## AI Repos
**1、[dyad](https://github.com/dyad-sh/dyad)**  
Dyad 是一款免费开源的本地化 AI 应用开发工具，兼容 Windows 和 Mac 双平台。支持使用自有 API 密钥灵活调用主流 AI 模型（包括 Gemini、GPT-4.1、Claude 等），内置数据库与身份验证系统可快速构建完整应用。

![dyad.png](/static/img/83d6a306743c626bbada8fecc88fa477.dyad.webp)




**2、[mcp-gateway](https://github.com/mcp-ecosystem/mcp-gateway)**  
这个开源工具能让我们把现有 API 无需改动代码转化为 MCP 服务，实现与各种 AI 助手无缝对接。主要特性：零代码改动将现有 API 转为 MCP 服务端；通过简单的 YAML 配置文件快速完成转换设置；适配物理机、虚拟机、K8s 等多种环境，无需改变现有基础设施；内置直观的 Web 管理界面降低使用门槛；支持 MCP 的 SSE 和 HTTP 流式传输，体验更流畅；架构轻量高效，性能与高可用性兼备。通过 Docker 一键部署，几分钟内即可完成配置并开始使用，想要快速适配 MCP 协议的开发者可以看下。

## AI News
**1、马蜂窝推出AI旅行助手“AI小蚂”，接入DeepSeek大模型**  
马蜂窝正式上线自主研发的AI旅行助手“AI小蚂”，该助手接入DeepSeek大模型并结合马蜂窝多年积累的旅行数据，旨在提供更精准可靠的旅行推荐。用户可在马蜂窝APP首页及目的地页面使用实时问答、行程线路规划、在线旅行向导和个性化推荐等功能。“AI小蚂”致力于消除AI在旅行场景中的“幻觉”，让推荐有据可依，从而提升用户旅行规划的效率和个性化体验，推动智能旅行服务的发展。

**2、CrowdStrike发布Charlotte AI平台，革新安全运营模式**  
网络安全公司CrowdStrike在RSA2025大会上推出了全新的AI平台Charlotte AI，旨在通过智能自动化和自主推理响应能力彻底改变安全运营中心(SOC)的运作模式。Charlotte AI能够自动分析和处理多方数据，主动进行调查和响应，显著提高安全分析师的工作效率。其Agentic Response模块能自动解答调查问题，Agentic Workflows则通过Falcon Fusion SOAR实现AI驱动的自动化工作流。CrowdStrike的MDR解决方案也整合了Charlotte AI，提升了整体安全防护和威胁应对能力。

**3、字节Seed团队推出PHD-Transformer：突破预训练长度限制，解决KV缓存膨胀**  
字节Seed团队发布新型PHD-Transformer，通过直接重复输入tokens扩展预训练长度，并在训练损失和模型性能上取得提升。为解决由此带来的KV缓存膨胀问题，PHD-Transformer在推理时仅保留原始tokens生成的KV缓存，丢弃重复tokens的缓存，显著加快推理速度。团队还引入滑动窗口注意力机制PHD-SWA和逐块滑动窗口注意力机制PHD-CSWA以保持性能并缩短预填充时间。实验表明，PHD-CSWA在多个基准测试中实现了准确率的提升，标志着预训练长度扩展在大型推理任务中取得重要进展。

**4、Devin AI推出DeepWiki：AI驱动的GitHub代码库智能文档生成工具**  
Devin AI发布免费工具DeepWiki，利用其DeepResearch智能代理自动为GitHub代码库生成结构化维基风格文档，简化开发者对不熟悉代码库的理解。用户只需替换URL即可获得项目总结、技术栈介绍、交互式文件浏览器和自动生成的架构图等。DeepWiki内置AI助手支持自然语言提问，并提供深度研究模式以识别潜在问题和优化机会。该工具支持公共和私有代码库，旨在弥合代码与文档之间的鸿沟，提升开发效率。

**5、DeepSeek R1T Chimera登陆OpenRouter：融合R1与V3优势，高效智能开源**  
TNG Technology Consulting发布了基于MoE架构的685B参数模型DeepSeek R1T Chimera，该模型融合了DeepSeek R1的推理能力与V3-0324的效率。Chimera显著提升了令牌效率，在保持相当智能水平下减少约40%的输出令牌使用量，并具备与R1相当的推理性能。该模型已通过OpenRouter平台开放访问，采用MIT许可证并开放权重。Chimera的高效令牌使用和推理能力使其在文档分析、代码生成和实时对话等场景中具有广泛的应用前景，有望成为开发者社区的热门选择。

**6、Adobe重磅升级Firefly AI平台：打造图像、视频、音频全能创作引擎**  
Adobe对Firefly AI平台进行重大升级，使其从单一图像生成器扩展为综合性数字内容创作系统，新增支持生成视频、音频和矢量图形。图像生成方面推出了增强的Firefly Image Model4标准版和超版，提升了人物、动物和建筑渲染及文本生成能力，并增加更多控制选项。正式发布的Firefly Video Model能生成最长五秒的视频剪辑。此外，平台还将整合第三方AI模型，并推出iOS和安卓移动应用，实现跨平台创作。所有AI生成内容将标记“内容凭证”，但仅Adobe自有Firefly模型基于授权数据训练，确保商业安全性。

**7、字节跳动推出QuaDMix框架：统一优化LLM预训练数据质量与多样性**  
字节跳动发布QuaDMix数据选择框架，旨在解决LLM预训练中数据质量与多样性难以兼顾的难题。QuaDMix通过特征提取、质量聚合和质量-多样性感知采样三阶段流程，在固定训练预算下实现两者的联合优化。实验表明，QuaDMix在RefinedWeb数据集上表现优异，平均得分超越多种基线模型，且能提升特定下游任务的性能。该框架为LLM预训练数据选择提供了一个系统化且可扩展的解决方案。

**8、Qafind Labs发布ChatDLM：全球最快推理速度模型，突破超大上下文**  
Qafind Labs发布了ChatDLM模型，是首个深度融合区块扩散和专家混合技术的模型，在GPU上实现了高达2800 tokens/s的超高推理速度，并支持131,072 tokens的超大上下文窗口。ChatDLM采用7B参数量，通过区块扩散、专家混合、RoPE优化和分层缓存等技术，实现了高效的文档级生成和实时对话能力。在性能测试中，ChatDLM在推理速度和多个基准测试的准确率方面均表现出色。Qafind Labs计划未来为ChatDLM引入更多先进技术，进一步提升其性能和适用性。用户可通过体验地址进行体验。

**9、百度发布多模态AI程序员文心快码Zulu，开启智能编程新时代**  
百度在Create大会上发布了文心快码3.5及国内首个多模态AI程序员Zulu智能体。Zulu支持上传图片一键生成代码，灵活调用多种工具，自动搭建环境，适配主流IDE，并能实时预览代码效果。基于Zulu，文心快码可实现从需求到编码、调试、验证的端到端生成，助力开发者成为“十倍工程师”，复杂工程重构时间从一天缩短至一分钟。同时，零经验用户也能通过自然语言轻松编程。文心快码3.5在代码智能体引擎、代码预测改写引擎和上下文引擎等方面实现突破，并通过MCP协议兼容主流开发工具链，目前已服务760万开发者，显著提升开发效率。

**10、GPT-4o图像生成能力集成GPTs，开启个性化AI图像机器人时代**  
OpenAI将GPT-4o的强大图像生成能力集成到GPTs平台，用户可以创建自定义的图像生成机器人，实现个性化的图像创作，如生成特定风格的海报或艺术作品。这些机器人支持高保真视觉输出、上下文一致性，并易于分享和使用。该功能基于GPT-4o的多模态能力和GPTs的定制化框架，通过自然语言配置即可定义机器人的生成目标和风格。这一集成降低了AI图像生成的技术门槛，并有望通过GPT Store形成社区化创作生态，广泛应用于营销、艺术、教育和游戏等领域。目前该功能已向ChatGPT Plus、Pro及Team用户开放。

**11、Step1X-Edit开源图像编辑模型：性能媲美GPT-4o**  
Stepfun AI团队开源了Step1X-Edit通用图像编辑框架，该模型结合多模态大语言模型与扩散变换器，通过理解参考图像和编辑指令生成高质量目标图像。团队构建了包含百万级三元组的数据管道，并发布了更贴近真实场景的评测基准GEdit-Bench。实验显示，Step1X-Edit在GEdit-Bench上表现优异，接近闭源模型水平。模型代码、权重和评测数据已在Hugging Face和ModelScope开放，支持单GPU运行，适用于专业设计和日常照片编辑等多种场景，有望推动开源AI图像编辑技术的发展。

AI Daily 2025.04.28

## AI Repos
**1、[graphiti](https://github.com/getzep/graphiti)**  
Graphiti是一个构建和查询时序知识图谱的框架，专为在动态环境中运行的AI智能体设计。与传统的RAG方法不同，Graphiti持续集成用户交互、企业数据和外部信息，形成可查询的连贯图谱。该框架支持增量数据更新、高效检索和精确的历史查询，无需重新计算整个图谱。Graphiti的核心优势在于实时增量更新、双时态数据模型、高效混合检索、自定义实体定义和可扩展性。Zep的AI智能体记忆层的核心就由Graphiti驱动，并在Agent Memory领域展现出领先水平。
![graphiti.png](/static/img/5da548325849023aa12d31aaf9d01675.graphiti.webp)




## AI News
**1、OpenAI免费开放轻量版Deep Research，o4-mini提供支持**  
OpenAI宣布向所有免费用户开放轻量版Deep Research，这款AI研究代理基于o4-mini模型，具备浏览网络、分析信息并生成研究报告的核心能力，旨在为更广泛的用户提供便捷的知识获取途径。此前，Deep Research仅供付费用户使用。此次免费开放轻量版，虽然报告篇幅可能较短，但仍保留了原版的核心智能。同时，付费用户的使用限额也将通过轻量版得以扩展。此举被认为是OpenAI应对市场竞争，巩固市场地位并扩大用户基础的战略调整。

**2、DeepMind发布Lyria2音乐生成模型：高保真音质革新AI音乐创作**  
DeepMind发布新一代音乐生成模型Lyria2，以高保真音频和专业级音质为音乐家和制作人提供强大创作工具。Lyria2能根据文本提示生成多种风格和复杂编曲的音乐，并支持用户控制音调和节拍等关键参数。DeepMind还推出了实时音乐生成功能Lyria RealTime，并升级了Music AI Sandbox实验性创作套件。所有生成音乐均嵌入SynthID水印技术以保障透明性。Lyria2的发布预示着AI将深刻改变音乐创作流程，但版权等伦理问题仍需关注。

**3、百度文库、网盘联合发布GenFlow超能搭子与AI笔记，提升智能生产力**  
百度文库和百度网盘在Create2025大会上联合发布了“GenFlow超能搭子”和“AI笔记”两款AI工具。GenFlow能根据简单指令自动规划任务并生成多种格式的高质量内容。AI笔记首创一站式多模态AI笔记功能，在观看视频时自动生成结构化笔记，包括大纲、解析、公式图表等，并支持一键生成思维导图和习题。这两款工具标志着百度文库和网盘通过大模型技术深度融合，覆盖学习、办公和生活娱乐等场景，旨在提升用户的生产力。

**4、Gradio ImageSlider 2.0即将发布：AI驱动图像展示与生成全面升级**  
Gradio团队宣布即将推出ImageSlider 2.0，作为核心产品线，旨在重新定义AI驱动的图像滑动与展示体验。新版本通过增强型滑动体验、多样化布局选项、高分辨率与视频支持、智能变体切换和自定义样式等功能，提升用户体验和创作自由度。ImageSlider 2.0基于Gradio开源框架，结合扩散模型和现代前端技术，支持文本和图像等多模态输入，并兼容主流前端框架。其应用场景广泛，涵盖电商、数字艺术和社交媒体营销等。目前提供预览版，正式版将优化性能并扩展功能。

**5、百度发布文心大模型4.5 Turbo与X1 Turbo：降价提速，能力显著增强**  
百度在Create开发者大会上发布了新一代文心大模型——4.5 Turbo和X1 Turbo。文心4.5 Turbo在速度上显著提升，价格大幅下降80%，输入和输出价格极具竞争力，且多模态处理和逻辑推理能力增强。文心X1 Turbo则在思维深度和工具调用能力上实现提升，价格较前代降低50%。这两款新模型旨在以更优的性价比和更强的性能，为企业和开发者提供更强大的AI工具，推动人工智能的普及与应用。

**6、Meta发布WebSSL模型：探索无语言监督的纯视觉学习**  
Meta推出了参数规模从3亿到70亿的WebSSL系列模型，该模型基于20亿张纯图像数据进行训练，旨在探索无语言监督的视觉自监督学习（SSL）潜力。WebSSL采用了联合嵌入学习（DINOv2）和掩码建模(MAE)两种范式，并在五个容量层级上进行训练。实验结果表明，随着模型参数规模的增加，WebSSL在视觉问答（VQA）任务中表现显著提升，尤其在OCR和图表任务中超越了CLIP，高分辨率微调后在文档任务中也有大幅提升。值得注意的是，WebSSL在无语言监督的情况下仍展现出与预训练语言模型的良好对齐性，为视觉与语言的关系提供了新的视角。

**7、百度上线通用超级智能体“心响”，加速“秒哒”全民开放**  
百度正式推出多智能体协作应用“心响”，定位为通用超级智能体，通过自主规划和多智能体协作一站式解决用户复杂问题，目前已覆盖超200个任务类型。同时，自去年11月推出的无代码应用生成平台“秒哒”已于今年3月向全社会开放，旨在降低应用开发门槛，让全民都能参与。百度创始人李彦宏强调技术的平民化，“心响”和“秒哒”的推出展示了百度在多智能体应用领域的技术实力，并为AI应用的未来发展提供了新思路。

**8、百度发布AI开放计划，全面拥抱MCP助力开发者**  
百度在开发者大会上宣布启动“AI开放计划”，旨在通过搜索开放平台接入各类AI应用，包括智能体、H5、小程序和App，为用户提供全面的AI服务，并为开发者带来流量和收益。百度搜索将全面索引MCP Server，降低开发门槛。现场演示了千帆平台接入MCP实现电商交易等功能。此外，百度还启动第三届“文心杯”创业大赛，加大对AI人才培养的投入，并点亮国内首个全自研三万卡集群，展现其在AI基础设施领域的实力，积极拥抱AI应用井喷时代。

**9、Tavus发布SOTA零样本唇形同步模型Hummingbird-0**  
Tavus发布了最新的零样本唇形同步模型Hummingbird-0，声称其为当前最先进的技术，无需训练或手动调整，仅凭视频和任意语音即可实现高精度唇形同步。Hummingbird-0在视觉质量、同步精度和身份保持方面超越现有方案，尤其在处理稀有方言和复杂语音时表现出色，大幅降低了配音和视频编辑成本。该模型已在Tavus平台、API及FAL上开放研究预览，适用于用户生成内容、多语言配音和个性化视频等广泛场景，并被开发者赞誉为视频编辑和内容创作的革命性技术。

**10、Adobe Firefly将发布iOS和安卓版，移动端AI图像生成再添强劲对手**  
Adobe宣布将推出其AI图像生成工具Firefly的移动版本，支持iOS和安卓平台，旨在与OpenAI展开竞争。此举意在成为创意工作者随时随地的“创意伙伴”，方便用户在移动中捕捉灵感并提升工作效率。此外，Adobe还发布了Firefly Image Model4和Ultra两款更强大的图像生成模型，并正式开放Firefly Video Model视频生成工具，进一步扩展了其在AI创意领域的布局。

**11、首个大模型全链路安全综述发布：全面梳理数据、训练、部署与应用风险及防御**  
南洋理工大学、新加坡国立大学等机构联合发布首个大模型全链路安全综述，系统分析了LLM从数据准备到商业化应用的各个阶段所面临的安全风险，涵盖数据中毒、隐私泄露、越狱攻击、模型窃取、幻觉、偏见等问题。综述还详细阐述了在数据安全、预训练安全、后训练安全、模型遗忘、部署安全和应用安全等方面的防御机制，为学术界和工业界提供了全面、深入且最新的参考框架，旨在构建更安全可靠的人工智能生态系统。

AI Daily 2025.04.25

## AI Repos
**1、[y-gui](https://github.com/luohy15/y-gui)**  
y-gui是一款基于Web的图形界面AI聊天工具，支持配置多个AI模型，并利用强大的模型上下文协议（MCP）实现高级集成。除了标准的聊天功能，y-gui还通过MCP连接Gmail进行邮件管理，集成Google Calendar进行日程安排，支持在聊天中直接生成图像，并提供可扩展的框架以添加更多MCP服务器和工具。该应用采用React前端和Cloudflare Workers后端架构，具备安全认证、暗/亮主题切换、实时更新和响应式设计，所有聊天数据存储在Cloudflare R2中。
![y-gui.png](/static/img/7a7baea8edf6dae57aa1061f0122d962.y-gui.webp)




## AI News
**1、即梦3.0海外版发布：电影级视觉与精准英文排版引领AI创作**  
字节跳动即梦AI推出即梦3.0海外版，主打电影级画面品质、2K分辨率输出、超逼真材质和精准英文排版。新版本在英文文本生成与字体控制方面表现卓越，支持文本到图像、图像到图像和文本到视频创作。其核心技术包括增强型扩散变换器和优化的OCR与排版模块，并针对英文提示进行优化。即梦3.0适用于数字艺术、广告、社交媒体和品牌设计等多种场景，用户可通过官网和移动应用体验，部分功能需订阅。社区对其视觉效果和英文排版能力给予高度评价，并期待未来在中文排版和硬件优化方面有所提升。

**2、Perplexity发布全新iOS AI语音助手，便捷生活与工作**  
AI公司Perplexity推出一款专为iOS平台设计的全新AI语音助手，旨在提供类似Siri的便捷体验。用户可以通过语音指令轻松实现网页浏览和多款应用的操作，包括自动地图搜索、餐厅预订、草拟邮件、设置提醒和媒体播放等。该AI助手利用先进的AI技术和深度学习算法，精准理解用户语音指令并迅速执行，旨在帮助用户更高效地管理日常生活和工作，提升使用体验。

**3、智谱多款大模型降价，“亿时代”来临，GLM-4-Plus降幅达90%**  
智谱BigModel开放平台宣布大幅下调旗下多款大模型产品价格，进入“亿时代”。其中，GLM-4-FlashX降至每亿tokens 10元，GLM-Z1-Air和AirX分别降至50元和500元每亿tokens，GLM-Z1-AirX推理速度远超DeepSeek-R1。旗舰模型GLM-4-Plus降价90%，至每百万tokens 5元，性能领先且价格极具竞争力。此次降价旨在以高性价比模型赋能更多企业和开发者，平台强调降价不降级，并已吸引大量用户接入，Tokens调用量快速增长。

**4、DTVM开源：全球首个集成大模型开发框架的区块链虚拟机**  
全球首个集成大模型开发框架的区块链虚拟机DTVM正式开源。DTVM通过创新JIT引擎与全链路优化，性能较传统解释执行提升约30倍，并完全兼容以太坊生态。其延迟JIT编译技术显著降低智能合约首次调用延迟，复杂计算性能提升明显。DTVM无缝兼容六种主流编程语言，并通过简化可信计算基提升安全性。最重要的是，DTVM集成了基于大语言模型的AI工具套装SmartCogent，实现从编码、审计到部署的全流程AI驱动开发，逻辑漏洞检测和修复成功率显著提升，标志着Web3.0技术迈向AI原生开发时代。

**5、Perplexity语音助手全新升级：多任务处理与实时交互再创新高**  
Perplexity AI在iOS应用中推出全新语音助手功能，支持设置闹钟、查找路线、发送消息、预订餐厅等多种任务，并集成实时搜索与多应用联动，提供无缝智能生活体验。该助手基于先进的ASR和上下文感知引擎，支持多模态输入和多语言交互，用户可通过语音、屏幕或摄像头进行操作。其应用场景广泛，涵盖日常生活管理、旅行导航、工作效率提升和教育研究等。Perplexity语音助手已登陆iOS和Android平台，并计划推出Mac版，旨在打造更智能、更便捷的AI助手生态。

**6、Meta Ray-Ban智能眼镜推送实时翻译功能，支持四种语言及离线使用**  
Meta宣布Ray-Ban Meta智能眼镜的实时翻译功能已向全球用户开放，支持英语、法语、意大利语和西班牙语的实时双向翻译。用户通过语音指令即可启动，眼镜还能离线使用，只需提前下载语言包。该功能因其直观性和接近自然对话的体验受到好评。其背后是Meta AI对语音识别、自然语言处理和语音合成技术的深度整合。尽管在中等语速和简短句子中表现出色，但在快速对话或长篇发言时可能存在延迟。此次更新标志着智能穿戴设备实用性的提升。

**7、昆仑万维开源Skywork-R1V 2.0：视觉与文本推理能力双重提升**  
昆仑万维开源了其多模态推理模型Skywork-R1V 2.0，该版本在视觉和文本推理能力上均显著提升，尤其在高考理科难题和通用任务中表现出色，刷新多项开源基准测试记录。R1V2.0在中文场景下表现突出，理科题目推理能力领先，文本推理方面也展现出专家级水平。其性能提升归功于新推出的多模态奖励模型Skywork-VL Reward和混合偏好优化机制（MPO）。昆仑万维已在Hugging Face和GitHub上开源R1V2.0的38B权重和完整报告，旨在推动多模态生态建设和通用人工智能的发展。

**8、纳米AI发布MCP万能工具箱：一键集成百余AI服务与常用API**  
纳米AI推出MCP万能工具箱，旨在简化Model Context Protocol (MCP)的配置。该工具箱预配置了超过100个MCP服务，内置18个常用API密钥，涵盖高德地图、MiniMax多模态生成、Firecrawl深度搜索等功能，用户可通过简单调用实现复杂任务自动化。工具箱提供统一调用接口、内置密钥管理和安全沙箱环境，并兼容开源框架。目前处于内测阶段，需邀请码访问，但其便捷性有望加速MCP生态的普及，应用于内容创作、市场研究和企业自动化等多种场景。

**9、OpenAI发布gpt-image-1 API：开放4o强大图像生成能力**  
OpenAI正式发布gpt-image-1 API，开放其4o模型强大的图像生成能力，被誉为“世界最强生图”工具。该API支持高保真图像生成、多样化视觉风格和强大的世界知识整合，并优化了文本渲染。基于改进的扩散模型，API生成高质量图像速度快，并与ComfyUI等工具集成。应用场景广泛，涵盖数字艺术、广告、教育和自动化工作流。API需组织认证后使用，并按Token计费，定价较高。社区对其高保真和多样化风格表示赞赏，并期待未来降低成本和扩展功能。

**10、Ostris发布Flex.2-preview：8亿参数扩散模型革新ComfyUI工作流**  
Ostris团队发布了基于8亿参数的文本到图像扩散模型Flex.2-preview，专为ComfyUI集成设计。该模型在线条、姿态和深度控制生成以及图像修补方面表现出色，支持通用控制与节点化工作流。Flex.2-preview继承了Flux.1的架构并进行了轻量化优化，生成速度快且资源占用低，适合消费级GPU。通过AI-Toolkit支持微调，并在VBench评估中表现优异，尤其在控制精度和图像质量上超越前代模型，为AI艺术创作社区带来更灵活高效的工具。

AI Daily 2025.04.24

## AI Repos 
**1、[suna](https://github.com/kortix-ai/suna)**  
Suna是一款完全开源的AI助手，旨在通过自然对话帮助用户轻松完成现实世界的任务。它作为您的数字伙伴，提供研究、数据分析和日常问题解决等功能，并结合强大的能力与直观的界面，理解您的需求并交付成果。Suna的工具箱包括无缝浏览器自动化、文件管理、网络爬虫和扩展搜索、命令行执行、网站部署以及与各种API和服务集成，使其能够通过简单的对话解决复杂问题并自动化工作流程。
![suna.png](/static/img/c03b82bc332db29fd728ee2c4a3759b2.suna.webp)



**2、[short-video-maker](https://github.com/gyoridavid/short-video-maker)**  
Shorts Video Maker是一款开源工具，旨在通过简单的文本输入自动创建引人入胜的短视频内容。它结合了文本转语音、自动字幕、背景视频和音乐等功能，可用于生成TikTok、Instagram Reels和YouTube Shorts等平台的短视频。该工具推荐至少双核CPU，可选GPU以加速字幕生成和视频渲染，并利用模型上下文协议（MCP）和REST API实现自动化视频创作。该项目由AI Agents A-Z YouTube频道开源。

**3、[dia](https://github.com/nari-labs/dia)**
一款超逼真的文本转语音生成模型，号称超越 ElevenLabs 和 Sesame。仅仅只有 1.6B 参数，能直接从文本生成高度逼真的对话，还支持控制情感和语调，甚至可以生成笑声、咳嗽等非语言声音。
通过 [S1] 和 [S2] 标签控制生成多角色对话；支持生成笑声、清嗓子、叹息等非语言表达；提供声音克隆功能，可复制特定声音风格；实时生成，A4000 GPU 上约 40 tokens/s。提供 Gradio UI 界面，操作简单易上手，同时还可以在 Hugging Face 上在线体验。


## AI News
**1、字节跳动发布Vidi多模态模型：引领超长视频精准理解与编辑**  
字节跳动推出全新多模态模型Vidi，专注于视频理解与编辑，核心能力为精准时间检索，支持长达一小时的超长视频分析。Vidi整合视觉、音频和文本输入，在时间检索任务上性能超越GPT-4o与Gemini等主流模型，准确率提升约10%。其技术架构包括时间增强变换器和多模态编码器，并采用高效推理优化。Vidi在内容创作、智能视频分析、教育培训和娱乐推荐等领域展现出广泛应用前景，代码与模型将在GitHub开源。

**2、xAI发布Grok Vision：视觉与多语言智能交互新纪元**  
xAI为Grok AI助手推出全新Grok Vision功能，实现通过智能手机摄像头实时分析物体、文本和环境，并结合多语言语音支持与实时搜索的无缝智能交互体验。用户可通过视觉输入和多语言语音进行提问，Grok能实时识别、解析并提供答案，其视觉处理能力在RealWorldQA基准测试中超越GPT-4V和Claude3。Grok Vision已在iOS版Grok应用上线，Android版部分功能需订阅，其开源API为开发者提供了二次开发潜力，预示着多模态AI交互的新篇章。

**3、百度发布“心响”App：全托管多智能体协作超级AI**  
百度正式推出移动端应用“心响”，定位为通用超级智能体，旨在通过智能化手段解决用户复杂需求。该App深度整合地图类MCP功能，提供行程自动标注和出行推荐等服务。更创新地在健康、法律等专业领域实现多智能体协作，例如调度多个“医生AI分身”进行联合会诊，或由“律师智囊团”提供法律咨询。目前已覆盖200个任务类型，未来计划扩展至10万种以上，全面满足用户多样化需求。安卓版本已上线，iOS版本即将推出。

**4、腾讯发布“企鹅读伴”AI阅读助手，混元大模型赋能中小学趣味阅读**  
腾讯在世界读书日推出“企鹅读伴”App，由混元大模型和元器平台驱动，专为中小学生设计。该AI助手能根据学生情况精准推荐书目，通过数字人、语音朗读、听书等多元模式，将传统阅读转化为互动体验。它还提供AI引导的阅读练习和启发式提问，培养学生的思辨能力。结合角色扮演和游戏化设计，激发阅读兴趣。系统自动生成阅读报告，助力学生和教育者追踪阅读情况，旨在重构阅读教育生态，实现阅读过程可追踪、成果可量化、兴趣可持续。

**5、腾讯混元3D生成模型发布2.5版本：建模精度大幅提升至超高清**  
腾讯正式发布混元3D生成模型2.5版本，实现了建模精细度的飞跃，有效几何分辨率达到1024，总参数量提升至10B。新版本支持4K高清纹理和细粒度bump贴图，并率先实现多视图输入生成PBR模型，显著增强了模型真实感。混元3D AI创作引擎同步更新，免费生成额度翻倍，API已上线腾讯云。此外，v2.5优化了骨骼蒙皮系统和3D生成工作流，提供专业管线模板，旨在降低3D内容创作门槛，提升效率，并推动其在游戏、动画等领域的应用。腾讯混元持续拥抱开源，助力3D AIGC生态发展。

**6、Otto推出业界首个PIMS集成AI医疗记录自动写回功能**  
Otto公司发布了其AI驱动的Recap功能的自动写回功能，成为首个在兽医技术领域实现AI生成SOAP笔记与实践信息管理系统（PIMS）无缝集成的公司。该功能支持与Avimark、Cornerstone等主流PIMS系统自动同步AI生成的医疗记录，消除了手动复制粘贴的繁琐流程，显著减少了兽医的文书工作负担，使其能够更专注于动物护理和与宠物主人的互动。AI Recap通过转录咨询内容智能提取关键信息，并以SOAP笔记或要点形式呈现，夜间自动同步至PIMS系统。

**7、OpenBMB开源“卷姬”：革新长文本生成，挑战传统综述模式**  
OpenBMB开源了名为“卷姬”（SurveyGO）的AI模型，专注于长文本生成。该模型利用信息熵和卷积算法高效梳理海量文献，生成高质量综述报告。用户只需提供关键词，即可快速获取结构清晰、分析深入、观点有理有据且引用精准的综述。“卷姬”的强大能力源于LLMxMapReduce-V2长文本整合生成技术，该技术在参考文献利用等方面表现卓越。通过SurveyEval基准测试，“卷姬”展现出在处理大规模信息整合任务上的强大实力，预示着其在长文本生成领域广阔的应用前景。

**8、阿里巴巴推出VACE模型：统一处理文本、图像和视频输入，革新视频创作**  
阿里巴巴发布通用人工智能模型VACE，旨在统一处理多种视频生成和编辑任务。VACE采用增强的扩散Transformer架构，通过“视频条件单元”（VCU）整合文本、图像、视频和空间蒙版等多种模态输入。其“概念解耦”技术实现对视频内容编辑的精细控制。VACE支持文本到视频、基于参考的视频合成、视频到视频编辑和基于遮罩的目标编辑等任务，并在自建基准测试中优于开源模型。阿里巴巴视VACE为通往通用多模态视频模型的重要一步，未来将扩大数据和算力进行扩展，部分代码将在GitHub开源。

**9、Character.AI发布AvatarFX模型：静态图片人物开口说话**  
Character.AI推出创新视频生成模型AvatarFX，能将静态图片转化为具有真实感的可说话视频角色，赋予其动态表情、唇部同步和自然肢体动作。该模型基于先进的扩散模型，通过音频条件化等技术实现高速、高保真和时间一致性的视频生成，支持长序列叙事和多角色对话。AvatarFX提供多样化的音频选择，并内置安全控制措施。用户只需上传角色图片并配上音频，即可轻松生成生动视频，为个人项目、社交媒体和教学演示等提供便利。

AI Daily 2025.04.23

## AI Repos
**1、[no-ocr](https://github.com/kyryl-opens-ml/no-ocr)**  
不需要复杂文本提取的 AI 文档处理工具，只需上传 PDF 文件，即可快速搜索或询问关于多个文档集合中的内容，无需依赖传统 OCR 技术，大大提升文档分析效率。创建和管理 PDF/文档集合，按"案例"分类组织；自动构建 Hugging Face 风格的数据集；基于向量的 PDF 页面和相关图像搜索，使用 LanceDB；通过 Qwen2-VL 对图像和图表进行视觉问答；支持文本和视觉查询的混合搜索能力。可通过 Docker 快速部署使用，配置简单，并提供了详细的开发安装说明。
![no-ocr.png](/static/img/1ff8e57218edf09703c307153505aa06.no-ocr.webp)



**2、[cooragent](https://github.com/LeapLabTHU/cooragent)**  
一句话创建智能体的工具：Cooragent，可与其他智能体协作完成复杂的任务，支持MCP。有两种工作模式：Agent Factory：只需描述，Cooragent就会根据需求生成一个智能体，其自动分析需求，通过记忆和扩展深入理解用户需求，挑选合适的工具自动打磨Prompt，逐步完成智能体构建；Agent Workflow：只需描述目标任务，Cooragent会自动分析任务需求，挑选合适的智能体进行协作。提供CLI工具，可以快速创建，编辑，删除智能体。
![cooragent.png](/static/img/59068ca73d0d93b5ae6b2579887fd655.cooragent.webp)

## AI News
**1、Trae v1.3.0重大更新：MCP与.rules赋能AI开发新体验**  
字节跳动发布Trae v1.3.0，其核心在于引入Model Context Protocol (MCP) 支持和.rules规则设置，显著提升AI辅助开发效率。MCP允许连接外部工具与数据源，扩展上下文能力；.rules支持项目级编码规范与AI行为自定义。新版本还具备联网搜索、文件上传作为AI上下文、增强的Agent搭建等功能。Trae v1.3.0兼容多平台，支持主流AI模型，旨在通过灵活的技术架构和广泛的应用场景，重塑AI开发生态，成为开发者首选平台。

**2、清华大学GLM-4-32B与GLM-Z1-32B在OpenRouter免费开放**  
清华大学KEG实验室研发的GLM-4-32B和GLM-Z1-32B两款高性能大语言模型已在OpenRouter平台上线并免费向全球用户开放。GLM-4-32B是一款通用的320亿参数模型，在推理、数学和多语言处理方面表现出色；GLM-Z1-32B则基于GLM-4优化，擅长复杂任务和深度推理，并引入“rumination”机制。通过OpenRouter的统一API，开发者可轻松调用这两款模型，无需本地部署，此举旨在推动高性能AI模型的普及和开源AI生态的发展。

**3、Anthropic发布Claude Code最佳实践指南：无缝集成AI编程工作流**  
Anthropic发布Claude Code最佳实践指南，介绍如何利用其CLI工具将Claude大语言模型融入日常编程任务。指南强调通过CLAUDE.md文件提供上下文，灵活集成现有工具如Unix命令、Git和MCP服务器。推荐结构化工作流，如测试驱动开发和基于视觉mock的开发，并支持无头模式用于自动化。此外，指南还探讨了多代理并行开发模式。Claude Code旨在提供一个可组合、迭代优化且开发者可控的AI编程助手，助力构建可靠的软件系统。

**4、Dimension Studio推出端到端AI媒体制作流程，加速内容创作**  
Dimension Studio发布了一套全新的端到端AI内容制作流程，旨在帮助电影制作人和内容创作者更快速高效地交付作品。通过名为《玛拉与米洛:魔法与混沌》的动画短片展示了该流程的强大功能，实现了从概念到最终成片的AI辅助制作，包括分镜头设计、角色环境设计、虚拟摄像机控制和动画等环节。据估计，新流程将制作时间缩短至传统方法的三分之一，并且不局限于特定风格，适用于多种内容创作，旨在赋能创作者，推动内容创作的下一代发展。

**5、NodeRAG：异构图驱动RAG增强系统，检索效率提升30%**  
NodeRAG是一款创新的RAG增强系统，采用异构图结构统一处理原始文档信息和LLM提取的洞察力，突破了传统RAG的信息分层限制。该系统在多跳任务中表现出更高的准确性，并显著减少了检索所需的token数量，例如在MuSiQue数据集上以更少的token实现了更高的准确率。NodeRAG还支持增量更新，优化了索引、查询和存储效率，检索token数量减少约30%。其统一的信息处理和增强的可解释性使其在客服、科研等多个领域展现出巨大应用潜力，被认为是RAG技术的重要突破。

**6、Vidu Q1登顶VBench全球文生视频榜单双第一及SuperCLUE图生视频双第一**  
Vidu AI最新发布的Vidu Q1模型在权威视频生成评测榜单VBench的最新一期中，以总分第一的成绩登顶VBench-1.0和VBench-2.0的文生视频榜单，超越了Runway、Sora和LumaAI等国内外知名模型，并在视频质量、语义一致性、常识推理和物理理解等多个维度达到领先水平。同时，Vidu Q1还在国内SuperCLUE图生视频专项评测中，分别以动漫和写实风格拿下双榜第一，展现了其强大的视频生成综合实力和专项应用能力。目前Vidu Q1已在网页端和手机端上线。

AI Daily 2025.04.22

博客记录，随心记，随性记，早日退休