寻找最新最佳的开源人工智能。浏览最全面的AI数据库，每日持续更新。
最新
TimesFM-3 是一种时间序列基础模型，无需针对特定任务进行微调即可预测多个相关信号。它可以将目标历史与辅助变量（例如过去的观察结果和已知的未来事件）结合起来，支持序列之间的关系携带有用的预测信息的预测问题。
3.3 亿参数模型使用修补的时间序列输入以及交替的时间和跨序列注意力。历史信号仍然受到因果约束，而已知的未来协变量则使
Zero-WAM 是一种机器人世界动作模型，可以使用人类演示视频作为上下文任务指令。它针对仅靠语言就无法明确重要细节的操作任务，例如选择正确的对象、理解不熟悉的交互或遵循多阶段程序。
因果视频动作策略可以从语言和人类视频提示中学习。数据管道将采样的机器人轨迹转换为语义匹配的人类演示，在 8,600 项任务中生成 74,200 对。
SolarWM 是一个开放框架，用于训练视频世界模型，支持长视野、摄像机控制的交互。它将大型视频数据管道与训练和推理方法相结合，帮助研究人员构建在训练剪辑持续时间之外保持响应速度和视觉连贯性的环境。
该项目发布了一个包含 143 万个剪辑、25TB 的语料库，带有摄像机注释和过滤工具。通用框架支持 Wan、LTX 和 MiniMa
YuE2通过将符号音乐创作与音频生成相结合来创作完整的歌曲。它首先制定可编辑的音乐计划，然后渲染人声和伴奏，为音乐家提供在创意迭代之前或期间检查和更改旋律、节奏、和弦、歌词和编曲的方法。
其大约 35.9 亿个参数架构连接符号乐谱、语义音乐标记和声学表示。自回归和非自回归专家共享注意力，同时保留单独的变换。配套的 MERT2 音乐
统一运动重定向（UMR）可将人体运动转换为具有不同身体结构的人形机器人的参考轨迹。它使用外部身体几何形状作为通用表示，帮助传输详细的姿势和交互，而无需手动定义一组新的人机骨骼对应关系。
UMR 学习规范姿势中的密集点云对应关系，并将匹配点绑定到人类和机器人网格。然后，约束几何优化在传输接触信息的同时对齐运动。这将重定向接口与原始运
UniMate 从已装配的 3D 资产和跨不同骨骼结构的文本提示生成铰接运动。它的目标是使用一个模型为人类、动物和铰接式物体制作动画，从而减少对特定类别模板、参考运动或每个新骨骼重新训练的依赖。
拓扑感知扩散变压器对关节关系、图形距离、光谱位置和静止姿势骨架进行编码。训练使用 UniML3D，这是 13,006 个文本配对运动序列
视频 DeltaNet 通过混合注意力架构加速视频生成，该架构在压缩远程上下文的同时保留局部细节。其 VDN-H3 实现采用 MiniMax H3 来快速生成文本和帧条件视频，目标是以大幅降低注意力成本实现高视觉质量。
该架构将滑动窗口 softmax 注意力与双向线性记忆相结合。第一个和最后一个帧充当全局锚点，而线性分支处理本地
WorldSculpt 将复杂场景重建为可以单独编辑的完整对象网格的集合。它针对包含数百个对象的密集杂乱环境，使用多个 RGB 观察以及实例蒙版和 3D 框来保留场景结构，同时完成遮挡的几何图形。
该框架采用 Pixal3D 单对象先验和基于空间的多视图调节。 DINOv3 特征被投影到每个对象规范体素网格中并跨视图融合。生成的对
Viggle-Animate 通过传播对视频帧之一所做的更改来替换视频中的字符。它需要一个驾驶剪辑和一个重新绘制的参考系，旨在保留原始运动、摄像机和时间，同时在整个镜头中传递新角色的外观。
该模型是 MiniMax-H3 参考视频架构的 33.1B 全面微调，提炼为三个前向传递。由于编辑后的参考已经与源姿势和取景相匹配，因此视频阶
SkySynth，也称为 SkyDiscover-Synthesize，使用编码代理来构建专门用于已知工作负载和部署环境的系统。它针对的是通用数据库、推理引擎或模型路由器带来不必要开销的情况，同时将行为正确性视为优化问题的一部分。
系统随着实施而发展规范。如果需求难以完全形式化，则扩展测试以暴露缺失的约束。在形式推理可行的情况下，
UnifoLM-WLA-1.0 是 Unitree Robotics 用于协调操作的通用人形基础模型。一个拥有 60 亿个参数的模型可处理桌面和全身任务，支持两指夹具和多个五指手，旨在跨任务和末端执行器传输功能。
该系统结合了具体推理、动态视觉区域的预测和动作学习。其具体推理器建立在 Qwen3-VL-4B 和超过 500 万个推
Z1T 是一系列稀疏、类似 Transformer 的研究模型，围绕 Extropic Z1 概率硬件设计。它探讨了神经推理如何利用热力学计算的稀疏连接性，同时保留有用的语言模型行为，从而解决传统密集 Transformer 执行的能源需求。
该方法使用概率位统计对神经计算进行编码，并围绕 Z1 的物理耦合结构设计稀疏操作。推理分
VoiceMem 通过组织事实信息以及偏好、个性和情感背景，为语音代理添加持久记忆。它可以在以后的对话中摄取语音并检索相关记忆，帮助助手连续地做出响应，而无需重复包含整个对话历史记录。
其流式双部分架构将模式和实体事实记忆与情感和角色节点分开。音频处理包括转录、说话人信息和其他信号；在将一小部分 top-k 子集注入上下文之前，检
IndexTTS 2.5 是一种用于表达性多语言语音合成的零样本神经文本转语音基础模型。它建立在基于变压器的文本到语义模块和非自回归语义到梅尔模块的基础上，以重现语音特征和情感。
更新将语义编解码器从 50 Hz 压缩到 25 Hz，减少了序列长度和推理成本，并用更高效的 Zipformer 架构取代了早期的 S2M 主干。新的跨
MiniMax Music 3.0 是一种音乐生成模型，可将创意概念和可选歌词转化为完整的歌曲。它在一代人的时间内创作、编曲、表演并产生结果。
该模型旨在保留长达五分钟的歌曲的表达意图，以物理真实感渲染乐器，并产生听起来像是表演的声音。其管道使用细粒度时间描述、全局局部混合LM、残差矢量量化、隐藏状态融合、流匹配和Flow-VAE
MiDashengLM-Gen是一个用于统一音频场景生成的端到端框架。给定结构化文本描述，它可以生成融合语音、音乐、音效和环境声学的连贯场景。
该系统将预训练的大型语言模型和音频标记器与每个标记条件流匹配相结合。它使用 25 Hz 的 768 维语义声学潜伏和学习的停止头以自回归方式生成可变长度 16 kHz 音频。
Qwen-Video-Edit 是一种基于指令的视频编辑方法，它重新利用图像编辑模型来直接编辑视频 VAE 潜伏。它可以对视频进行提示驱动的更改，而无需视频预训练的转换器。
系统通过 Wan 2.1 的 VAE 发送视频，通过两个小投影将其潜在空间桥接到 Qwen-Image-Edit DiT，并在潜在帧上应用网格旋转位置编码。
LTX-2.5 是 LTX 用于生成和编辑视频的开源基础模型。它将更强大的精炼模型与改进的即时理解、更清晰的运动、原生多镜头一致性、自动持续时间预测和专业媒体工作流程结合在一起。
该版本添加了更好的视频解码器、带有自定义提示增强器的 Gemma 4 12B 文本编码器、测试版精确视频编辑、原生 4K HDR 和 RAW 支持，以及
Ornith-1.5 是一个开源模型系列，它将自我脚手架扩展到端到端的自我改进循环。它涵盖 397B 和 35B 专家混合模型以及 9B 密集模型，针对推理、编码和代理任务。
Ornith-1.5 不再仅仅依赖固定的人工管理任务和手工构建的工具，而是提出新任务、生成特定于任务的支架、推出解决方案，并使用强化学习来改进其策略。随着系
DeepSeek-V4-Flash-0731 是在 Hugging Face 上发布的开放权重语言模型，作为 DeepSeek V4 系列中更快、更小的激活参数变体。它针对需要强大能力和更高效推理的代理、编码和一般推理工作负载。
该模型包括一个推测性解码模块，并记录了用于 vLLM、SGLang 和本地推理流的服务。它的卡片强调