TAG:开源技术
商汤进军具身智能领域 联合创始人执掌大晓机器人
商汤科技正式进军具身智能领域，推出全新品牌“大晓机器人”，由联合创始人王晓刚担任董事长。公司将于12月18日发布ACE技术范式、具身超级大脑模组A1，并开源国内首个商业应用的“开悟”世界模型3.0，旨在解决机器人智能大脑泛化性不足的行业难题，推动具身智能在安防、巡检等工业场景的快速落地。
大晓机器人亮相，首席科学家领衔打造国内首款开源商用世界模型
大晓机器人将于12月18日正式亮相，发布包括全球首创ACE技术范式及国内首个开源且商业落地的‘开悟’世界模型3.0在内的多项领先技术。公司由商汤科技联合创始人王晓刚出任董事长，AI科学家陶大程担任首席科学家，旨在构建自主可控的具身智能产业体系，并推出具身超级大脑模组A1，推动在安防、巡检等场景的规模化商业应用。
告别视频扭曲与“AI电音”：巨人网络多模态模型让虚拟世界更真实
巨人网络AI Lab联合清华大学和西北工业大学发布三项多模态生成技术：YingVideo-MV实现音乐驱动视频生成并消除人物畸变，YingMusic-SVC提供零样本歌声转换确保真实歌曲可用，YingMusic-Singer支持任意歌词生成自然歌声。这些开源技术显著提升了音视频创作的质量与灵活性。
语音交互的“GPT时刻”：当MOSS学会“直接听、直接说”，传统方案全面过时
复旦大学MOSS团队开源国内首个端到端语音到语音大模型MOSS-Speech，采用创新层拆分架构，无需传统ASR→LLM→TTS流程即可实现语音问答、情绪模仿和笑声生成。在ZeroSpeech2025评测中WER低至4.1%，情感识别准确率91.2%，中文口语MOS分达4.6接近真人水平。提供48kHz超采样和16kHz轻量版本，支持单张RTX4090实时推理，延迟低于300ms，已开放商用许可。
Character AI联合耶鲁大学发布Ovi：实现音画同步的视频生成模型
Character AI与耶鲁大学联合推出开源项目Ovi，这是一项革命性的音画同步视频生成技术。通过创新的双骨干交叉模态融合架构，Ovi实现了音频和视频的并行处理与实时交互，彻底解决了传统方法中音画不同步的问题。该技术采用扩散变换器架构和旋转位置嵌入技术，确保嘴唇运动与发音等细节的精确匹配，为高质量视频生成提供了全新解决方案。
1 
0 
微博发布VibeThinker-1.5B：轻量化AI模型探索大语言模型替代路径
微博AI部门推出开源VibeThinker-1.5B模型，仅15亿参数却在数学和代码任务上表现卓越，超越多个大型商业模型。该模型采用创新的谱-信号原则训练框架，后期训练成本仅7800美元，大幅降低AI应用门槛，为研究者和企业提供了高效低成本的语言模型解决方案。
0
0 
StepFun AI 推出开源音频编辑模型 Step-Audio-EditX，实现音频编辑新体验
StepFun AI发布开源音频编辑模型Step-Audio-EditX，这是一个3B参数的创新模型，将音频编辑转化为类似文本编辑的直观操作。通过双代码本标记器和混合语料库训练，模型实现了对语音情感、风格和音色的精确控制。采用大边距学习和强化学习技术，在Step-Audio-Edit-Test基准测试中展现出卓越的编辑效果，还能提升其他TTS系统的音频质量。
美团开源多模态大模型LongCat-Flash-Omni：实时交互性能突破
美团开源多模态大模型LongCat-Flash-Omni在多项基准测试中超越闭源竞品，实现开源即SOTA突破。该模型支持文本、语音、图像、视频的实时融合处理，具备跨模态精准推理能力，在噪声环境语音识别和模糊图像理解方面表现优异。通过端到端统一架构和Flash推理引擎优化，在消费级GPU上即可实现近乎零延迟的交互体验。
华为发布AI推理新技术 将于今年9月正式开源
华为发布AI推理创新技术UCM（推理记忆数据管理器），这是一款以KV Cache为中心的推理加速套件，能有效提升推理效率并降低成本。该技术计划于2025年9月正式开源，已在多个行业场景中试点应用。文章还探讨了AI推理在行业落地中的挑战及未来发展趋势。
