FireRedTeam 开源 FireRedTTS3 语音生成与编辑模型
FireRedTeam 发布 FireRedTTS3，包含 Base 和 Instruct 两个变体，基于语义增强连续语音表征实现统一语音生成与编辑。
推荐理由：原文给出两个模型变体、语言覆盖和多项评测对比数据，读者可以据此评估它的克隆与编辑能力。
北京时间
开源生态
全部主题开源模型、框架与仓库动态：权重开放、社区项目爆火、开源与闭源的力量消长。
697条精选相关主题模型发布Hugging FaceAI 编码
最新精选
第 81–100 条 · 共 697 条FireRedTeam：原创语音与多模态项目精选AI 评分6565 
DeepSeek@deepseek_ai精选AI 评分6666推荐理由：插件化把模型、工具、会话拆成可替换单元，影响在于选择智能体框架时可以从整体选型转为逐组件比较，降低被单一编排方案绑定的迁移成本。
公众号：小红书技术（dots.llm）精选AI 评分7575 小红书开源连续自回归语音合成模型 dots.tts：打造可持续扩展的 TTS 基座
小红书 dots 团队开源 20 亿参数全连续端到端自回归语音合成模型 dots.tts，在 Seed-TTS-Eval 三个子集上取得最佳平均内容准确度和平均说话人相似度。
推荐理由：连续自回归跳过离散 Token 的信息损失，又用语义编码器回灌历史抑制累积误差，为音色克隆和低步数流式共用同一基座提供了路径。
GitHub Blog精选AI 评分6767 AutoGPT 如何用 AGENTS.md 和技能门控管理 AI 生成的拉取请求
AutoGPT 维护者发现，AI 智能体不会主动阅读文档，因此将指令放在 AGENTS.md 和技能文件中，并置于代码目录旁。他们通过强制 PR 模板、测试计划、CI 覆盖率门槛和 CLA 签名等门控机制，将智能体提交的 PR 从“不可用”转变为“可用但不符合路线图”。其中 CLA 签名因需浏览器和 OAuth 流程，被用作区分人类与智能体的“人类探测器”。
推荐理由：AutoGPT 的经验指出发现机制比文档完善度关键，agent 只读当前目录层级的指令，所以把 AGENTS.md 放在代码旁比继续写 wiki 更有效。
OpenRouter@OpenRouter精选AI 评分7272推荐理由：Apache 2.0许可和两项代理基准得分，为评估30B规模本地开源模型是否达到生产可用提供了直接参照，分数分别指向工具调用和编码能力。
IT之家（RSS）精选AI 评分7171 LTX-2.5 模型登场：AI 生成 10 秒 720P 视频仅需 6.8 秒，原生集成 ComfyUI
LTX 推出 LTX-2.5 模型，原生集成 ComfyUI，在 2 张英伟达 GB200 配置下生成 10 秒 720P 视频仅需 6.8 秒。LTX-2.5 Fast 以每秒 0.09 美元生成带音频 720p 视频，10 秒片段成本 0.90 美元；年度经常性收入低于 1,000 万美元的组织可免费使用。
推荐理由：生成速度比同类快数倍，且开放权重允许微调，对需要高频出片或自定义视觉风格的应用，其自托管成本可能低于调用闭源API。
vLLM 官方博客（RSS）精选AI 评分7272 vLLM 提供 Qwen3.8-2.4T-A95B Day-0 支持
vLLM 宣布对 Qwen3.8-2.4T-A95B 提供 Day-0 支持，该模型是基于 Qwen 3.5 架构的 2.4 万亿参数稀疏 MoE 模型，含 512 个专家，92 层混合骨干中每 4 层使用一次 full attention，其余 69 层为线性注意力。
推荐理由：原文给出架构细节、量化方案和硬件要求，读者可以据此评估部署这个 2.4T 参数开源权重模型的成本与配置。
Hacker News 热门（buzzing.cc 中文翻译）精选AI 评分7373 Mojo 1.0 正式发布：为生态系统增长提供稳定基础
Mojo 语言正式发布 1.0 版本，提供稳定、可用于生产环境的语言基础，自 2023 年首次发布以来已发展成通用语言。自开源标准库以来，近 200 名贡献者合入超 1,100 个拉取请求，改动超 200,000 行代码。
推荐理由：稳定性承诺让 Mojo 成为 AI 基础设施可长期选用的语言基础，lambda 语法和内存安全诊断减少了日常开发阻力，对 MAX 生态项目直接降低维护成本。
Liquid AI 模型与工程博客（网页）精选AI 评分6767 Liquid AI 发布 LFM2.5-VL-3B 边缘端视觉语言模型
Liquid AI 发布 LFM2.5-VL-3B 视觉语言模型，屏幕理解 ScreenSpot-v2 平均 80.7，ToolSandbox 从 26.4 升至 59.5，RefCOCO 从 57.1 升至 87.9。
推荐理由：官方给出与更大模型对比的基准数据和端侧、GPU 实测速度，读者可据此评估它在边缘部署场景的适用性。
IT之家（RSS）精选AI 评分7575 消息称英伟达开发万亿参数开源 AI 模型 Nemotron 4，目标挑战全球顶级
英伟达正在研发新一代开源 AI 模型系列 Nemotron 4，规模最大的模型预计至少拥有 1 万亿个参数，旨在与全球最先进的开源模型竞争。英伟达尚未确定发布日期，最终训练也未完成，员工认为该模型最早可能在今年秋末准备就绪。此举意在通过开放模型生态扩大 AI 应用范围，并推动市场对其 GPU 算力的需求。
推荐理由：万亿参数开源模型的推进可能改变企业从选型到部署的决策链路，同时强化英伟达 GPU 在开源生态中的需求绑定。
Unsloth AI@UnslothAI精选AI 评分6868
推荐理由：官方公布产品的主要能力清单和下载入口，读者可据此评估本地运行与训练模型的实际选项。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6565 蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，含 tiny 与 flash 两个尺寸及预训练、中期训练、合并（WSM）等阶段检查点。该系列采用混合线性注意力与稀疏 MoE 架构，总参数 7.9B，每 token 仅激活 1.3B 参数（128 个路由专家中激活 8 个）。
推荐理由：用加权检查点合并替代学习率衰减，让基座模型更适合持续预训练，也为验证不同衰减曲线省去重复实验。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6363 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中期训练及合并（WSM）等阶段的检查点，支持继续预训练、微调与研究。Ling-3.0-tiny-base 采用稀疏 MoE 架构，含 128 个路由专家，每 token 仅激活 1.3B 参数，总参数量 7.9B，并原生混合线性注意力以高效处理长上下文。
推荐理由：它把学习率衰减替换为加权检查点合并，基座模型更适合持续预训练和数据扩展，做继续预训练或领域微调时可复用这一训练策略做离线探索。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6464 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基座模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，含 512 个路由专家，每个 token 仅激活 8 个路由专家和 1 个共享专家，激活参数仅 5.1B（Non-emb）。
推荐理由：WSM 合并替代学习率衰减，让持续预训练和动态数据扩展不必为每种衰减策略重跑训练，降低实验成本。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6868 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基础模型，并发布预训练、中期训练及合并（WSM）等多个阶段检查点。该系列采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，激活参数仅 5.1B（Non-emb），总参数 124B，并原生结合 KDA 与 Gated MLA 混合线性注意力以高效处理长上下文。
推荐理由：把学习率衰减替换为权重合并并发布训练各阶段检查点，使持续预训练与不同衰减策略的离线比较不必逐次重跑，降低实验成本。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6464 蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基座模型
蚂蚁 inclusionAI 开源 Ling-3.0 系列语言基座模型，采用高度稀疏（1/64）MoE 架构，512 个路由专家中每 token 仅激活 8 个，总参数量 124B，激活参数仅 5.1B。该系列原生融合线性注意力，并以加权检查点合并替代传统学习率衰减。此次发布包含预训练、中期训练及合并（WSM）等多个训练阶段的检查点，支持继续预训练与微调，模型采用 MIT 许可证。
推荐理由：把训练中间态作为可下载 checkpoint 开放，配合 WSM 合并替代学习率衰减，做继续预训练或 MoE 研究时可从中间阶段开始，省去重复前置训练成本。
蚂蚁 inclusionAI：HuggingFace 新模型精选AI 评分6363 蚂蚁 inclusionAI 开源 Ling-3.0 系列中间训练检查点
蚂蚁 inclusionAI 开源 Ling-3.0 系列高效语言基础模型，并发布预训练、中间训练及合并（WSM）等多个训练阶段检查点，支持继续预训练、微调与研究。
推荐理由：训练检查点分层开放，且用加权合并替代学习率衰减，为持续预训练和动态数据扩展提供了可复用的实验基座，减少不同策略的重复训练成本。
公众号：蚂蚁百灵（Ling）精选AI 评分7272 Ling-3.0-tiny 正式开源：1.3B 激活参数如何进入真实任务
蚂蚁百灵开源 Ling-3.0-tiny，一款总参数 7.9B、推理时仅激活 1.3B 参数的原生混合推理模型，同步提供 BF16、FP8 和 INT4 三个版本。
推荐理由：以1.3B激活参数取得接近4B激活模型的综合能力，同时Agent分数超越部分30B+模型，多精度开源和本地部署方案让轻量Agent应用更易落地。
Artificial Analysis@ArtificialAnlys精选AI 评分7878
推荐理由：Apache 2.0 许可和单 GPU 可运行的设计，使团队能在自有硬件上运行与更大模型接近的性能，部署成本与合规风险同时下降。
- Unsloth AI@UnslothAI精选AI 评分7272
Meta 开源 30B 参数密集模型 Muse Glimmer，Apache 2.0 许可，支持视觉，可在 18GB RAM/VRAM 环境本地运行，定位于本地智能体与编码工作流。
引用Mark Zuckerberg@finkd今天我们还将开放 Muse Glimmer 的权重，这是一个出色的 30B 参数稠密模型，可以在本地运行。很快我们还会发布 Muse Spark 1.2 的权重，这是我们最新的基础模型。Meta 是开源的有力支持者，我为这些发布感到自豪。祝贺 @alexandr_wang 和 MSL 团队在这些模型上所做的出色工作。
推荐理由：Meta 开源 30B 密集视觉模型，18GB 内存可本地运行，作者还提供了 GGUF 和运行训练指南，方便直接上手。