Bernini：字节跳动开源的轻量化AI视频生成编辑框架
Bernini是字节跳动自研、基于Apache2.0开源协议发布的一站式AI视频生成与视频编辑框架，项目命名取自意大利著名雕塑大师贝尼尼，寓意模型具备精细化画面塑造、影视级内容创...
Cosmos 3：英伟达开源的多模态物理AI世界基础模型
Cosmos 3是英伟达（NVIDIA）完全开源的全模态物理AI基础模型，采用创新混合Transformer架构，原生集成视觉推理、世界生成与动作预测能力，可理解并生成文本、图像、视频、环...
Wall-X：开源具身智能机器人模型，集成视觉语言动作全链路交互
Wall-X 是由 X-Square-Robot 团队在 GitHub 开源的一套端到端具身智能机器人基础模型工程体系，核心依托自研 WALL-OSS 模型，搭建起从数据采集、模型训练、算法推理到真机部...
BitCPM-CANN：面壁智能推出的国产算力端侧大模型
BitCPM-CANN是面壁智能联合清华、OpenBMB开源的国产昇腾原生1.58-bit三值大模型，覆盖0.5B-8B尺寸，显存压缩10倍、能力保留率90%-97%，适配手机、边缘设备等端侧场景，实现...
Mega-ASR：开源高鲁棒语音识别模型，适配全场景恶劣环境语音转写
Mega-ASR是一款主打全场景恶劣环境的开源自动语音识别模型，依托海量实景语音数据与声学语义渐进微调技术，有效解决噪声、远场、混响失真音频识别难题，具备低幻觉高精准转...
Stable Audio 3：开源AI音频生成模型，多风格音乐音效创作与音频修复工具
Stable Audio 3是Stability AI研发的开源AI音频生成项目，支持文本生成音乐音效、音频片段修复续写，搭载多款梯度模型，兼容多类硬件设备，具备LoRA风格微调能力，提供网页...
Hy-MT2：腾讯混元开源的快思考多语种翻译模型，支持33种语言互译与指令定制翻译
Hy-MT2是腾讯混元开源的快思考多语种翻译模型家族，拥有1.8B、7B、30B-A3B多规格版本，支持33种语言双向翻译与七类指令定制翻译，搭载AngelSlim极致量化技术，体积小巧适配...
Hy-MT1.5-1.8B-1.25bit：腾讯混元开源的1.25bit极致量化离线多语言翻译模型
Hy-MT1.5-1.8B-1.25bit 是由腾讯混元团队联合 AngelSlim 共同推出的超轻量化端侧离线多语言翻译大模型，基于腾讯原生 HY-MT1.5-1.8B 翻译底座模型，采用自研 Sherry 三值量...
TIPSv2：谷歌 DeepMind 开源的多模态编码器，强化 Patch-Text 对齐与空间感知
TIPSv2是谷歌DeepMind推出的第二代空间感知型文本-图像预训练编码器，收录于CVPR 2026，核心解决多模态模型全局理解强、局部定位弱的痛点。通过iBOT++全区域监督、Head-onl...
Wav2Lip：开源AI唇形同步工具，精准实现音视频口型匹配与多语言适配
Wav2Lip是2020年由印度IIIT-H团队推出的开源AI唇形同步模型，基于GAN与SyncNet架构，可对任意人脸视频/静态图与任意语言音频实现毫秒级精准口型匹配，保留原始画面质感，广...
Audio Flamingo Next：NVIDIA开源长音频理解大模型，支持30分钟全域音频智能分析
Audio Flamingo Next（AF-Next）是NVIDIA与马里兰大学联合发布的新一代开源大型音频语言模型，支持30分钟长音频输入与128K上下文窗口，首创时序音频思维链技术，精准锚定时...
Harrier-OSS-v1：微软开源的多语言文本嵌入模型，长上下文与跨语言语义能力拉满
Harrier-OSS-v1是微软研究院开源的多语言文本嵌入模型家族，包含270M、0.6B、27B三档参数规模，采用decoder-only架构、last-token pooling与L2归一化，最长支持32768 token...
Matrix-Game 3.0：昆仑万维推出的工业级实时交互世界模型，长时记忆驱动高保真虚拟世界生成
Matrix-Game 3.0是昆仑万维旗下天工AI研发的工业级实时流式交互式世界模型，是首个实现长时序一致性、720p高分辨率、实时交互三者统一的开源世界模型。该模型基于扩散Trans...
InternVL-U：上海AI Lab开源的4B参数轻量级统一多模态模型
InternVL-U是由上海人工智能实验室OpenGVLab团队推出的40亿参数轻量级统一多模态开源模型，在单一框架内融合多模态理解、逻辑推理、图像生成、图像编辑四大核心能力，以“统...
Helios：北大开源的实时长视频生成模型，单卡19.5FPS实现分钟级高质量无漂移创作
Helios是北京大学YuanGroup开源的140亿参数实时长视频生成模型，无需传统抗漂移与加速技巧，即可在单张H100显卡实现19.5FPS端到端推理，支持文本/图像/视频驱动的分钟级高质...