## AI Repos
**1、[chatgpt-adapter](https://github.com/bincooo/chatgpt-adapter)**  
“ChatGPT Adapter”是一个创新服务，旨在将 Coze 国际版、New Bing Copilot、Cursor Editor、DeepSeek 等多种 AI 聊天服务的逆向接口适配为 OpenAI API 标准接口。该项目支持高速流式输出和多轮对话，并与 ChatGPT 接口完全兼容，极大地简化了开发者在不同 AI 平台间进行集成的复杂性。它提供了详细的安装和使用指南，包括 Go 命令、Docker 启动及 systemctl 自启动配置，方便用户快速部署。该工具强调仅供测试学习，禁止商业用途。
![chatgpt-adapter.png](/static/img/920f2c7532f61c77d70267b001f10e03.chatgpt-adapter.webp)



**2、[daily-arXiv-ai-enhanced](https://github.com/dw-dengwei/daily-arXiv-ai-enhanced)**  
“arXiv Daily AI Enhanced”是一个开源工具，它能每日自动抓取 arXiv 论文并使用大型语言模型（LLM）进行摘要。用户只需 Fork 该仓库，并在 GitHub Actions 中配置API 密钥、ArXiv 论文类别、摘要语言、LLM 模型名称及 Git 信息等 Secrets 和 Variables，即可定制化每日论文摘要推送。该工具默认抓取 cs.CV、cs.GR 和 cs.CL 类别论文并用 DeepSeek 生成中文摘要，极大方便了科研人员追踪最新论文。

**3、[dedoc](https://github.com/ispras/dedoc)**  
Dedoc 是一个开源的通用系统，旨在将各类文档转换为统一的输出格式，并自动提取其逻辑结构、内容（包括表格、文本格式）和元数据。它支持 DOC/DOCX、PDF、HTML、图像、TXT 等多种半结构化和非结构化数据格式。Dedoc 采用 Python 实现，能够自动识别文档结构、提取文本格式特征，并支持处理扫描文档中的表格和文本校正。该系统可作为独立模块集成到文档分析流程中，尤其适用于信息分析、信息泄露监控和自然语言处理等应用。它提供 Docker 部署和 Pip 安装选项，方便开发者使用。
![dedoc.png](/static/img/d4519eda2266e4a77ee7fe1debedf9f8.dedoc.webp)

**4、[Paper2Code](https://github.com/going-doer/Paper2Code)**  
Paper2Code 是一个创新的多 Agent LLM 系统，旨在自动化将机器学习领域的科学论文转化为可运行的代码仓库。该系统遵循规划、分析和代码生成三阶段流水线，每个阶段由专门的 AI Agent 处理，确保生成高质量且忠实于论文内容的实现。Paper2Code 在 Paper2Code 和 PaperBench 基准测试中均超越了现有强劲基线。它支持使用 OpenAI API 或 vLLM 搭配开源模型，并提供了从 PDF 到 JSON 的转换工具，以及详尽的模型评估方法，极大地简化了从研究到实现的流程。
![Paper2Code.png](/static/img/0fc40a6c179d123ed1c166969915ed55.Paper2Code.webp)

## AI News
**1、Luma Labs 发布 Modify Video：AI 视频后期一键改风格、换场景**  
Luma Labs 近日推出创新 AI 视频编辑工具 Modify Video，基于其强大的 Dream Machine 平台和 Ray2 模型。这款工具通过简单的文本提示，即可实现视频内容的深度改造，包括风格重塑、场景替换、角色调整等，显著降低了传统视频制作的复杂性和成本。Modify Video 凭借 Ray2 模型在动作流畅性、面部动画和时间一致性方面的优势，超越了竞品。它不仅为内容创作者和电影制作人提供了前所未有的灵活性，也预示着 AI 视频技术将进入一个全新的普及阶段，极大地激发全球创意潜力。

**2、Gemini 2.5 版本发布原生音频功能，AI 对话更自然**  
谷歌近日更新 Gemini 2.5 版本，引入了原生的音频理解和生成功能，显著提升了人机交互的自然度。新版本支持实时音频对话，能够识别语调、口音及非语言声音，并实现低延迟的流畅交流，用户还可通过自然语言控制对话风格。此外，Gemini 2.5 的文本转语音技术也得到突破，用户可精确控制语音的风格、语调和情感。为确保 AI 生成音频的透明性，所有输出均嵌入 SynthID 水印。这些功能为开发者提供了构建更具互动性应用的新能力。

**3、微软推出开源 AI 助手 Athena，提升 Teams 工作效率**  
微软正式发布开源 AI 助手 Athena，并将其整合至 Teams 应用，旨在显著优化产品开发流程。Athena 能够智能识别团队下一步工作，协助用户在 Teams 内直接完成代码审查、工作项管理和安全检查等重复性任务，从而避免频繁切换应用。该工具已在微软内部2000多名工程师中投入使用，证明能有效提升开发速度和代码质量，并帮助团队提早发现潜在漏洞，加速产品交付周期，让开发者更专注于创新。

**4、Jaaz 开源 AI 设计 Agent 横空出世：一键批量生成图像，创意生产从此起飞**  
Jaaz 是一款全新的开源 AI 设计 Agent，旨在通过简单的 API 配置实现自动化批量图像生成，为创意设计领域带来突破。用户只需配置大型语言模型（LLM）API 和图像生成 API，即可高效生成大量视觉内容，尤其适用于广告、社交媒体和产品原型开发。尽管目前在 API 支持方面存在局限性，如不支持所有主流图像模型和视频生成，但其开源特性和社区驱动的开发模式预示着巨大的未来潜力，有望通过不断完善成为全能型创意平台。

**5、Firecrawl /search API 发布！一键搜索+抓取，AI 数据处理进入新时代**  
Firecrawl 近日发布了革命性的 /search API，将网页搜索与内容抓取功能无缝整合，极大地简化了 AI 数据获取流程。通过一次 API 调用，开发者即可后端执行自然语言查询，获取目标网页的完整内容，并支持 Markdown、HTML 等多种 AI 友好格式输出，完美适配大型语言模型 (LLM) 需求。此功能无需第三方依赖，完全在后端运行，并具备内置代理管理和反爬机制，确保数据获取的高效与稳定。作为开源工具，Firecrawl 的 /search API 大幅降低了 AI 开发门槛，为智能代理、内容分析和 RAG 系统等 AI 应用提供了强大支持。

**6、日本 AI 逆袭全球！Shisa V2 405B 开源发布，碾压 GPT-4 的日语神器来了！**  
Shisa.AI 近日发布了基于 Llama 3.1 的 Shisa V2 405B 模型，被誉为“日本有史以来训练的最强大型语言模型”。该日英双语开源模型在多项日语基准测试中超越 GPT-4 及 GPT-4 Turbo，甚至与 GPT-4o 和 DeepSeek-V3 不相上下，展现了卓越的日语处理能力。Shisa.AI 专注于优化后训练流程，通过强大的日英双语数据集 ultra-orca-boros-en-ja-v1 提升模型性能。Shisa V2 系列覆盖 7B 至 405B 参数，并通过开源推动全球 AI 创新，标志着日本本土 AI 在全球竞争中的崛起。

**7、Cursor 1.0 正式发布：全新 BugBot 功能，审查代码修复 Bug**  
AI 驱动的代码编辑器 Cursor 正式发布 1.0 版本，引入了多项创新功能以提升开发效率。核心亮点 BugBot 能够自动化分析 GitHub Pull Request 并识别代码错误，提供一键修复功能。此外，Background Agent 全面开放，支持远程编码任务处理；新增 Jupyter 支持和 Memories 功能，增强数据科学与项目管理能力。Cursor 1.0 还优化了界面和安装流程，旨在提供更智能、高效的编程体验，并获得了9亿美元融资支持，预示着其在 AI 驱动开发领域的强劲发展。

AI Daily 2025.06.05

## AI Repos
**1、[jaaz](https://github.com/11cafe/jaaz)**  
Jaaz是一款免费开源的AI设计代理，作为Lovart的本地替代品，它能实现图像、海报、故事板的设计、编辑和生成。Jaaz集成了LLM，可智能生成提示并批量生成图像，支持Ollama、Stable Diffusion等本地及API模型。用户可通过聊天编辑图像，实现对象移除、风格转换等功能。它提供创意画布，并计划支持视频生成。Jaaz可在macOS和Windows上使用，支持Claude、OpenAI、Gemini等API，或通过Ollama实现100%免费本地使用。
![jaaz.png](/static/img/11ba9a7a5b0d7ea82ba2182568641017.jaaz.webp)



**2、[agentic-doc](https://github.com/landing-ai/agentic-doc)**  
LandingAI发布Agentic Document Extraction Python库，该库封装了Agentic Document Extraction API，能从复杂文档（PDF、图片、URL）中提取结构化数据，并返回分层JSON及元素位置。它支持百页以上长文档处理、自动重试、并发和限速，并提供可视化调试工具。该库简化了API调用，实现了大型文件自动分割并行处理，具备错误处理和批处理能力，极大地提升了文档数据提取的效率和准确性，适用于Python 3.9-3.12版本。

**3、[memvid](https://github.com/olow304/memvid)**  
Memvid是一款创新的AI记忆管理解决方案，通过将文本数据编码成视频文件，实现了数百万文本块的闪电般语义搜索和亚秒级检索。它比传统向量数据库更节省RAM和存储空间，能将知识库压缩为紧凑的视频文件。Memvid具备视频数据库、语义搜索、内置聊天、PDF支持、超快检索和高效存储等核心功能，且支持离线使用和多种LLM。它适用于数字图书馆、教育内容、新闻档案、企业知识库、科研论文和个人笔记等多种场景。

## AI News
**1、Manus推出文生视频功能，挑战Sora，加速AI视频创作普及**  
AI初创公司Manus近日推出“文生视频”功能，允许用户通过文本指令快速生成视频，目前已向Basic、Plus和Pro会员开放。此举旨在与OpenAI的Sora竞争，Sora同样提供文生视频服务，且需付费使用。Manus的Pro会员月费为199美元，与Sora价格相近。Manus的目标是满足用户快速生成高质量视频的需求，并计划未来向所有用户开放此功能，以推动AI视频创作的普及和行业发展，为内容创作者提供高效工具。

**2、松下发布多模态生成AI “OmniFlow”，实现文本、图像、音频自由转换**  
松下联合研发出“OmniFlow”多模态生成AI，其创新之处在于能够实现文本、图像、音频之间的“任意对任意”自由转换。该技术通过灵活结合不同数据格式的生成AI，即便在小样本情况下也能学习高精度模型，显著降低了传统多模态AI所需的大量数据采集成本。OmniFlow在文本转图像和文本转音频任务中表现出色，训练数据量可减少至1/60。这项技术未来有望应用于工厂和生活等多个领域，为客户带来便利。

**3、PlayDiffusion开源，实现语音“局部修改”且不留痕迹**  
Play AI开源发布了基于扩散模型的语音编辑工具PlayDiffusion，专为语音局部修改设计。该模型颠覆了传统文本转语音系统需重生成整段音频的模式，允许用户直接替换、删除或调整音频中的特定部分，同时保持其他未修改部分的一致性，实现“所听即所得”的无痕编辑。PlayDiffusion能智能调整节奏、语调和音色，听感自然。它还可作为高性能非自回归TTS模型，推理速度提升50倍，适用于播客制作、AI配音等场景，标志着语音生成领域向“精确、灵活、自然”转型。

**4、Claude Code将向Pro用户开放，降低AI编码门槛**  
Anthropic的AI编码助手Claude Code，此前仅限Max订阅或API用户。近期网络动态显示，Anthropic计划将其开放给每月20美元的Claude Pro用户，大幅降低使用门槛。Claude Code以其强大的代码库理解和终端集成能力著称，支持代码重构、调试等。此举将吸引更多开发者，加速AI辅助编码的普及，并加剧AI编码工具市场的竞争。Pro用户将获得定额使用权限，其核心功能预计保持不变。

**5、谷歌推出AI Edge Gallery，实现智能手机离线运行AI模型**  
谷歌低调发布实验性应用Google AI Edge Gallery，利用LiteRT技术使智能手机能离线运行Hugging Face平台上的开源AI模型，支持图像生成、文本处理等功能。此举提升了数据隐私和处理速度，是本地化AI的重要突破。该应用目前支持Android设备，通过GitHub分发，性能媲美早期云端模型。AI Edge Gallery的推出标志着谷歌在边缘AI领域的战略布局，有望重新定义AI应用部署方式，加速AI在无网络连接地区的普及。

**6、Resemble AI开源语音克隆模型ChatterBox AI，性能超越ElevenLabs**  
Resemble AI发布了首款开源文本转语音模型ChatterBox，该模型具备卓越的零样本语音克隆、情绪控制和超低延迟特性。ChatterBox在盲测中表现优于ElevenLabs，且支持情绪夸张调节，适用于多种应用场景。其内置的PerTh神经水印技术旨在解决伦理问题。ChatterBox的开源发布标志着语音克隆技术的民主化，尽管存在滥用风险，但其MIT许可证和社区规范呼吁旨在平衡开放创新与负责任使用。

**7、Exa联手OpenRouter，400+AI模型解锁实时网络搜索能力**  
Exa与OpenRouter合作，为超过400种大语言模型（LLMs）提供实时网络搜索功能，显著提升AI模型的信息获取能力。通过RAG技术，模型可动态获取最新网络信息，解决传统LLMs知识更新局限。开发者仅需简单配置即可让模型调用Exa的搜索结果，广泛应用于聊天机器人、学术研究和商业分析等场景。此举降低开发门槛，预示AI与网络数据深度融合的趋势，使AI从“静态知识库”转变为“动态信息枢纽”。

AI Daily 2025.06.04

## AI Repos
**1、[dgm](https://github.com/jennyzzt/dgm)**  
是一个创新的自改进系统，通过迭代修改自身代码并利用编码基准验证每次更改，实现开放式进化。该系统旨在提升 AI 代理的代码修改能力。DGM 支持 OpenAI 和 Anthropic API，依赖 Docker 环境，并集成了 SWE-bench 和 Polyglot 等评估框架。开发者需注意，运行 DGM 涉及执行不受信任的模型生成代码，存在潜在安全风险。该项目为自改进 AI 代理的开发提供了重要工具和研究方向。
![dgm.png](/static/img/b8efa052babb31ea84bb4d9516de695b.dgm.webp)




**2、[DeeplxFile](https://github.com/infrost/DeeplxFile)**  
DeeplxFile 是一款基于 Deeplx/Playwright 的免费、无文件大小限制且支持超长文本翻译的文件翻译工具。它解决了传统工具在处理大型或复杂 Excel 文档时的不足，并支持 LLM 大模型沉浸式翻译，可指定翻译风格和语境。该工具提供 Windows 和 macOS 编译版本，支持 PDF 转换为可编辑 Docx，并提供 Playwright 模式以规避请求频繁错误。最新版本还支持 macOS 上的 Playwright 模式，并优化了 GUI。

**3、[deepseek-engineer](https://github.com/Doriandarko/deepseek-engineer)**  
DeepSeek Engineer v2 正式发布，作为一款强大的 AI 驱动编程助手，其核心亮点在于引入了原生函数调用架构，取代了结构化 JSON 输出。这使得 AI 能进行自然对话、自动文件操作和实时链式思考（CoT）。它具备精英级软件工程能力、代码分析与优化建议，并能自动执行文件读写、创建、编辑等操作。通过智能文件读取和丰富的终端界面，DeepSeek Engineer v2 提供高效、安全的编程体验，助力开发者提升效率。

**4、[VRAG](https://github.com/Alibaba-NLP/VRAG)**  
通义实验室近日开源了 VRAG-RL 框架，这是一个视觉感知驱动的多模态 RAG 推理框架，旨在通过强化学习训练 VLM（视觉语言模型），使其能够从粗粒度到细粒度逐步理解和检索视觉信息。该框架支持多轮多模态训练，集成了先进的视觉嵌入模型，并已发布 7B 模型和交互式 Demo。VRAG-RL 提供了快速启动指南，并支持用户构建自己的视觉搜索引擎和定制化 VRAG，为未来 AI 代理处理视觉丰富信息提供了强大工具。

**5、[gemini-fullstack-langgraph-quickstart](https://github.com/google-gemini/gemini-fullstack-langgraph-quickstart)**  
Gemini Fullstack LangGraph Quickstart 项目提供了一个全栈应用范例，通过 React 前端和 LangGraph 后端代理，实现智能研究型会话式 AI。该代理利用 Google Gemini 模型动态生成搜索查询，通过 Google Search API 执行网页研究，并反思结果、迭代优化搜索，最终提供带引用的可靠答案。项目包含详细的开发与部署指南，支持本地测试和 Docker 部署，展示了 LangGraph 与 Gemini 模型在构建高级 AI 应用中的强大潜力。

**6、[onlook](https://github.com/onlook-dev/onlook)**  
Onlook 是一款专为设计师打造的开源、可视化优先的代码编辑器，旨在简化 Next.js + TailwindCSS 网站、原型和设计开发。它提供AI 辅助创作（通过文本或图像）、Figma 导入、GitHub 仓库导入等功能，并允许用户直接在浏览器 DOM 中进行可视化编辑，实现实时设计与代码同步。Onlook 支持团队协作、版本控制和快速部署，目前 Web 版本正在积极开发中，致力于成为 AI 驱动的“所见即所得”代码创作工具。
![onlook.png](/static/img/4d93999e181942724914d35eed150f6d.onlook.webp)

**7、[throttled-py](https://github.com/ZhuoZhuoCrayon/throttled-py)**  
Throttled-py 是一款高性能的 Python 限流库，支持同步和异步模式，并提供 Redis 和内存（In-Memory）两种线程安全存储后端。它实现了固定窗口、滑动窗口、令牌桶、漏桶和 GCRA 等多种限流算法，支持灵活的配额配置、即时响应和等待重试模式，以及函数调用、装饰器和上下文管理器三种使用方式。Throttled-py 性能卓越，In-Memory 模式下速度约为 dict[key] += 1 操作的 2.5-4.5 倍，Redis 模式下约为 INCRBY 操作的 1.06-1.37 倍，同时还支持与 MCP Python SDK 集成。

**8、[autobe](https://github.com/wrtnlabs/autobe)**  
AutoBE 是一款创新的后端 vibe 编程 AI 代理，利用 TypeScript、NestJS 和 Prisma（Postgres）技术栈，通过编译器和 OpenAPI 验证器反馈机制，确保生成 100% 可运行的代码。该代理融合瀑布模型与螺旋模型的优势，通过需求分析、Prisma 数据库设计、API 接口定义、代码实现和端到端测试五个核心代理，实现持续迭代优化。AutoBE 可与 **Agentica（AI 聊天机器人框架）和 AutoView（前端编码代理）**无缝集成，旨在实现全栈 vibe 编程，让用户仅通过对话即可自动化完成后端、AI 聊天机器人和前端应用的开发与部署。


## AI News
**1、NVIDIA 联合 MIT 与港大推出 Fast-dLLM 框架，大幅提升扩散模型推理速度**  
英伟达携手麻省理工学院和香港大学，共同发布了创新的 Fast-dLLM 框架，旨在显著提升扩散模型（Diffusion-based LLMs）的推理速度。该框架通过引入块状近似 KV 缓存机制和置信度感知并行解码策略，有效解决了扩散模型在推理速度上的瓶颈，最高实现了惊人的 27.6 倍加速。Fast-dLLM 在多项基准测试中表现出色，在大幅提速的同时，仍能保持高准确率，为扩散模型在语言生成任务中的广泛应用开辟了新的可能性，使其在与自回归模型的竞争中更具优势。

**2、智源研究院开源Video-XL-2，轻量级模型实现超长视频理解新突破**  
智源研究院与上海交通大学等机构联合发布了Video-XL-2，一款开源的新一代超长视频理解模型。该模型采用创新的视觉编码器、动态Token合成模块（DTS）和大语言模型（LLM）架构，并通过四阶段渐进式训练和多项效率优化策略，实现了在单张消费级显卡上处理千帧、甚至万帧级视频的能力。Video-XL-2在多项长视频评测基准上超越现有轻量级模型，甚至接近或超越了部分720亿参数规模的大模型，展现出卓越的理解能力、处理速度和实用性，为长视频内容分析、监控和直播分析等应用提供了强大支持。

**3、Character.AI 推出 AvatarFX 功能，赋能用户创建个性化动画视频**  
Character.AI 近日发布了 AvatarFX 工具，允许用户利用其 AI 聊天角色制作个性化动画视频，并新增**“场景”和“流”功能**，以便用户在平台新社交动态中分享创作。这一举措丰富了用户体验，使 AI 聊天角色不再局限于文本互动。尽管平台此前曾面临滥用争议，Character.AI 表示将采取措施限制真实人物照片上传，并对视频进行水印处理，力求在提供创意空间的同时确保用户安全。

**4、Cerebras 推理 API 全面开放，每日百万免费 Token 加速 AI 开发**  
人工智能芯片公司 Cerebras Systems 全面开放其推理 API，取消了等待名单限制，并为开发者提供每日百万免费 Token。Cerebras 宣称其推理速度可达 GPU 的 20 倍，尤其在实时处理和复杂推理场景中表现卓越，支持主流开源模型如 Llama4 和 Qwen3-32B，并已无缝集成至 Hugging Face 等平台。此次开放旨在加速生成式 AI 应用开发，并可能重塑 AI 推理市场格局。

**5、新加坡国立大学推出 OmniConsistency，低成本实现图像风格化一致性**  
新加坡国立大学（NUS）团队发布了 OmniConsistency 项目，旨在以极低成本复现 OpenAI GPT-4o 在图像风格化上的一致性。该创新技术通过独特的学习框架，利用 2600 对高质量图像，仅用 500 小时 GPU 算力训练，便在风格化效果和内容一致性之间取得平衡。OmniConsistency 采用模块化架构，支持即插即用，兼容现有风格化 LoRA 模块，为开源社区提供了高性价比的解决方案，有望推动 AI 艺术创作发展。

**6、微软必应推出 Bing Video Creator，免费生成 AI 视频**  
微软必应（Microsoft Bing）正式推出“Bing 视频创作器”，首次免费开放基于 OpenAI Sora 模型的视频生成能力，用户可通过文本提示轻松创建短视频。该功能目前仅支持移动设备，免费生成 10 段视频后需消耗微软积分。每次可排队生成三段 5 秒竖屏视频，未来将支持横屏。此举旨在降低视频创作门槛，丰富社交媒体内容，为微软服务增添新吸引力。

**7、通义实验室开源 VRAG-RL：视觉感知多模态 RAG 推理框架**  
近日，通义实验室自然语言智能团队发布并开源了 VRAG-RL，这是一款视觉感知驱动的多模态 RAG 推理框架。该框架旨在解决 AI 在图像、表格、设计稿等视觉语言中检索关键信息并进行精细化推理的难题。VRAG-RL 引入多样化视觉感知动作、多专家采样策略和细粒度奖励机制，并通过 GRPO 算法实现高效训练。实验结果表明，VRAG-RL 在多项视觉语言基准测试中表现优异，显著提升了模型在视觉任务上的性能和效率，支持多轮交互。

**8、阿里云通义灵码 AI IDE 正式上线，开启智能编程新纪元**  
阿里云正式发布并免费上线通义灵码 AI IDE，这是一款深度适配千问3模型、原生集成人工智能的开发环境。该 IDE 凭借强大的编程智能体模式、长期记忆和行间建议预测（NES）功能，显著提升开发效率。其行间对话（Inline Chat）功能进一步增强了互动性。通义灵码插件下载量已超 1500 万，累计生成 30 亿行代码，被众多知名企业采用，标志着阿里云在智能编程领域的重大突破，为开发者带来高效智能的编程新体验。

**9、Anthropic Claude 新增应用开发功能，赋能 AI Studio 生态**  
Anthropic 近日宣布，其旗舰模型 Claude 现已支持开发者直接构建与模型对话的 AI 应用程序。此项更新被视为与 AI Studio 的应用开发理念高度契合，通过 API 和 SDK 提供丰富的接口支持，开发者可利用 Claude 的对话和多模态生成能力，快速构建智能助手、自动化客服、内容生成工具等。这一突破性进展降低了 AI 应用开发门槛，有望加速 AI Studio 成为 AI 应用开发的“枢纽”，推动 AI 技术在各行业的广泛普及和创新。

**10、小米开源多模态大模型 Xiaomi MiMo-VL，性能超越同类及部分闭源模型**  
小米公司近日开源了其研发的多模态大模型 Xiaomi MiMo-VL，该模型在图片、视频、语言的通用问答和理解推理等任务上，大幅超越同尺寸标杆模型 Qwen2.5-VL-7B，并在 GUI Grounding 任务上媲美专用模型。尽管参数规模仅 7B，Xiaomi MiMo-VL 在多模态推理竞赛中表现优异，甚至超越部分大型模型及闭源模型 GPT-4o。其强大性能得益于高质量预训练数据和创新的混合在线强化学习算法，有望为 Agent 时代奠定基础。

AI Daily 2025.06.03

## AI Repos
**1、[WebAgent](https://github.com/Alibaba-NLP/WebAgent)**  
阿里巴巴通义实验室近日发布了WebDancer，一款旨在实现自主信息搜索的原生智能体搜索推理模型。WebDancer采用ReAct框架，通过分阶段训练范式，包括浏览数据构建、轨迹采样、监督微调和强化学习，赋予智能体自主搜索和推理能力。该模型在GAIA和WebWalkerQA等基准测试中表现出色，Pass@3分数分别达到61.1%和54.6%，展现了其执行多步骤、复杂推理任务的强大潜力，有望在未来的Web 4.0时代中发挥关键作用。
![WebAgent.png](/static/img/95293f4b4ec3ff498d706bd95fc5995e.WebAgent.webp)



**2、[OpenDerisk](https://github.com/derisk-ai/OpenDerisk)**  
OpenDeRisk 是一个AI原生风险智能系统，致力于为应用系统提供7x24小时全面深入的风险防护。该系统采用多智能体架构，通过SRE-Agent、Code-Agent、ReportAgent、Vis-Agent和Data-Agent之间的协作，实现DeepResearch RCA（根因分析），能够快速定位问题根源。OpenDeRisk具有可视化证据链和完全开源架构，基于大规模OpenRCA数据集进行训练，提升了风险诊断的透明度和准确性，为开发者和企业提供了强大的风险管理解决方案。
![OpenDerisk.png](/static/img/18d1b259c28a95f33145dc1c228c4604.OpenDerisk.webp)

## AI News
**1、DeepSeek-R1-0528正式开源：性能媲美OpenAI o3，免费API已上线**  
中国AI初创公司DeepSeek正式开源了其大语言模型DeepSeek-R1-0528，其在LiveCodeBench测试中性能表现直逼OpenAI的o3高级版。该模型支持128K上下文，代码生成与推理能力显著提升，并有效减少了模型幻觉。DeepSeek-R1-0528已通过HuggingFace平台开源，并提供免费API服务，通过OpenRouter上线，极大地降低了开发者使用门槛。此举不仅展示了DeepSeek的技术实力，也加速了AI技术的普及和开源AI生态的发展。

**2、新神器LocAgent发布：代码定位准确率高达92.7%，程序员福音！**  
OpenHands、耶鲁大学、南加州大学和斯坦福大学团队联合推出了创新性的图索引大语言模型（LLM）代理框架——LocAgent，旨在解决程序员难以定位代码问题的痛点。LocAgent能将代码库解析成包含文件、类和函数关系的图结构，并采用分层稀疏索引和工具接口，使LLM能高效地在复杂代码库中进行推理和搜索。这一新工具的代码定位准确率高达92.7%，显著提升了开发效率，是程序员的巨大福音，并将于2025年ACL会议上正式亮相。

**3、Resemble AI开源TTS Chatterbox，性能直逼并超越ElevenLabs**  
Resemble AI开源了其文本转语音（TTS）模型Chatterbox，该模型基于0.5B规模的LLaMA架构，训练数据超过50万小时，在盲测中表现出惊人的真实感和流畅度，甚至超越了ElevenLabs。Chatterbox支持零样本语音克隆和情感夸张控制，具备超低延迟的实时合成能力。为防止滥用，每段生成音频均嵌入Perth神经水印技术。Chatterbox的开源将极大地降低TTS技术门槛，推动更多创新应用，同时Resemble AI也提供付费服务，实行开源与商业化双轨战略。

**4、Opera 发布全球首款AI代理浏览器Neon：智能聊天与自动化任务引领Web4.0**  
Opera公司正式推出全球首款AI代理浏览器Opera Neon的Alpha版，标志着Web4.0时代的开启。Neon通过集成Neon Chat（智能上下文交互）、Neon Do（任务自动化）和Neon Make（AI内容创作）三大核心模块，将浏览器从被动工具转变为主动智能助手。它支持离线任务执行，注重本地隐私保护，并提供邀请制体验。Neon的发布重新定义了用户与网络的交互方式，在日益激烈的AI浏览器市场中展现出独特的竞争优势。

**5、全栈智能体Lemon AI重磅发布：一键解锁多领域复杂任务自动化**  
创新型全栈通用AI Agent——Lemon AI近日正式亮相，以其强大的自主性和工具调用能力，实现了从任务需求到成果交付的全流程自动化。Lemon AI集成了自然语言处理、代码生成、网页浏览、API调用等多种功能，能够智能识别目标、规划步骤并执行任务。其应用场景广泛，覆盖市场调研、金融分析、数据分析、代码编程和生活规划等多个领域。Lemon AI的推出预示着AI Agent技术迈向新高度，有望重塑多行业智能化格局。

**6、字节跳动发布AI剪辑应用“剪小映”，赋能生活瞬间创作**  
字节跳动最新推出AI剪辑应用“剪小映”，旨在通过“捕捉美好，智创影片”的口号，为用户提供便捷高效的视频创作体验。该应用延续了剪映的易用性，并深度整合了火山引擎豆包大模型技术，让用户无需专业技能也能轻松制作高质量视频。剪小映的发布大大降低了视频创作门槛，鼓励更多人记录和分享生活瞬间，也标志着字节跳动在AI视频编辑领域的又一创新力作。

**7、字节跳动推出图像Agent“小云雀AI”，赋能一键爆款创作**  
字节跳动发布了全新的图像Agent“小云雀AI”，旨在成为“一键爆款创作神器”。这款智能工具功能类似于Lovart，用户只需简单指令，即可智能生成高质量视频和图片，极大地降低了内容创作门槛。小云雀AI依托字节自主研发的“云雀”大模型，融合了深度学习和多模态技术，具备强大的图像生成与视频编辑能力。目前已上线安卓客户端，iOS版本预计6月发布。此举标志着字节跳动在AI Agent领域迈出重要一步，有望重塑AI创作格局，推动生成式AI向更广泛场景渗透。

**8、Meta发布Multi-SpatialMLLM：引领多模态AI空间理解新范式**  
Meta与香港中文大学联合发布了Multi-SpatialMLLM模型，该模型通过整合深度感知、视觉对应和动态感知三大组件，显著提升了多模态大语言模型（MLLMs）的空间理解能力。为解决现有模型在空间推理方面的局限性，研究团队构建了包含2700万样本的MultiSPA数据集并设计了五项训练任务。Multi-SpatialMLLM在各项基准测试中表现优异，平均准确率大幅提升，展现了其在机器人、自动驾驶等领域应用的巨大潜力，推动了AI视觉内容创作和空间理解技术的发展。

**9、可灵2.1重磅上线：性能显著提升，价格骤降65%**  
AI视频生成工具可灵2.1现已正式上线，在性能显著提升的同时，价格大幅降低了65%，极大地提高了性价比。新版本引入了标准版、高品质版和大师版三种质量体系，分别提供720P和1080P画质选择，以满足不同用户的需求。可灵2.1在生成效果和速度上均超越了前版本，即使目前仅支持图生视频，但其卓越的表现使其成为短视频和广告制作的理想选择，显著改善了用户的创作体验。

**10、蚂蚁集团开源Ming-lite-omni：媲美GPT-4o的首个开源多模态模型**  
蚂蚁集团百灵大模型团队宣布全面开源Ming-lite-omni，这是首个在模态支持方面能与GPT-4o媲美的开源多模态大模型。该模型基于MoE架构，拥有220亿总参数和30亿激活参数，其模型权重和推理代码已开放，后续将发布训练代码和数据。此举延续了蚂蚁集团的开源战略，并通过在非高端算力平台上训练，证明了国产GPU的强大能力，为全球开发者提供了顶级的多模态AI技术选择。

**11、OpenAI图像生成API升级：实时流式预览、多轮编辑与MCP集成赋能无限创作**  
OpenAI大幅升级其图像生成API，引入实时流式预览，让用户在生成过程中即时查看，提升创作效率。新增的多轮编辑功能支持对已生成图像进行高保真修改，节省计算资源。更重要的是，API集成了模型上下文协议(MCP)，可连接Cloudflare、Stripe等多种外部工具和实时网络数据，极大地拓展了图像生成的使用场景，从实时数据可视化到个性化营销素材，为AI驱动的视觉内容创作带来无限可能。

**12、百度上线AI高考系列产品，助力考生备考与志愿填报**  
为迎接2025年高考，百度推出系列AI产品，全方位助力考生。其中包括“高考高频考点库”，汇集近三年核心考点，提供针对性复习；升级后的“AI志愿助手”，能根据分数快速生成“冲稳保”志愿表，并提供个性化建议。此外，还设立了24小时在线的“外援团”直播间，由高校智能体、老师和学长学姐为考生提供实时答疑。这些AI工具旨在帮助考生高效备考、科学填报志愿，缓解高考压力。

**13、Ollama v0.8 发布：本地AI迈向智能助手新纪元**  
Ollama v0.8的发布为本地大型语言模型带来了革命性升级，新增了流式传输响应和工具调用功能，使其能够实现实时交互和连接外部世界，例如进行实时网络搜索。新版本还修复了内存泄漏、优化了模型加载速度和长上下文推理，并增强了对AMD显卡的支持。Ollama v0.8通过开源和提升本地AI能力，降低了开发门槛，预示着本地AI在隐私敏感和离线场景下将扮演越来越重要的角色，成为更实用、更灵活的智能助手。

**13、通义实验室发布OmniAudio：360°视频生成空间音频里程碑**  
通义实验室近日推出OmniAudio技术，成功实现从360°视频直接生成FOA（First-order Ambisonics）空间音频，为虚拟现实和沉浸式娱乐带来革新。该技术解决了现有方法对360°全景视频空间信息利用不足的问题，并通过构建大规模Sphere360数据集和采用两阶段训练方法，显著提升了生成音频的质量和与视频的对齐度。实验结果表明，OmniAudio在各项指标上均优于现有基线，开启了360°视频与高质量空间音频结合的新纪元。

AI Daily 2025.05.29

## AI Repos
**1、[japanese-analyzer](https://github.com/cokice/japanese-analyzer)**  
“日本語文章解析器”是一款专为中文用户设计的 AI 驱动日语学习工具。它能对日语句子进行深度智能分析，自动识别并标注词汇的词性、发音和罗马音，并提供详细的中文释义，帮助用户理解日语语法结构和词义。此外，该工具还支持 OCR 图像识别、语音朗读和整句翻译等功能，并采用流式 API 响应和自定义设置，提供高效便捷的学习体验。项目已开源，欢迎开发者参与贡献。

**2、[yamlresume](https://github.com/yamlresume/yamlresume)**  
YAMLResume 是一个开源项目，旨在简化简历的创建和版本控制。它遵循“关注点分离”原则，允许用户用YAML纯文本撰写简历内容，并通过可插拔的排版引擎（默认使用 LaTeX）生成专业的 PDF 简历。该工具支持自定义布局选项，并确保“像素级完美”的排版效果。用户可以通过 npm 等包管理器安装，并使用简单的命令行工具创建和构建简历，摆脱传统简历制作的繁琐和厂商锁定。
![yamlresume.png](/static/img/a75fb98a0fa367751c1d9d76744fc43e.yamlresume.webp)



**3、[oba-live-tool](https://github.com/qiutongxue/oba-live-tool)**  
“抖音小店/巨量百应/抖音团购/小红书/视频号/快手小店直播小工具” 是一款专为直播带货设计的多平台智能辅助工具。它支持多账号管理、智能消息助手自动发送消息、商品自动讲解弹窗，并提供基于 DeepSeek 等 AI 模型的AI 自动回复和AI 智能助理功能，实时监听直播互动并生成回复。该工具旨在帮助主播提高直播效率和互动质量，简化直播运营流程，支持 Windows 和 MacOS 系统，并已开源，方便用户下载安装及源码构建。
![oba-live-tool.png](/static/img/d07aab306325419b24e9b283808a281b.oba-live-tool.webp)

**4、[12-factor-agents](https://github.com/humanlayer/12-factor-agents)**  
12-Factor Agents 是一套构建可靠、可扩展且易于维护的 LLM（大型语言模型）驱动软件的原则，灵感来源于“12-Factor Apps”。该项目旨在解决当前 AI 代理框架在生产环境中面临的挑战，强调将 LLM 步骤融入确定性代码，而非简单的“工具循环”。核心原则包括拥有提示和上下文窗口、统一执行状态、简化 API、紧凑错误处理以及构建小型专注的无状态代理。这些原则为开发者提供了构建高质量、客户级 AI 代理的实用指南。
![12-factor-agents.png](/static/img/47c38a6b5e67edf053ab3b8ea8a1b3a8.12-factor-agents.webp)

## AI News
**1、腾讯云上线“CloudBase AI ToolKit”：国内首个智能编程后端服务**   
腾讯云开发（CloudBase）推出了“CloudBase AI ToolKit”，这是国内首个面向智能编程的后端服务。它将 AI 编程的应用范围从简单的静态网页生成扩展到具备商业价值的应用开发、上线和运营全流程。该工具包为 AI 编程工具提供后端配置、云资源创建、管理及在线调试能力，使 AI 能够自动化完成代码生成、部署和运维，甚至能诊断并修复问题。CloudBase AI ToolKit 已开源，旨在提升开发效率。

**2、通义推出 CoGenAV：多模态语音表征模型实现音画同步感知**  
通义大模型发布了创新的 CoGenAV 多模态语音表征模型，通过学习音频、视觉和文本之间的时序对齐关系，显著提升了噪声环境下的语音识别能力。CoGenAV 采用“对比生成同步”策略，精准对齐音视频特征，在视觉语音识别（VSR）、音视频语音识别（AVSR）、语音增强与分离（AVSE/AVSS）和主动说话人检测（ASD）等多个任务中刷新了 SOTA 记录。该模型可直接接入主流语音识别模型，展现出色的抗噪能力和数据效率，并已开源。

**3、Vidu API 节点即将上线 ComfyUI：赋能图生视频创作新体验**   
Vidu AI 与 ComfyUI 合作，即将上线 Vidu API 节点，为创作者带来便捷的图生视频新体验。此次联动简化了图像到视频的创作流程，用户只需更新 ComfyUI 并获取积分，即可通过预设模板轻松启用 Vidu 的视频生成功能。这一整合旨在为创作者提供更高效、更广阔的创作空间，满足多样化的视频内容制作需求。相关操作指引和资源已在 ComfyUI 和 Vidu 平台提供，方便用户快速上手。

**4、Opera Neon 推出首款 AI 代理浏览器：助力用户智能上网**  
Opera 公司发布了其首款“AI 代理”浏览器 Opera Neon，旨在通过智能功能重新定义用户上网体验。该浏览器由 Neon Chat、Neon Do 和 Neon Make 三个核心模块组成：Neon Chat 提供智能聊天和实时信息检索；Neon Do 能在本地安全地代替用户执行表单填写、购物等操作；Neon Make 则利用云技术执行生成报告、编写代码等复杂任务。Opera Neon 强调隐私保护，并承诺帮助非技术用户进行网络创作。

**5、阿里云百炼 MCP 广场首发上线：赋能 AI 智能体开发新突破**  
阿里云百炼平台正式上线 MCP 广场，汇聚了美图影像、盈米且慢、小冰数字人等 40 余个优质 MCP 服务，旨在推动 AI 智能体开发新突破。面对当前大模型工具不足的挑战，阿里云率先构建了全面的 MCP 服务生态。美图影像 MCP Server 提供智能图像处理功能，盈米且慢 MCP Server 则提供专业的金融数据和智能投顾服务，极大地丰富了 AI 智能体的应用场景，降低了开发门槛，已吸引大量开发者和企业。

**6、腾讯混元开源语音数字人模型 HunyuanVideo-Avatar：图+音频，让图中的主角说话唱歌**  
腾讯混元团队与腾讯音乐天琴实验室联合发布并开源了 HunyuanVideo-Avatar 语音数字人模型。这项创新技术能够仅凭一张图片和一段音频，即可生成自然、真实的数字人说话或唱歌视频。HunyuanVideo-Avatar 具备智能理解能力，支持头部、半身及全身驱动，在主体一致性和音画同步方面表现出色，并支持多种风格、物种及多人场景。该模型已在腾讯混元官网开放体验，显著降低了短视频制作的时间和成本。

**7、微软开源 Aurora AI 气象模型：助力天气与环境监测**  
微软研究院宣布开源其 Aurora AI 气象预报模型，该模型结合深度学习和大规模气象数据，旨在提供精准的天气与环境监测解决方案。Aurora AI 通过百万小时级多来源数据训练，在热带气旋预测上表现出色，并在海浪预报和空气质量预测中超越传统算法。该模型已整合至 MSN 天气服务，并在 Azure AI Foundry Labs 向开发者开放试用与微调，助力推动气象科技与环境监测的创新应用。

**8、掘金发布 MCP：AI 生成前端项目一键部署**  
国内程序员社区掘金推出创新功能 MCP（Model Context Protocol），实现了 AI 生成前端项目的一键部署。该功能专为 HTML、CSS 和 JavaScript 前端项目设计，开发者只需获取专属 MCP Token 并在支持的 AI 开发工具中配置，即可通过一行命令将项目发布到掘金平台。MCP 提供免费静态文件托管，显著简化了部署和分享流程，尤其适用于 AI 驱动的 Vibe Coding 场景，并为开发者展示作品、参与社区协作提供了高效途径。

**9、Mistral 推出全新 Agents API：助力开发者构建智能 AI 代理**  
Mistral 公司发布了全新的 Agents API，为开发者提供一个构建智能 AI 代理的框架。该 API 基于 Mistral 语言模型，集成内置连接器，支持代理在沙盒环境中执行 Python 代码、利用 FLUX1.1Ultra 模型生成图像、进行实时网络搜索，并具备持久记忆功能。它还支持代理协作，实现复杂工作流，并基于模型上下文协议（MCP）访问外部数据源和 API。Agents API 广泛应用于软件开发、项目管理、财务分析等领域，旨在提升工作效率。

AI Daily 2025.05.28

博客记录，随心记，随性记，早日退休