoCaptioner 是一款基于大语言模型的智能视频字幕处理工具，支持语音识别、字幕断句、优化、翻译全流程处理，并提供多种字幕样式和格式导出。

Potpie.ai 是一个基于 AI 技术的开源平台，能够为代码库创建定制化的工程代理，自动化代码分析、测试和开发任务。

Social Media Agent 是一款由 LangChain 推出的 AI 社交媒体内容管理工具，支持 Twitter 和 LinkedIn 平台，能快速生成高质量的帖子。

ProtGPS 是麻省理工学院和怀特黑德研究所联合开发的蛋白质语言模型，能够预测蛋白质在细胞内的亚细胞定位，并设计具有特定亚细胞定位的新型蛋白质。

NVIDIA推出的PDF to Podcast工具，基于大型语言模型和文本到语音技术，将PDF文档转换为生动的音频内容。

Pippo 是 Meta 推出的图像到视频生成模型，能够从单张照片生成 1K 分辨率的多视角高清人像视频，支持全身、面部或头部的生成。

Satori 是由 MIT 和哈佛大学等机构联合推出的 7B 参数大型语言模型，专注于提升推理能力，具备强大的自回归搜索和自我纠错功能。

AxBench 是由斯坦福大学推出，用于评估语言模型可解释性方法的基准测试框架，支持概念检测和模型转向任务，帮助研究者系统地比较不同控制技术的有效性。