最近收录AI

微软发布的开源 图像到 3D 生成 AI 模型。

苹果推出的开源单目视图 3D 场景合成模型。

字节跳动发布的通用 Agent AI 模型。

Meta 推出的统一多模态音频分离 AI 模型。

阶跃星辰团队发布的 开源 AI GUI Agent 系列模型与基础设施，覆盖其核心技术、架构、功能、应用场景、部署方法与常见问题。

腾讯发布的实时交互式 3D 世界生成模型。

一个由 Google 主导开发的 开放声明式 UI 协议，旨在让 AI 智能体生成富交互式用户界面（UI），实现跨平台、本地渲染和安全运行。

小米推出的在线 AI 聊天与推理平台。

OpenAI 发布的最新图像生成与编辑 AI 模型，作为 ChatGPT Images 的核心引擎，它以 最高达 4× 更快的生成速度、更强的指令执行力、精细细节保留与创意转换能力 为特性，支持创意图像生成、照片编辑与视觉工作流自动化。

Allen Institute for AI (Ai2) 发布的开源 视频与多图像理解多模态模型，具备先进的空间–时间定位、视频跟踪与密集描述能力，适用于视频问答、对象计数、追踪与密集标注等复杂任务。

小米开源的高效混合专家（MoE）大语言模型，具备 3090亿参数、150亿激活参数、150 tokens/s 超高速推理、256K 超长上下文支持，在推理、代码生成与智能体任务上表现出色。

美团 LongCat 团队开源的音频驱动长视频角色动画生成模型。

阿里巴巴旗下推出的 免费 AI 企业信息查询平台。

一个面向 AI 工具使用者的先进 实时音频驱动交互式头像生成系统。

字节跳动 Seed 团队最新发布的 音视频联合生成 AI 模型。该模型具备专业级音画同步、高质量视频生成、复杂叙事理解与多模态输入支持，为内容创作者及 AI 工具使用者提供强大的短片和影视级视频创作能力。

阿里通义万相最新发布的视频生成 AI 模型，支持文本/图像/参考视频多模态生成、多镜头叙事、角色扮演和原生音画同步，为 AI 工具使用者实现专业级短片创作与影视级内容自动化提供强大支持。

一个轻量级、高性能的视频生成推理框架。

Google 最新推出的实验性 AI 浏览体验，该工具由Gemini 3 大模型驱动，通过自动将浏览器标签页转化为交互式 Web 应用（称为 GenTabs），重新定义浏览器与 AI 协作体验。本文面向 AI 工具使用者详细介绍其核心功能、使用方式、优势与常见问题。

一个面向 AI 研究与工具使用者的多模态、多任务视频生成框架，通过统一视觉模态（例如深度、光流、骨骼和分割掩码等）与训练范式，显著提升 AI 视频合成的质量、一致性与现实世界对齐能力。本文深度介绍 UnityVideo 的原理、技术构成、应用场景与常见问题解答。

NVIDIA 最新发布的开放 AI 模型家族，覆盖 Nano、Super 和 Ultra 版本，通过突破性混合专家架构（hybrid Mixture-of-Experts）实现高推理效率与长上下文处理能力，是构建多代理智能系统与复杂推理任务的开源基础模型解决方案。本文针对 AI 工具使用者系统介绍其架构、性能、应用场景与常见问题解答。

一个基于 nano banana pro 强大模型的开源 AI PPT 生成工具，它如何通过自然语言驱动、文件解析与素材上传等机制实现高质量、定制化的演示文稿自动生成，适用于个人用户与开发者场景。本文系统梳理核心功能、技术架构、使用方法与常见问题。

一款基于 AI 的创新视频创作平台，包括其核心功能、产品优势、使用指南与用户常见问题解答。

Claude-Mem 是一个专为 Claude Code 设计的开源持久记忆插件，通过自动捕获 AI 会话中的上下文、工具调用和观察，并将经 AI 压缩与结构化后的关键信息注入未来会话，实现跨会话记忆持续、语义搜索与自然语言历史检索等功能，大幅提升长期项目协作体验。

OpenScreen 是一款免费、开源的屏幕录制与演示制作工具，作为 Screen Studio 的简洁替代方案，支持全屏及指定窗口录制、手动缩放效果、画面裁剪、注释添加及背景定制等功能，帮助创作者快速制作高质量教程、产品演示与教学视频。

Gemini TTS 是 Google 最新的文本转语音（Text-to-Speech）技术，通过 Gemini API 或 Google AI Studio 提供高质量、多语言、多角色语音合成服务。支持细粒度风格、语速、情绪与多语音输出控制，并可用于播客、课程、辅助工具与互动应用等场景。

GWM-1 是由 Runway 发布的首个通用世界模型（General World Model），基于 Gen-4.5 架构，通过逐帧像素预测模拟动态环境、物理规律和时间演化。GWM-1 包括 GWM Worlds、GWM Robotics 与 GWM Avatars 三个专业分支，适用于交互式世界构建、机器人训练与数字人生成等领域。

Gemini Deep Research 是由 Google 发布的高级研究型 AI 代理，通过 Gemini API（Interactions API）支持复杂多步骤研究任务自动规划、搜索、阅读与综合，能够生成详尽的报告并融合 Web 与自有数据资源，是构建自动化智能研究、市场分析、竞争情报与长流程信息整合的利器。

GPT-5.2 是 OpenAI 于 2025 年 12 月 11 日发布的最新大模型版本，专为专业知识工作、复杂多步骤任务以及更高效的生成式智能体验打造，在生成电子表格、演示文稿、代码、长文本理解和工具调用等方面显著领先前代，适合企业级应用与生产力提升。

Qwen3-Omni-Flash 是阿里巴巴 Qwen 团队于 2025 年 12 月 1 日发布的下一代原生全模态（omni-modal）大模型，支持文本、图像、音频和视频等多种输入，并能实时流式输出文本与自然语音，具备高效多模态理解与交互能力，覆盖 119 种文本语言及多语言语音交互，实现真正无缝实时 AI 体验。

PosterCopilot 是由南京大学、LibLib.ai 与中国科学院自动化所联合推出的 AI 海报设计框架，通过布局推理、审美强化学习与分层可控编辑，为专业海报布局和设计流程提供自动化与迭代式编辑能力，适合设计师、营销人员与创意团队使用。

GLM-TTS 是一款由 Zhipu AI 开源的工业级 文本转语音（TTS） 系统，支持零样本音色克隆、情感表达控制与流式生成。它采用双阶段架构与多奖励强化学习，可实现高质量自然语音合成，适用于语音助手、有声读物、客服、教育等多种场景。

iSlide AIPPT 是一款由成都艾斯莱德网络科技推出的 AI 驱动型幻灯片（PPT）生成与设计工具，通过智能语义解析、自适应模板、AI 内容生成、自动排版与视觉优化等功能，让用户在一分钟内创建专业级演示文稿，是个人与企业提高办公效率的利器。

Questas 是一款 AI 驱动的互动故事与多媒体内容生成平台，允许用户通过文字提示快速生成图像与视频，并构建“分支／选择你的冒险 (choose-your-own-adventure)”式的互动故事。适合创作者、教育者、游戏设计师、小团队与内容运营者，无需编程或美术基础，即可打造沉浸式故事体验。

Vora 是一个由 Fineshare 提供的 AI 视频生成与编辑平台，支持将文本提示或图片转换为高清、无水印、带配音的视频，也支持提示词生成、视频增强与水印移除，是内容创作者、电商卖家、营销人员、社交媒体运营者制作短视频与广告视频的便捷工具。

Guideflow 是一款面向 SaaS 和数字产品的 AI 演示自动化平台，可在几秒钟内创建交互式产品 Demo、用户指南和产品演示，支持无代码编辑、品牌定制、分享与嵌入、数据分析与多种团队协作场景，非常适合产品营销、销售、客服与入职培训使用。

Pallas AI 是一款专注于 AI 时代品牌 /内容 /营销优化的 GEO-Agent 平台，通过自动化诊断、内容生成、竞争分析与实时监控，帮助品牌提升在 AI 搜索与对话推荐中的可见性，适合品牌主、电商卖家、内容运营者、小团队使用。

Google Workspace Studio 是 Google 推出的 no-code AI 代理构建平台，允许用户通过自然语言在 Gmail、Drive、Chat、Docs 等 Workspace 应用中一键创建、管理和共享智能 AI agent，自动化日常任务与复杂工作流程，适合企业、团队及普通用户提升办公效率。

Gemini 3 DeepThink 是 Google 推出的新版 AI 推理 /多模态模型，通过增强算力与并行推理机制，实现对复杂数学、科学、逻辑、编程、创意任务的深度思考与解决，是科研、学习、开发、创作和高级思维任务用户的新利器。

可灵O1 是由 可灵AI 发布的全球首款统一多模态视频生成大模型，支持图片、视频与文字混合输入，实现从文生图／文生视频／图生视频到视频编辑的一站式创作流程，适合内容创作者、电商、广告商与自媒体用户快速生成短视频与营销内容。

传声港 是一个 AI 驱动的新媒体综合服务平台，整合网络媒体、自媒体／网红资源、内容创作与发布、舆情监测与效果分析，为品牌、企业和自媒体提供一站式内容发布、宣传推广和运营管理服务。

Vidi2 是由 ByteDance 发布的 12 B 多模态视频理解与创作模型，支持长视频解析、精确时空定位 (Spatio-Temporal Grounding)、自动剪辑与脚本生成，是内容创作、短视频制作、影视剪辑与视频理解研究的新利器。

Temvideo.ai 是一款面向电商、内容创作者与品牌商的 AI 视频生成 /编辑平台，通过 AI-agent 和模板机制，将图片、脚本或产品素材自动生成广告视频、产品展示、社交媒体短视频等，大幅节省剪辑与制作时间，适合电商卖家、内容创作者、跨境品牌快速输出优质视频。

GELab-Zero 是由 StepFun AI 团队开源的一款轻量级 GUI Agent — 能本地部署、运行于普通硬件上的 4B GUI 智能体，支持跨 App 界面自动交互、多设备任务分发、隐私保护，适合开发者、自动化工程师、普通用户用于手机 /移动设备自动化、批量操作、任务自动化和智能脚本构建。

Spokenly 是一款适用于 macOS / iOS 的智能语音听写与语音-驱动输入工具，支持 100+ 语言、离线转写与云服务、实时语音转文字、AI 文本润色、语音命令控制，适合写作、会议记录、聊天、编程、文档编辑等各种文本输入场景。

StepAudio R1 是首个真正能对音频进行“Chain-of-Thought（CoT）推理 / 深度分析”的开源音频语言模型，支持对说话、音乐、环境音进行理解、推理与分析，适合开发者、研究者、内容创作者用于音频理解、分析、检索与多模态工具构建。

Uigenius 是一款 AI 辅助 UI/UX 设计工具 —— 通过自然语言、手绘草图或截图，就能快速生成高保真界面原型并一键导出 HTML / Vue / React 代码，是产品经理、设计师、开发者、初创团队加速原型与开发效率的有力助手。

Depth Anything 3 (DA3) 是 ByteDance-Seed 团队开源的下一代通用 3D 视觉重建模型，可从任意数量与任意视角的图像／视频输入中恢复空间一致的 3D 几何结构，包括深度图、相机位姿、三维点云与新视图合成，非常适合视觉创作者、3D 艺术师、研究者与开发者进行几何估计、3D 重建与视觉内容创作。

讯飞输入法是由 科大讯飞 出品的一款多模式智能中文输入法，支持语音、拼音、手写、拍照 OCR、方言识别等多种输入方式，并可高度自定义键盘皮肤与输入体验，适合日常聊天、办公、学习与跨语言沟通用户。

ChatExcel 是一款由 AI 驱动的“聊天式 Excel”工具 —— 通过自然语言与表格对话，就能完成数据分析、公式生成、表格清洗、图表制作等复杂操作，显著降低 Excel 使用门槛。

DeepSeek-Math-V2 是一个开源数学推理模型，通过“生成 + 自验证 (generate-and-verify)”机制，实现了 IMO 金牌水平的定理证明与数学竞赛能力，非常适合研究者、学生、开发者与数学爱好者用于复杂数学问题求解、证明辅助与教育 /学习。