CogView4 是智谱推出的开源文生图模型，支持中英双语输入和任意分辨率图像生成，特别优化了中文文字生成能力，适合广告、创意设计等场景。

MiniMind 是一个开源的超小型语言模型项目，帮助开发者以极低成本从零开始训练自己的语言模型，最小版本仅需25.8M参数，适合在普通个人GPU上快速训练。

ViDoRAG 是阿里巴巴通义实验室联合中国科学技术大学和上海交通大学推出的视觉文档检索增强生成框架，基于多智能体协作和动态迭代推理，显著提升复杂视觉文档的检索和生成效率。

Fractal Generative Models 是麻省理工学院与 Google DeepMind 团队推出的新型图像生成方法，基于分形思想，通过递归调用模块构建自相似架构，显著提升计算效率，适用于高分辨率图像生成、医学图像模拟等领域。

Shandu 是一款开源的 AI 研究自动化工具，结合 LangChain 和 LangGraph 技术，能够自动化地进行多层次信息挖掘和分析，生成结构化的研究报告，适用于学术研究、市场分析和技术探索等多种场景。

今天智谱AI正式发布并开源了最新的图像生成模型——CogView4。

通义万相Wan2.1开源不到一周，已登顶HuggingFace Model 和 Space 榜双榜首，在HuggingFace和ModelScope平台的累计下载量突破100万次，社区热度持续攀升！为响应小伙伴们对ComfyUI工作流运行Wan2.1的强烈需求，社区开发者整理了实战教程👇

WhisperChain 是一款基于 Whisper.cpp 和 LangChain 的开源语音识别工具，能够实时将语音转换为文本，并自动清理和优化文本内容，适用于会议记录、写作辅助等多种场景。

HumanOmni是业内首个理解以人为中心的场景，可以同时处理视觉信息、音频信息的多模态大模型。

HippoRAG 2 是俄亥俄州立大学推出的检索增强生成框架，通过个性化PageRank算法和知识图谱技术，显著提升了RAG系统在复杂问答任务中的表现。

VidSketch 是浙江大学推出的创新视频生成框架，通过手绘草图和简单文本提示生成高质量视频动画，降低视频创作的技术门槛，满足多样化的艺术需求。

SongGen是由上海AI Lab、北京航空航天大学和香港中文大学联合推出的单阶段自回归Transformer模型，能够通过文本生成高质量歌曲，支持混合模式和双轨模式，显著提升生成歌曲的自然度和人声清晰度。

AIMv2 是苹果公司开源的多模态自回归预训练视觉模型，通过图像和文本的深度融合提升视觉模型的性能，适用于多种视觉和多模态任务。

Mahilo 是一个灵活的多智能体框架，支持创建与人类互动的多智能体系统，适用于从客户服务到紧急响应等多种场景。

Trae 是一款完全免费的AI编程工具，现已接入 Claude 3.7 模型，提供代码生成、调试等强大功能，支持多模态输入和上下文理解，用户可享受24小时高速服务，无需担心付费限制。Trae 支持多平台，安装简便，适合开发者快速上手。

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。

Smallpond 是 DeepSeek 开源的轻量级数据处理框架，基于 DuckDB 和 3FS 构建，支持 PB 级数据处理，提供高性能的数据加载、查询和转换功能，适合大规模数据预处理和实时分析。

本文介绍由DeepWisdom与香港科技大学联合研发的SPO框架，通过自我监督机制实现大语言模型提示优化，仅需3个样本即可达到SOTA效果，优化成本降低至传统方法的1.1%-5.6%。

R1-Onevision 是一款开源的多模态视觉推理模型，基于 Qwen2.5-VL 微调，专注于复杂视觉推理任务。它通过整合视觉和文本数据，能够在数学、科学、深度图像理解和逻辑推理等领域表现出色，并在多项基准测试中超越了 Qwen2.5-VL-7B 和 GPT-4V 等模型。

DeepSeek 开源的 DualPipe 技术通过双向流水线并行设计，显著提升大规模深度学习模型的训练效率，优化计算与通信重叠，降低内存峰值需求，适用于推理加速、多模态数据处理等场景。

EPLB 是 DeepSeek 推出的专家并行负载均衡器，通过冗余专家策略和负载均衡算法，优化大规模模型训练中的 GPU 资源利用率和训练效率。

VideoGrain 是悉尼科技大学和浙江大学推出的零样本多粒度视频编辑框架，基于调节时空交叉注意力和自注意力机制，实现类别级、实例级和部件级的精细视频修改，保持时间一致性，显著优于现有方法。

video-subtitle-master 是一款开源AI字幕生成工具，支持批量为视频或音频生成字幕，并可将字幕翻译成多种语言。它集成了多种翻译服务和语音识别技术，适合视频创作者、教育领域和个人娱乐使用。

本文提出了一种基于低智能体框架的自适应自动化程序修复（APR）解决方案——AAIS。该方案结合了智能体的自适应性和低智能体的高效控制流，通过引入交互式缺陷定位和多模型辅助生成，显著提升了程序修复的准确性和多样性。实验结果表明，AAIS在SWE-Bench基准测试中表现出色，函数级定位准确率提升了46.94%-113.32%，Issue Solving任务上达到了35.67%的性能，展示了其在未来软件开发中的应用潜力。

Wan2.1是阿里云开源的一款AI视频生成大模型，支持文生视频和图生视频任务，具备强大的视觉生成能力，性能超越Sora、Luma等国内外模型。

DeepGEMM 是 DeepSeek 开源的专为 FP8 矩阵乘法设计的高效库，支持普通和混合专家（MoE）分组的 GEMM 操作，基于即时编译技术，动态优化矩阵运算，显著提升计算性能。

PhotoDoodle 是由字节跳动、新加坡国立大学等联合推出的艺术化图像编辑框架，能够通过少量样本学习艺术家的独特风格，实现照片涂鸦和装饰性元素生成。