

> 导语：本期AI速览将带您深入科技巨头们的“芯”事：从Meta与OpenAI之间愈演愈烈的“抢人大战”，到苹果因人才流失而动摇的AI根基，巨头间的竞争已进入白热化阶段。与此同时，AI技术正以前所未有的速度渗透至各行各业，无论是能说会道的方言语音合成，还是颠覆传统乐谱制作的“听歌识谱”神器，创新应用层出不穷。然而，AI在版权领域的法律争议依旧悬而未决，为这场技术革命蒙上了一层复杂的阴影。


*封面图提示词：一个充满未来感的数字大脑，发光的神经网络中流动着数据流，象征着全球在人工智能领域的竞赛与创新，电影般的灯光，超现实主义风格。*

## 科技巨头人才争夺白热化：OpenAI紧急加薪反击Meta“强盗式”挖角
面对Meta高价挖角，OpenAI内部紧急动员，其首席研究官公开表示将与Meta正面竞争。为稳定军心，OpenAI不仅重构了薪酬体系，还承诺以创新的方式奖励顶尖人才，并强调了公平竞争的底线。另一边，扎克伯格亲自挂帅，组建“招聘小组”，精准锁定OpenAI等公司的核心人才，意图打造一支无人能及的超级智能团队。尽管Meta方面声称天价挖角费有所夸大，但两大巨头间的人才争夺战已然全面爆发。

![image.png](https://static.downly.cn/images/0f2cd6bcd98a5ee5f9bcb0f29b98da04.png)

## 苹果AI帝国现裂痕：核心人才流失，Siri或将“外包”求生
苹果在人工智能领域的领导地位正遭遇严峻挑战。近期，公司一位关键的AI研究员宣布离职，而负责苹果自研MLX框架的核心团队也几乎全员流失，这无疑引发了内部的信任危机。据传，公司内部对自家AI模型的质量也信心不足，可能将被迫寻求外部帮助，将Siri等核心功能的开发“外包”给Anthropic或OpenAI等竞争对手，以应对团队士气低落和战略方向模糊的困境。

![image.png](https://static.downly.cn/images/cd713104ad1998b1071983ce46e4f1d1.png)

## 法律科技巨头联手：Clio斥资10亿美金收购vLex，押注AI法律数据
法律科技领域的独角兽公司Clio近日宣布了一项重大举措，斥资10亿美元收购法律数据巨头vLex。Clio估值高达30亿美元，此次收购表明其正大力押注由人工智能驱动的法律数据服务。此举旨在增强其现有法律服务平台的功能，通过整合vLex庞大的法律数据库和AI分析能力，满足市场日益增长的需求，并进一步巩固其在行业中的领导地位。

![image.png](https://static.downly.cn/images/d720e1ea534d74c8f0e3a1b9d48e4505.png)

## AI版权战警钟长鸣：一字不差复述原作，Meta与Anthropic侥幸过关？
近期，AI版权纠纷再次成为焦点。尽管Meta和Anthropic在近期的官司中暂时获胜，但法官的判决也明确指出了AI模型训练数据的“原罪”问题。AI输出内容可能直接构成对原作的抄袭，这一潜在的巨大风险并未消除。这意味着，AI公司在法律层面仅仅是暂时“过关”，未来仍需面对更为棘手和昂贵的版权挑战，这可能成为其商业模式中不可忽视的成本。

![image.png](https://static.downly.cn/images/13be7a91699688633c74cc6e02569ebf.png)

## 乡音可闻：通义千问Qwen-TTS上新，支持京沪川三大方言
阿里巴巴旗下的通义千问团队发布了其语音合成模型Qwen-TTS的最新版本。此次更新的最大亮点是新增了对北京话、上海话和四川话三种中文方言的支持。该模型基于海量语料库进行训练，能够根据输入文本自动调整语调、节奏和情绪，生成媲美真人的自然流畅语音。新版本同时提供了中英双语的音色选项，方便开发者通过API将其集成到各类应用中。[体验地址](https://qwenlm.github.io/zh/blog/qwen-tts/)

![image.png](https://static.downly.cn/images/a90e08c502931a2ea997baad8f01aed7.png)

## 音乐人福音：AI版“听歌识谱”Songscription问世，录音秒变乐谱
一款名为Songscription的创新产品正式上线，它被誉为“乐谱界的Shazam”。这款工具利用AI技术，旨在将音乐人从繁琐的手动抄谱工作中解放出来。用户只需将录制好的歌曲上传，系统便能自动分析并生成相应的乐谱，极大地提高了音乐创作和学习的效率。

![image.png](https://static.downly.cn/images/c53c2d54a47c2b6148984dd668507137.png)

## AI走进课堂：谷歌发布Gemini教育套件，重塑师生交互模式
谷歌正积极地将AI技术引入教育领域。公司最新推出了面向教育者和学生的一系列Gemini新工具。其中，名为Notebook LM的AI研究工具将允许教师结合自己的课堂材料，创建个性化的交互式学习指南。此外，谷歌还为学生设计了专用的聊天机器人，旨在通过AI拥抱课堂，为传统的教学和学习方式带来革命性的变化。

![image.png](https://static.downly.cn/images/1377961ecb5861c07651bfdb6e1724d2.png)

## 对标GPT-4o：国产开源模型OmniGen 2实现图文融合生成新高度
北京人工智能研究院（BAAI）近日推出了一款名为OmniGen 2的全新开源系统。该系统采用了独特的文本与图像分离解码路径，基于Qwen2.5-VL-3B模型构建，其能力类似于GPT-4o，能够融合处理图像和文本生成任务。OmniGen 2不仅支持文生图、图像编辑和上下文连贯的图像创作，还能驾驭多种艺术风格并进行自我反思改进。尽管在照片级清晰度和中文提示理解上仍有提升空间，但其在基准测试中的表现已超越了许多同类开源模型。

![image.png](https://static.downly.cn/images/93bab25d807b769abc1b71e92aa4ec8d.png)

## 知乎“直答”再升级：融合社区生态，打造沉浸式AI问答新体验
中文问答社区知乎对其AI搜索工具“知乎直答”进行了重要功能升级。新版“直答”的知识库功能与知乎社区内容实现了前所未有的深度融合，新增了内容订阅分享、沉-浸式阅读以及“边看边问”等互动功能。此举旨在充分利用知乎庞大的专家网络和高质量的专业内容，为用户提供更加高效、个性化的AI问答体验，并进一步扩大优秀答主的影响力。

![image.png](https://static.downly.cn/images/efd0669df8ecd68ded4a0695ce065c39.png)

AI每日资讯0701



  >AI领域热点频发，技术创新与行业竞争交织上演。美图推出MOKI工具，旨在通过一张图颠覆传统视频广告制作流程。腾讯开源音乐模型LeVo，以卓越性能挑战Suno的行业地位。快手Kling AI上线视频转音频功能，进一步拓展AI在多媒体领域的应用。与此同时，科技巨头间的人才争夺战愈演愈烈，OpenAI据传正积极调整薪酬，以应对Meta的猛烈挖角。

 ## 一张图生成爆款 美图MOKI让视频创作触手可及

 美图公司近日发布了其AI视频生成工具[MOKI](https://www.moki.cn/home)，并宣布开启限时免费。这一工具极大地简化了视频广告的制作流程。用户只需上传一张静态图片，并从内置的免费模板库中进行选择，系统便能迅速生成具有电影级运镜水准的专业创意广告。据悉，MOKI集成了业界七大主流的视频生成模型，为创作者提供了一个一站式的便捷创作平台。

![image.png](https://static.downly.cn/images/a40e03c5b8dedbcc7b5173e551ec210f.png)

 ## 腾讯开源LeVo模型 剑指Suno的音乐生成王者宝座

 腾讯公司在AI音乐生成领域投下重磅炸弹，正式开源了其先进的歌唱模型[LeVo](https://levo-demo.github.io/)。该模型在性能上直逼当前行业标杆Suno V4.5，并显著超越了其他所有开源模型。据了解，LeVo的训练数据集包含了高达200万首歌曲，使其能够支持中英双语演唱，并展现出惊人的音乐理解和生成能力。目前，该模型已提供在线体验，让人人都能感受顶尖AI音乐的魅力。[体验地址](https://huggingface.co/spaces/tencent/SongGeneration)

![image.png](https://static.downly.cn/images/d0df39d92572906d7d5d19f464af2307.png)

 ## 快手Kling AI新功能上线 视频轻松转音频
<video src="https://static.downly.cn/images/1ca99e85b872a10d480dbb382d68f5b3.mp4"  title="30767711929-1-16.mp4"></video>
 快手旗下的AI视频生成工具Kling近期再度升级，推出了备受关注的视频转音频新功能。这一实用功能的上线，意味着用户可以轻松地从视频文件中提取独立的音频轨道，无论是提取对话、背景音乐还是声音特效，都变得异常简单。快手方面表示，该功能目前正处于限时免费体验阶段，鼓励广大用户尝鲜。

 ![image.png](https://static.downly.cn/images/8c0da1e44d1253cf2306557468739bb3.png)

 ## 人才争夺白热化 OpenAI调整薪酬以应对Meta挖角

 据外媒报道，随着AI领域的人才竞争日趋激烈，OpenAI正在积极采取行动以留住其核心研究人员。此前，竞争对手Meta成功从OpenAI挖走了数名资深研究员，引发了行业震动。为了应对这一挑战，OpenAI高管已向内部团队保证，公司领导层正在重新校准薪酬待遇体系，以确保其人才激励方案在市场上具备足够的竞争力，打响这场关乎未来的“人才保卫战”。

![image.png](https://static.downly.cn/images/5975b8ebc4b73e2401e6ef60724d36aa.png)

 ## 虚拟脱衣模型引发关注 技术伦理引深思

 一款名为 not-flux-kontext-dev-clothes-remover 的虚拟脱衣LoRa模型近期出现在公众视野中。相关信息显示，该模型能够对图片进行处理，实现“虚拟脱衣”的效果。尽管相关实验展示了其技术上的可能性，但这类模型的出现也迅速引发了关于技术滥用、个人隐私和伦理边界的广泛讨论与深切忧虑。

 ![image.png](https://static.downly.cn/images/f09e164810778daf73b3863226483806.png)



AI每日资讯0630

> 今天的AI前沿资讯。从Adobe的实时视频生成，到NVIDIA的光影魔法，再到Hugging Face的亲民微调教程，今天的科技界可谓是精彩纷呈。无论是专业开发者还是普通爱好者，都能在今天的快讯中找到属于自己的惊喜。让我们一起来看看都有哪些不容错过的亮点吧！

---

## Adobe亮剑视频生成！Self Forcing模型实现4090显卡实时出片，人人都是特效师

> Adobe最新发布的Self Forcing模型，标志着实时视频生成技术的新突破。该模型基于Wang 2.1架构，实现了在单张RTX 4090消费级显卡上的流畅运行，并已开放线上试用，让更多创作者能够亲身体验其强大的功能。

### Self Forcing 核心技术解析

Adobe推出的Self Forcing模型，其技术核心是建立在先进的Wang 2.1架构之上。这一架构专为流式视频生成进行了优化，意味着模型能够一边接收输入指令，一边连续不断地生成视频帧，从而达到“实时”的效果。这与传统模型需要等待完整指令后才能开始渲染的方式截然不同，为即时互动和直播等场景提供了可能。

![image.png](https://static.downly.cn/images/047efc3d48e72798bdc15fd5ff06e0ff.png)

### 硬件亲民化的重要一步

以往，高质量的AI视频生成往往需要庞大的计算资源，通常是数据中心级别的服务器集群。而Self Forcing模型最大的亮点之一，就是它对硬件的优化。官方宣称，该模型可以在单张NVIDIA RTX 4090显卡上高效运行。这使得拥有高端PC的个人开发者、设计师和内容创作者，也能够接触并使用前沿的AI视频生成技术，极大地降低了技术门槛。

### 在线试用与未来展望

为了让更多用户感受Self Forcing的魅力，Adobe已经提供了在线试用入口。用户可以通过官方渠道访问并体验这一模型的实时生成能力。这一举措不仅展示了Adobe对自身技术的信心，也预示着AI视频生成工具将加速融入普通人的创作流程中，未来我们可能会看到更多由AI实时生成的短视频、直播背景甚至互动电影。
[试用地址](https://huggingface.co/spaces/multimodalart/self-forcing)

---

## 挑战Whisper霸主地位！Kyutai发布开源极速STT模型，实时语音转写新选择

> 法国AI初创公司Kyutai推出了一款名为Kyutai Speech-To-Text（STT）的开源模型，以其惊人的速度和超越Whisper Large v3的性能，为语音转文本领域带来了新的标杆。该模型特别优化了实时流式处理，并提供了针对不同需求的版本。

### 性能卓越 超越Whisper

Kyutai Speech-To-Text模型在发布之初就将目标对准了行业标杆OpenAI的Whisper。根据官方公布的数据，其纯英语的2.6B参数版本，在多项评测基准上表现优于Whisper Large v3。这不仅体现在转写的准确率上，更体现在其“极速”的特性上，无论是处理已有的音频文件（批量推理），还是进行实时的语音流转写（流式推理），都展现出了顶级的性能。

![image.png](https://static.downly.cn/images/99f96be5cb2ecec3b5f806a8ddda16bc.png)


### 两种模型版本 各有侧重

为了满足不同场景的需求，Kyutai贴心地推出了两个版本：
*   **2.6B参数模型** 这是一个纯英语模型，性能强劲，是追求最高转写质量和速度的用户的首选。
*   **1B参数模型** 这是一个更轻量级的双语模型，专为英语和法语的实时语音聊天场景优化。它在保持较低延迟的同时，实现了高效的双语识别，非常适合跨语言交流工具的开发。

### 开源精神与应用前景

Kyutai STT模型选择完全开源，开发者可以在其官方渠道（如Hugging Face）轻松获取模型和相关代码。这意味着任何开发者都可以自由地使用、修改和集成这个强大的工具。尽管目前模型暂不支持中文，但其出色的架构和性能为多语言语音识别领域注入了新的活力，未来有望通过社区的力量扩展到更多语种。

[官方链接](https://kyutai.org/next/stt)

---

## 后期制作的魔法！NVIDIA UniRelight一键重塑视频光影，废片变大片

> NVIDIA AI团队再次展示其技术实力，推出名为UniRelight的通用视频重照明技术。这项基于扩散模型的技术，能够仅凭单张参考图或一段视频，就对目标视频实现逼真、高质量的动态光影重塑，为影视后期和内容创作带来了革命性的工具。

### UniRelight 是什么

UniRelight是一项创新的“通用重照明”技术。简单来说，它允许创作者在视频拍摄完成之后，像编辑照片一样，任意改变视频中的光照效果。无论是想把白天变成黑夜，还是为场景添加一盏虚拟的、动态移动的灯光，UniRelight都能通过AI计算，生成符合物理规律的、自然的光影变化，极大地丰富了后期创作的可能性。



### 扩散模型的魔力

这项技术的核心驱动力是扩散模型（Diffusion Model）。模型通过学习海量数据，理解了光线与物体表面材质、场景深度之间的复杂关系。当用户提供一张参考图片（例如一张日落的照片）时，UniRelight就能“理解”其中的光照风格，并将其应用到目标视频的每一帧中，同时确保光影的连续性和真实感。

### 应用场景与开源计划

UniRelight的应用前景极为广阔。对于电影制作，它可以大幅降低现场布光的成本和难度；对于短视频创作者，它可以轻松为普通视频增添“电影感”；对于游戏开发，它可以用于生成更真实的环境光照。NVIDIA已经表示，该技术的代码即将开源，这意味着它将很快成为广大开发者和创作者可以使用的强大工具。目前，官方网站已展示了大量惊艳的效果案例供业界参考。

[官方链接](https://research.nvidia.com/labs/toronto-ai/UniRelight/)

---

## 一张图、一段话，AI帮你拍广告！HeyGen新功能让产品视频制作进入“傻瓜”模式

> AI视频生成平台HeyGen再次降低内容创作门槛，推出了全新的AI广告生成工具。现在，用户仅需三步——上传产品图、选择虚拟形象、输入文案，即可快速生成一段专业的带货或产品介绍视频，彻底改变了传统营销视频的制作模式。

### 三步搞定产品视频

HeyGen新推出的产品植入功能，主打的就是极致的简洁与高效。整个创作流程被简化为三个核心步骤：
1.  **提供产品照片** 用户上传自己需要推广的产品的清晰图片。
2.  **选择人物形象** 在HeyGen提供的多种虚拟形象中，选择一个符合品牌调性的“代言人”。
3.  **输入文字脚本** 将产品介绍、广告语等文案输入系统。

完成这三步后，AI会自动将产品照片与虚拟形象融合，并根据脚本生成一段口型精准、动作自然的介绍视频。



### AI如何简化营销流程

这项功能背后，是成熟的AI虚拟人技术和图像处理技术的结合。AI不仅能让虚拟人自然地“说话”，还能智能地将静态的产品图片融入到动态的视频场景中，仿佛虚拟人真的手持产品在进行介绍。对于中小型企业、电商卖家或个人品牌来说，这意味着无需昂贵的拍摄团队、演员和场地，就能快速、低成本地批量生产高质量的营销视频。

### 为谁而生

这个工具的主要受益者是那些需要大量视频内容但预算有限的营销人员和商家。它极大地缩短了从创意到成品的周期，使得测试不同的广告文案、产品卖点和视觉风格变得轻而易举。可以说，HeyGen正在让专业的视频广告制作，变得像制作PPT一样简单。

<video src="https://static.downly.cn/images/d7f27be5bce5805ea5d8006fbee8299a.mp4"  title="30591878914-1-16.mp4"></video>

---

## 10GB显存就能“炼丹”！Hugging Face发布FLUX.1-dev平民级微调教程

> 人人都能微调大模型不再是梦想。Hugging Face近日发布官方教程，手把手教你如何利用QLoRA技术，在仅有10GB显存的消费级显卡上，对强大的文生图模型FLUX.1-dev进行高效微调，极大地降低了AI模型定制化的门槛。

### 主角 FLUX.1-dev模型

FLUX.1-dev 是一个新兴的、强大的文本到图像生成模型。与之前的扩散模型不同，它采用了新的架构，旨在更深刻地理解文本提示的复杂性和细微差别，从而生成更贴合描述的图像。能够对这样的前沿模型进行微调，意味着用户可以训练出具有自己独特风格的“专属AI画家”。

### 核心技术 QLoRA

实现低门槛微调的关键在于QLoRA（Quantized Low-Rank Adaptation）技术。简单来说，它是一种“四两拨千斤”的训练方法。它通过量化和低秩适配技术，在不牺牲太多性能的前提下，大幅减少了模型微调过程中所需要的显存。Hugging Face的教程正是利用了QLoRA，将原本需要专业级硬件才能进行的任务，成功地运行在了仅有10GB显存的消费级显卡上，如RTX 3060 (12GB) 或 RTX 4060 Ti等。
![image.png](https://static.downly.cn/images/94de23f39bcfcf327cc018f38cf20cad.png)


### 教程详解与实践意义

Hugging Face发布的这篇[官方教程](https://huggingface.co/blog/flux-qlora)，详细介绍了整个微调过程的每一步，包括环境配置、加载模型、准备数据集，以及如何使用`diffusers`库来应用QLoRA进行训练。这篇教程的意义非凡，它为广大的AI爱好者、艺术家和独立开发者打开了一扇大门，让他们能够用得起的硬件，去定制和探索最先进的AI模型，从而催生出更多个性化、多样化的AI艺术作品和应用。

AI每日资讯0620

> 近日，DreamTech联手南大、复旦、牛津发布的一款名为Direct3D-S2的革命性 3D 生成模型宣布全面开源，其在多个基准测试中展现出影视级的生成效果，甚至超越了闭源模型，仅用 8 块 GPU 便登顶 Hugging Face 排行榜，预示着 3D 内容生成领域的新突破。



在人工智能飞速发展的今天，AI 在文本、图像、视频生成领域已取得令人瞩目的成就。然而，作为下一个前沿阵地，3D 内容的生成一直面临巨大的挑战。 如今，这一局面正被一款名为 **Direct3D-S2** 的模型所改变。 它不仅实现了影视级别的 3D 生成效果，更以全面开源的姿态，仅用 8 块 GPU 便在 Hugging Face 排行榜上超越了众多闭源模型，加冕“3D 生成新王”。[HuggingFace在线体验Demo](https://huggingface.co/spaces/wushuang98/Direct3D-S2-v1.0-demo)

![image.png](https://static.downly.cn/images/36cdd17b6e3d9c30072d2a66fa030f13.png)

Direct3D-S2 的开源，无疑为 3D 内容创作、游戏开发、元宇宙构建等领域带来了革命性的机遇。 它降低了 3D 内容生成的门槛，使得更多开发者和研究人员能够接触并利用这一前沿技术。
[官网](https://www.neural4d.com/)
![image.png](https://static.downly.cn/images/84327a4e9f2c2591705d92ca741f86ab.png)
### 挑战与突破 3D 生成的“卡脖子”难题

传统的 3D 内容生成，无论是建模还是动画，都依赖于专业软件和大量人工。 即便 AI 参与，也面临着诸多难题

*   **数据稀缺与标注复杂** 相比于 2D 图像，3D 数据集的获取和标注成本极高。
*   **模型复杂性与计算成本** 3D 模型的表示方法多样（点云、网格、体素等），生成高质量、高细节的 3D 内容需要巨大的计算资源。
*   **效果真实性与泛化能力** 现有模型往往难以生成具有真实感、细节丰富且能够泛化到不同场景的 3D 内容。

Direct3D-S2 正是在这些挑战中取得了突破。 它结合了最新的扩散模型技术与多视图几何、神经渲染等先进理念，实现了从文本或图像到高质量 3D 模型的直接生成。
注意：以 512 分辨率生成至少需要 10GB 的 VRAM，而 1024 分辨率需要大约 24GB 的 VRAM。我们不建议以 512 分辨率生成模型，因为这只是 1024 模型的中间步骤，质量明显较低。

### Direct3D-S2 的核心技术揭秘

Direct3D-S2 能够实现影视级 3D 生成，其核心技术在于以下几点

*   **高效的 3D 表示学习** 模型能够有效学习和表示 3D 空间中的复杂几何与纹理信息，从而生成高保真度的 3D 模型。
*   **多视图一致性优化** 通过在训练过程中引入多视图几何约束，确保生成的 3D 模型在不同视角下都具有良好的连贯性和真实感，解决了传统 3D 生成中常见的“鬼影”或“崩坏”问题。
*   **先进的扩散模型** 借鉴了 2D 图像生成领域的成功经验，Direct3D-S2 将扩散模型引入 3D 生成，通过迭代去噪过程逐步生成高质量的 3D 内容。
*   **优化的训练策略** 论文中详细描述了其训练策略，包括如何有效利用现有 2D 数据进行蒸馏，以及如何进行高效的 3D 数据增强，从而在有限的计算资源下实现卓越性能。

![image.png](https://static.downly.cn/images/45709b164f70e428c89a868def28e725.png)

### 性能惊艳 8 块 GPU 登顶 Hugging Face

Direct3D-S2 的性能表现令人震撼。 在多个权威的 3D 生成基准测试中，它不仅超越了此前表现优异的众多开源模型，甚至在许多关键指标上胜过了闭源解决方案。

更令人惊叹的是，这一卓越的性能是在相对有限的计算资源下实现的。 官方数据显示，仅需 8 块 GPU，Direct3D-S2 便能完成训练并展现出顶尖的生成能力。 这对于个人开发者和中小企业而言，无疑是巨大的福音，极大地降低了参与 3D 内容生成前沿研究和应用的门槛。

在 Hugging Face 平台上，Direct3D-S2 凭借其高质量的生成效果和高效的训练推理能力，迅速获得了社区的认可，成功登顶相关排行榜，成为 3D 生成领域的新标杆。

### 颠覆未来 3D 内容创作的无限可能

Direct3D-S2 的全面开源，其影响力将是深远的

*   **赋能游戏与影视行业** 开发者可以快速生成高质量的 3D 资产、场景，大幅缩短游戏和影视作品的制作周期和成本。
*   **加速元宇宙构建** 为元宇宙中的虚拟形象、物品、环境等 3D 资产的快速生成提供了强大工具，推动虚拟世界的建设。
*   **推动 VR/AR 发展** 高质量的 3D 模型能够为 VR/AR 应用提供更沉浸、更真实的体验。
*   **激发学术研究** 开源代码和模型将吸引更多研究人员投入到 3D 生成领域，共同探索更先进的技术。

<video src="https://static.downly.cn/images/55c830acc95a9f8603688a648fdda517.mp4"  title="civitai_house0.mp4"></video>

Direct3D-S2 的出现，标志着 3D 内容生成技术正在从实验室走向实际应用，从高门槛走向普惠。 它不仅仅是一款模型，更是开启 3D 创作新时代的钥匙。 我们可以预见，在不久的将来，通过简单的文本描述或图像输入，便能生成栩栩如生的 3D 世界，将不再是梦想。



影视级 3D 生成新王 Direct3D-S2 全面开源 8 块 GPU 超越闭源登顶 HF

> 近日，小红书正式开源了其自主研发的 MoE 大模型 dots.llm1，为开源社区注入新活力。这款模型在多个基准测试中展现出卓越性能，超越了 Qwen3，但略逊于 DeepSeek-V3，标志着小红书在通用大模型领域迈出了重要一步。



在AI大模型领域，开源与创新正成为行业发展的重要驱动力。 近日，知名内容社区平台小红书正式宣布开源其自主研发的MoE大模型——**dots.llm1**。 这一举动不仅为大模型开源社区增添了新的力量，也展示了小红书在通用人工智能技术上的深厚积累。
[HF演示空间](https://huggingface.co/spaces/rednote-hilab/dots-demo)
![image.png](https://static.downly.cn/images/7a1bb034ee5f4b483734b712a73e0fff.png)


dots.llm1 的开源，意味着全球开发者和研究人员可以访问其模型权重、架构细节以及相关工具，从而促进技术的交流与合作，加速MoE模型在不同应用场景的探索和落地。


### MoE 架构的优势与 dots.llm1 的亮点

dots.llm1 采用了当前前沿的 MoE 架构，这种架构通过激活模型中部分“专家”网络来处理输入，从而在提升模型性能的同时，显著降低推理成本。 相比于传统的密集型模型，MoE 模型能够在参数量巨大的情况下，实现更高效的计算。

dots.llm1 的主要亮点包括

*   **高效的 MoE 架构** 通过稀疏激活机制，模型在处理不同任务时能够动态选择最适合的专家，从而提高推理速度和效率。
*   **出色的中文处理能力** 作为源自小红书的模型，dots.llm1 在中文语料上进行了充分训练，预计在中文理解、生成和对话方面表现优异，尤其是在中文内容社区相关的任务上。
*   **开放性和可扩展性** 开源模式将鼓励社区对其进行微调和优化，以适应更广泛的垂直领域应用。

### 性能评测 超越 Qwen3 逼近 DeepSeek-V3

小红书对 dots.llm1 进行了多项基准测试，结果显示其性能表现亮眼

*   **超越 Qwen3** 在多个通用能力基准测试中，dots.llm1 的表现均优于此前广泛使用的 Qwen3 模型。 这表明小红书在模型架构和训练策略上取得了显著进步，使其能够超越业界主流的同类开源模型。
*   **略逊于 DeepSeek-V3** 尽管 dots.llm1 表现强劲，但与业界顶尖的 MoE 模型 DeepSeek-V3 相比，仍存在一定差距。 DeepSeek-V3 以其卓越的性能和效率在MoE领域树立了新的标杆，dots.llm1 的表现虽然未完全达到，但差距已不大，这为未来的优化和迭代留下了巨大的想象空间。

![image.png](https://static.downly.cn/images/daf067a02ecb4fe0ae3639fbb05102ad.png)

这次性能评估，也进一步凸显了 MoE 架构在兼顾性能与效率方面的巨大潜力。 尽管 dots.llm1 在某些方面未能完全达到顶尖水平，但作为一款新晋开源的 MoE 模型，其展现出的实力已经足以令人期待。

### 小红书在 AGI 领域的布局与影响

dots.llm1 的开源，是小红书在通用人工智能（AGI）领域战略布局的重要一步。 作为一家以内容社区为核心的公司，小红书拥有海量的优质图文和视频数据，这些数据将为其未来大模型的训练和优化提供得天独厚的优势。

此次开源的意义在于

*   **赋能社区** 通过开放核心技术，小红书可以吸引更多的开发者和研究人员共同参与到大模型生态的建设中来，加速技术创新。
*   **推动行业发展** 增加高性能开源 MoE 模型的供给，有助于降低企业和开发者使用 MoE 模型的门槛，推动 MoE 架构在更多实际场景中的应用。
*   **提升自身影响力** 通过开源，小红书不仅贡献了技术，也提升了自身在 AI 领域的品牌形象和影响力，有望吸引更多AI人才。



### 未来展望

随着 dots.llm1 的开源，我们可以预见，基于 MoE 架构的大模型将迎来更广泛的关注和应用。 小红书的这一举动，无疑为国内乃至全球的开源大模型生态注入了新的活力。 未来，我们期待看到 dots.llm1 在社区的共同努力下，不断优化迭代，在性能上进一步逼近甚至超越现有顶尖模型，并在更多创新应用场景中发挥关键作用。



小红书开源 MoE 大模型 dots.llm1 性能超越 Qwen3 但不及 DeepSeek-V3

即日起，用户通过官网、App 或小程序进入对话界面，**开启“深度思考”功能**即可体验全新升级的 R1 模型！API 同步更新，调用方式不变。

------

### 🔍 深度思考能力：跨越式进化

本次升级基于 **DeepSeek V3 Base（2024.12 基座）**，通过强化训练显著提升模型思维深度与推理能力。在数学、编程、逻辑等多项权威测评中，**DeepSeek-R1-0528 综合表现领跑国内模型，并逼近国际顶尖水平（如 o3、Gemini-2.5-Pro）**。

![img](https://static.downly.cn/images/DeepSeek-R1-0528.png)
*（基准测试：64K 输出长度 | Humanity's Last Exam 仅文本题目）*

#### 关键突破：

- **复杂推理飞跃**：AIME 2025 测试准确率从 **70% → 87.5%**
- **思维深度倍增**：单题平均思考量从 12K tokens → **23K tokens**（解题更严谨周密）
- **开源模型赋能**：蒸馏 R1 思维链训练的 **DeepSeek-R1-0528-Qwen3-8B**，在 AIME 2024 测试中：
  ✅ **超越原版 Qwen3-8B 达 10%**
  ✅ **性能媲美 Qwen3-235B 大模型**
  → *为学术界与工业界小模型开发提供全新范本*

![img](https://static.downly.cn/images/DeepSeek-R1-0528-Qwen3-8B.png)
*（开源模型 AIME 2024 对比结果）*

------

### 💻 前端开发：视觉与代码双重突破

实测 **R1-0528 前端开发能力大幅领先 Claude4**，生成代码**布局美观、设计现代**，效果差距显著：

**▶️ 视频演示：R1 开发网页/App 全流程**

<video src="https://static.downly.cn/images/20250530025603.815842284.MP4" controls width="70%" title="v0300fg10000d0s93n7og65vlraqrc6g.MP4"></video>

------

### 🚀 全维度能力升级

#### 1️⃣ 幻觉率降低 45~50%

优化改写、摘要、阅读等场景，输出更可靠

#### 2️⃣ 创意写作进化

长文生成能力增强：议论文/小说/散文结构更完整，文风更自然

#### 3️⃣ 工具调用（Function Calling）

- 支持非思考模式下工具调用
- Tau-Bench 性能比肩 **OpenAI o1-high**（airline 53.5% / retail 63.9%）
  ![img](https://static.downly.cn/images/ypP8EWib4r36XeQlrkXBufIxeCTibFKyyW.gif)
  *（LobeChat 调用示例：网页内容总结）*

#### 4️⃣ 角色扮演 & 前端生成再提升

![img](https://static.downly.cn/images/640434543425432.gif)
*（R1 开发单词卡片应用：现代简约风格）*

------

### ⚙️ API 更新指南

- 接口与调用方式**完全兼容旧版**
- 新增支持：**Function Calling** / **JSON 格式输出**
- **重要调整**：`max_tokens` 现限制**单次输出总长度（含思考过程）**
  ▸ 默认值：32K　▸ 最大值：64K
  → *请开发者调整参数避免截断*
  🔗 使用文档：https://api-docs.deepseek.com/zh-cn/guides/reasoning_model

> 📢 注：官网/App/API 仍提供 **64K 上下文**，需 **128K 上下文**可调用开源版本

------

### 🧠 模型开源

- **架构**：同前代 R1（685B 参数，含 14B MTP 层）
- **训练优化**：改进后训练方法，私有化部署仅需更新 checkpoint 与配置文件
- **开源版本**：**128K 上下文**（MIT License 可商用）
- **下载地址**：
  **▪️ Model Scope**
  https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-0528
  **▪️ Hugging Face**
  https://huggingface.co/deepseek-ai/DeepSeek-R1-0528

------

**立即开启“深度思考”，体验更强大的 R1！**
官网 | App | 小程序 | API 同步上线

------

### 优化说明：

1. **强化标题层级**：使用符号/加粗/分段提升可读性
2. **突出核心数据**：关键指标（87.5%→）视觉强化
3. **用户引导明确**：操作步骤（开启深度思考）前置+重复提示
4. **技术表述简化**：如“后训练过程”→“强化训练”，“思维链蒸馏”→功能化描述
5. **视觉元素整合**：图片/视频说明更简洁，避免中断阅读流
6. **API 变更高亮**：重要调整（max_tokens）单独标注
7. **增加行动号召**：结尾强化体验入口

DeepSeek-R1 更新，幻觉降低，思考更深，推理更强！

 

> 随着 OpenAI 的 Sora 引领视频生成进入新纪元，动漫领域的视频生成也迎来了新的挑战和机遇。近日，一项名为 AniSora 的开源项目横空出世，旨在探索和推动动漫视频生成的技术前沿，为二次元内容创作带来更多可能性。AniSora 被冠以“终极开源动漫视频生成模型”的称号，引发了广泛关注。

## 动漫视频生成的挑战

相较于真实世界的视频生成，动漫视频生成具有其独特的挑战。动漫作品通常拥有鲜明的风格、夸张的表情、流畅的动作和独特的画面表现力。这些特点使得传统的视频生成模型难以直接应用于动漫领域，生成高质量、风格统一且符合动漫美学的视频。

## AniSora 的诞生与目标

AniSora 正是在这样的背景下诞生的。它是一个专注于动漫视频生成的开源项目，其核心目标是开发能够生成高质量、高一致性、且具有动漫风格的视频模型。项目名称中的“Sora Era”也暗示了其在 Sora 开创的新时代下，致力于在动漫领域取得突破。

![image.png](https://static.downly.cn/images/20250519065751.477557557.png)

## AniSora 的技术探索

AniSora 项目正在积极探索多种先进技术，以实现其宏伟目标

### 动漫风格建模

AniSora 的核心技术之一在于对动漫风格的深入建模。这包括学习动漫独特的色彩、线条、纹理和人物造型等视觉特征，确保生成的视频具有逼真的动漫感。

### 动作流畅性与一致性

动漫角色的动作往往具有很高的流畅性和连贯性。AniSora 正在研究如何生成自然且一致的角色动作，避免视频中出现跳帧或不自然的运动。

### 叙事结构与镜头语言

高质量的动漫视频不仅需要精美的画面，还需要合理的叙事结构和镜头语言。AniSora 项目也在探索如何让模型理解和生成符合动漫表达习惯的视频序列。

### 开源与社区协作

作为一个开源项目，AniSora 鼓励全球开发者和研究人员共同参与。通过社区协作，集思广益，加速技术的迭代和创新。

## 成为“终极开源动漫视频生成模型”的潜力

AniSora 被冠以“终极开源动漫视频生成模型”的称号，并非空穴来风。这反映了项目在技术深度、开源开放以及在动漫领域专攻的决心。如果项目能够克服技术挑战并得到社区的广泛支持，它确实有潜力成为动漫视频生成领域的标杆性开源模型。

## 潜在影响与应用场景

AniSora 的发展成熟将为动漫产业和二次元内容创作带来巨大的影响

### 降低创作门槛

AniSora 有望让更多非专业人士也能轻松创作高质量的动漫视频，激发更多创意。

### 提升制作效率

对于专业的动漫制作团队，AniSora 可以辅助完成部分动画生成工作，提高制作效率，降低成本。

### 推动二次元内容创新

AniSora 的强大生成能力将为二次元内容的创作提供更多可能性，催生新的内容形式和表达方式。

![image.png](https://static.downly.cn/images/20250519065840.317496213.png)

## 未来展望

AniSora 作为一个开源项目，其发展需要社区的共同努力。项目的成功将取决于其在技术上的突破、开源生态的建设以及社区的活跃程度。我们期待看到 AniSora 在未来取得更多令人瞩目的进展，为全球的动漫爱好者和创作者带来更多惊喜，真正开启 Sora 时代的动漫视频生成新篇章。

搜索结果: 开源模型