## AI Repos
**1、[awesome-gpt4o-images](https://github.com/jamez-bondos/awesome-gpt4o-images)**  
OpenAI最新多模态模型GPT-4o展现出卓越的跨模态创作能力，支持文本、图像、音频的协同理解与高质量图像生成，具备吉卜力、3D毛绒等多样风格输出和精准构图表现。该模型通过ChatGPT和Sora等工具实现快速交互与细节调整，特别适合影视、动画等创意领域，目前案例主要来自Twitter/X社区展示，为创作者提供高效灵感支持，用户可通过AnimeAI等替代方案体验类似效果。
![awesome-gpt4o-images.png](/static/img/90dc646446dc3fedec38194cdb612da2.awesome-gpt4o-images.webp)



**2、[SkillWeaver](https://github.com/OSU-NLP-Group/SkillWeaver)**  
以技能为中心的框架，它使智能体能通过自主合成可重用的API技能来自我提升。比如，给定一个新网站，它会自动发现技能，执行它们进行练习，并将练习经验转化为API，通过迭代探索，不断扩展API库，来增强智能体的能力。就是当AI助手成功完成一个任务后，它会总结成一个技能用Python代码记录下来，反复练习和改进，并把所学会的技能建立技能库，它还可以把不同的技能组合起来完成更复杂的任务。
![SkillWeaver.png](/static/img/90dfbee2a3b821373c7caf86a4785cee.SkillWeaver.webp)


## AI News
**1、MiniMax MCP Server正式上线：文本输入即可调用多模态AI生成能力**  
MiniMax稀宇科技今日宣布推出MiniMax MCP Server，该平台通过文本输入即可调用视频、图像、语音生成及声音克隆等多项多模态AI能力，兼容主流MCP客户端并提供便捷的API接入方式。项目已开源，旨在降低使用门槛，为内容创作、教育等领域提供高效解决方案。用户可通过开放平台获取API Key，快速体验最新模型功能。

**2、亚马逊发布智能AI助手Nova Act，推动家居生活智能化升级**  
亚马逊推出新一代智能代理AI系统“Nova Act”，旨在通过深度集成Alexa提升家居智能化体验，可自主处理购物、日程管理等复杂任务。尽管在性能测试中表现优异，但其隐私保护与网络安全问题仍受关注。凭借Echo和Alexa的市场优势，Nova Act有望推动家庭AI助手的普及，但过度依赖AI可能带来的社会影响亦引发思考。

**3、Lazada推出AI助手Lazzie Seller赋能商家，东南亚电商AI应用率领先**  
Lazada近日发布AI助手Lazzie Seller，通过自然语言处理技术为商家提供运营导航、风险评估等智能支持，其平台商家AI工具使用率达67%，远超东南亚行业平均水平。作为阿里巴巴AI战略的重要布局，该平台已相继推出AI客服、虚拟试穿等创新功能，并发布《商家AI应用手册》推动技术落地，持续巩固其在东南亚电商市场的技术领先优势。

**4、清华与上海AI Lab联合研发GenPRM模型，小参数模型实现推理能力突破**  
清华大学与上海AI Lab合作推出生成式过程奖励模型GenPRM，通过结合自然语言分析与代码验证的创新方法，仅用23K训练样本和1.5B参数就在数学推理任务中超越GPT-4o等大模型。该模型采用"解释+验证"机制，不仅评估推理步骤正确性，还能提供改进建议，其7B版本更超越了72B参数的Qwen2.5-Math-PRM，为过程监督推理开辟了新方向。

**5、Google AI Studio开放Veo 2视频模型限量免费试用，4K AI视频生成技术引热议**  
Google AI Studio近期向部分用户开放了新一代AI视频模型Veo 2的限量免费试用，该模型支持4K分辨率、物理模拟和电影级控制，生成效果接近真实场景。试用目前限制严格，可能仅单次免费生成且冷却时间未明确，但已引发用户广泛关注。Veo 2在分辨率、时长和细节表现上超越竞品，未来或推动影视、营销等领域的AI视频创作普及，其商业化路径和功能扩展也备受期待。

**6、北大团队首创基因挖掘大模型SYMPLEX，显著提升mRNA疫苗关键酶发现效率**  
北京大学钱珑团队成功研发全球首个功能基因挖掘大语言模型SYMPLEX，该模型能从海量文献中精准识别功能基因，在mRNA疫苗加帽酶筛选中发现活性显著优于商业酶的新基因。这一突破不仅建立了关键酶资源库，为疫苗规模化生产提供支持，更开创了AI驱动生物制造的新范式，未来可扩展至合成通路设计等领域，推动合成生物学与生物医药创新发展。

**7、Netflix测试OpenAI驱动的AI搜索引擎，支持自然语言及情绪化内容推荐**  
Netflix近日在澳大利亚和新西兰的iOS平台推出由OpenAI技术支持的AI搜索引擎测试版，用户可通过自然语言描述（如情绪、场景等）而不仅限于标题或演员来查找影视内容。该功能在优化个性化推荐的同时，Netflix强调不会用AI替代影视创作者，展现了技术应用与创意产业保护的平衡。未来该功能有望扩展至美国等其他市场。

**8、小鹏汽车定位AI汽车公司，全球首发物理世界大模型引领智能驾驶创新**  
小鹏汽车创始人何小鹏宣布公司定位为"AI汽车公司"，正自主研发超大规模物理世界模型，成为国内首个实现该技术的车企。公司将在4月15日"全球热爱之夜"发布会上亮相2025款小鹏X9（预售价39.98万元），并公布纯视觉智驾方案等创新成果，展示其通过AI技术改变物理世界的战略布局。此前小鹏已在自动驾驶领域应用强化学习等前沿技术，持续巩固智能化竞争优势。

**9、DroidRun开创智能手机AI自动化新时代，自我修复机制引领交互革命**  
DroidRun作为新一代PhoneUse类AI项目，通过融合视觉理解与UI解析技术，实现了智能手机的拟人化操作。其独特的自我修复机制可智能应对操作错误，大幅提升自动化稳定性。该项目即将以开源形式发布Android Portal APK，推动AI移动交互技术发展，为智能日程管理、消息处理等日常应用开辟新可能，标志着AI自动化从PC端正式迈向移动端的重要突破。

**10、三星联手谷歌云推出AI家居机器人Ballie，Gemini技术赋能智能生活**  
三星电子与谷歌云合作推出智能家居机器人Ballie，整合Gemini AI多模态技术，具备自然对话、环境调节及健康管理等功能，计划2025年夏季上市。该机器人通过视觉、语音及传感器数据实现个性化服务，如穿搭建议、健康咨询等，标志着双方在AI家居领域的深度合作，将生成式AI从手机扩展至智能家居生态。

**11、Google表格推出=AI()函数，原生AI功能开启批量数据处理新时代**  
Google表格正式推出内置=AI()函数，基于Gemini for Workspace技术实现文本生成、数据分类等批量处理功能，目前处于Alpha测试阶段。该功能允许用户通过自然语言指令直接处理表格数据，无需依赖外部插件，显著提升办公效率。尽管存在生成限制和语言支持等初期局限，这一创新标志着生产力工具向智能化迈出关键一步，未来可能扩展更复杂的分析功能，重塑数字办公场景。

**12、开源视频模型Pusa问世：百元成本微调Mochi，推动AI视频生成平民化**  
开源视频生成模型Pusa-V0.5近日发布，该模型基于领先的Mochi1-Preview微调而成，支持文本/图像转视频等多项功能。项目最大亮点在于完全开源训练流程，并实现仅100美元的超低训练成本（0.1k H800GPU小时），采用创新的帧级噪声控制技术，在保持原始模型性能的同时为研究者提供了可复现的低成本开发范式，有望加速AI视频生成技术的普及与创新。

**13、MCP协议重塑AI生态：六行代码实现智能代理开发，打造"AI的USB-C接口"**  
由Anthropic推出的开源MCP协议正快速发展为连接大语言模型与外部工具的核心标准，通过mcp-use工具仅需六行代码即可让AI代理获得网页搜索、文件操作等多样化能力。该协议不仅具备LangChain框架的高效开发特性和严格的安全控制机制，更因其标准化设计被业界誉为"AI的USB-C接口"，有望成为智能代理开发的基础协议，推动AI应用生态的快速扩展与普及。

**14、WeClone项目开源：基于微信聊天记录打造个性化AI数字分身**  
开源项目WeClone通过分析用户微信聊天记录，利用LoRA技术微调ChatGLM3-6B模型，可创建高度还原用户语言风格的个性化数字分身，并支持通过AstrBot框架部署为微信聊天机器人。该项目仅需16GB显存即可运行，为个人数字身份构建、虚拟助手开发等场景提供了低成本解决方案，展现了个性化AI技术的创新应用前景，相关代码已在GitHub开源。

**15、Moonshot AI开源Kimi-VL系列视觉语言模型，轻量架构多项性能超越GPT-4o**  
月之暗面(Moonshot AI)近日开源发布Kimi-VL与Kimi-VL-Thinking两款视觉语言模型，采用MoE架构仅激活30亿参数却在MathVision、ScreenSpot-Pro等基准测试中超越GPT-4o等大型模型。该系列模型原生支持128K tokens长上下文处理和高分辨率图像识别，在文档问答、视频分析等场景展现强大潜力，相关代码和模型已在GitHub和Hugging Face平台开放。

**16、Grok推出记忆功能实现个性化AI交互，隐私与智能并重开启对话新纪元**  
xAI旗下AI助手Grok正式上线记忆功能，通过记录用户历史对话实现连贯的个性化交互，显著提升多轮对话和长期任务协作的体验。该功能虽未公开具体记忆范围和存储细节，但已引发用户对隐私保护的关注，xAI承诺将平衡便利性与数据安全。这一创新使Grok在AI助手竞争中形成差异化优势，为未来跨模态智能交互奠定基础。

**17、科大讯飞星辰平台全面接入MCP生态，打造"即插即用"AI Agent开发体验**  
科大讯飞宣布旗下星辰Agent开发平台全面支持MCP协议，开发者可便捷调用20余个行业精品MCP Server或发布自定义服务，实现工具能力"即插即用"。该平台同步推出工作流发布、私有化部署等功能，通过"零代码+低代码"模式降低开发门槛，加速构建云边协同的AI应用生态，推动MCP成为AI中间层事实标准。

**18、字节跳动进军AI智能眼镜领域，集成"豆包"模型打造新一代可穿戴设备**  
字节跳动正在研发集成自研AI模型"豆包"的智能眼镜产品，重点突破影像质量与续航平衡等关键技术，目前已组建专业团队并与供应链展开合作。该产品将面向内容创作者等用户群体，提供语音交互、实时翻译等AI功能，有望与Meta等科技巨头在智能穿戴市场展开竞争，进一步拓展字节跳动的硬件生态布局。

**19、字节跳动发布Seed-Thinking-v1.5推理大模型，STEM领域性能超越行业标杆**  
字节跳动推出采用MoE架构的Seed-Thinking-v1.5大模型，专注STEM领域推理任务，在AIME2024、GPQA等基准测试中超越Gemini2.5Pro等竞品。该模型通过创新的双层奖励系统和HybridFlow训练框架实现高效推理，参数利用率达200亿/2000亿，强化学习周期速度提升3倍，虽未开放使用但已为推理AI领域设立新标杆，相关技术细节将由团队持续公开以推动行业发展。

**20、昆仑万维开源Skywork-OR1系列推理大模型，数学与代码能力达行业领先水平**  
昆仑万维天工团队开源Skywork-OR1系列三款推理大模型，包含7B和32B参数版本，在数学推理与代码生成任务中表现优异。其中32B版本性能接近671B参数的DeepSeek-R1，通过创新的GRPO训练方法和高质量数据筛选策略，在LiveCodeBench等基准测试中创下同规模模型最佳成绩。该系列模型已全面开源，为开发者提供高性能推理解决方案。

**21、上海AI实验室开源InternVL3系列多模态大模型，性能全面升级**  
上海AI实验室OpenGVLab开源发布InternVL3系列多模态大模型，包含1B至78B共7个参数版本，支持文本、图像、视频等多元信息处理。该系列在工具使用、3D视觉等场景展现卓越性能，文本能力超越Qwen2.5，并采用动态分辨率与可变视觉位置编码等创新技术优化推理效果。模型可通过LMDeploy部署为OpenAI兼容API，已在ModelScope平台开放体验。

AI Daily 2025.04.14

## AI Repos
**1、[docext](https://github.com/NanoNets/docext)**  
docext是一款无需OCR的本地化文档信息提取工具，利用视觉语言模型（VLM）从发票、护照等文档图像中高效提取结构化字段和表格数据。其支持自定义字段或预置模板，提供置信度评分、多页处理及REST API集成，适用于多种操作系统（Linux/MacOS），并内置常见文档模板（如发票、护照），用户可灵活扩展字段或模板，满足企业级私有化部署需求。
![docext.png](/static/img/b610b6ec7689ab61e2f0a7d3d6f2c7d5.docext.webp)



**2、[sitemcp](https://github.com/ryoppippi/sitemcp)**  
一键抓取整个网站内容并将其转化为 MCP 服务器，再搭配 Claude 等 MCP 客户端，就能直接对网站内容进行对话提问。支持一次性抓取整个网站，并缓存到本地；可设置并发数提高抓取速度；支持多种工具命名策略，便于 AI 客户端调用；提供路径匹配功能，可选择性抓取特定页面；支持内容选择器，确保提取页面中最有价值的内容。可通过命令行一键安装使用，并无缝集成到各种 MCP 客户端。

## AI News
**1、YouTube推出免费AI音乐生成工具，助力创作者制作背景音乐**  
YouTube近日宣布为创作者推出一项免费AI功能，允许用户通过文字描述（如乐器、情绪、视频类型等）生成定制伴奏音乐，并直接用于视频中。该功能将逐步向已接入“Creator Music”商用音乐授权服务的合作伙伴开放，免除版权问题。此前YouTube曾测试类似AI工具“Dream Track”，而此次更新进一步扩展了AI音乐的应用场景，目前仅面向美国地区的YouTube合作伙伴计划成员提供。

**2、Hugging Face开源VisualCloze框架：基于视觉上下文学习的通用图像生成新范式**  
Hugging Face近日推出开源图像生成框架VisualCloze，创新性地采用视觉上下文学习技术，用户仅需提供少量示例图像即可实现零样本风格迁移与多模态生成（支持图文混合输入）。该工具突破了传统模型需微调的限制，可灵活应用于艺术创作、产品设计等领域，其开源特性已引发开发者社区广泛关注，未来或拓展至视频及3D内容生成，有望重塑AI创作流程。

**3、Digital Promise推出AI教育产品认证计划，护航教育科技安全与公平**  
非营利组织Digital Promise近日推出"负责任AI产品认证"计划，通过评估教育科技工具的数据安全、算法公平性和透明度等核心指标，帮助学校筛选合规的AI教学产品。该认证要求供应商明确数据使用政策、制定应急预案并监测算法偏见，目前已获芝加哥等学区采用。该计划与1EdTech等机构的多项认证共同构成教育科技评估体系，现有150余种工具通过各类认证，助力教育机构安全推进数字化转型。

**4、谷歌文档新增AI语音朗读功能，助力用户高效校对与多任务处理**  
谷歌文档推出"音频概述"新功能，通过高拟真AI语音朗读帮助用户检测文本中的拼写错误和语句不通顺问题，同时提供播客式要点摘要方便快速掌握文档核心内容。该功能不仅提升了写作校对效率，还支持多任务场景下的"听读"需求，特别为视障人士和有阅读困难的用户提供了便利，标志着办公软件在可及性和智能化方面的又一进步。

**5、开源神器BabelDOC发布：支持双语对照、完美保留排版的PDF翻译工具**
近日开源的BabelDOC工具革新了PDF文档翻译体验，通过结构感知技术实现翻译后完美保留原文档排版格式，支持生成双语对照PDF（并排/交替显示）。该工具具备批量处理、精准页码选择功能，兼容OpenAI接口及本地模型（如Ollama），提供在线使用、命令行和Python API等多种部署方式。其插件式架构为未来集成OCR等功能预留空间，特别适合学术研究和跨国企业文档处理需求，GitHub已开放源代码。

**6、华为诺亚方舟实验室与港大联合发布开源扩散语言模型Dream7B，性能比肩顶尖自回归模型**  
华为诺亚方舟实验室与香港大学合作推出开源扩散语言模型Dream7B，采用离散扩散架构实现并行文本生成，在数学推理、代码生成等任务上超越同类扩散模型并媲美主流自回归模型。该模型通过权重初始化优化和动态噪声调节等创新技术，展现出卓越的规划能力和文本连贯性，支持灵活生成顺序与质量速度调节，相关代码和模型权重已在GitHub开源，有望推动文本生成技术范式革新。

**7、OpenAI开源BrowseComp基准测试，为AI网页浏览能力设立新标杆**  
OpenAI近日开源BrowseComp基准测试，包含1266道高难度题目，专门评估AI代理在复杂网络环境中定位和整合多源信息的能力。该测试聚焦难以获取的"隐藏信息"，覆盖科技、艺术等多领域，其开源特性将推动全球AI浏览技术研究协同。初步测试显示专为深度网络研究设计的模型表现优异，这一基准有望成为衡量AI实用浏览能力的通用标准，同时促进对AI伦理和可靠性的探讨。

**8、Writer发布AI HQ平台：企业级AI代理一站式解决方案，实现工作流智能自动化**  
Writer公司推出AI HQ企业级平台，通过统一枢纽让企业快速构建和部署能自主执行复杂工作流的AI代理。该平台支持与企业现有系统深度集成，实现从金融风控到医疗数据处理等多场景的智能化转型，提供实时监控和优化功能，显著降低AI应用门槛。其"从辅助到执行"的理念变革，有望重塑企业运营模式，目前已在多个行业引发强烈反响，平台试用功能同步开放。

**9、Pika Labs推出Pika Twists功能：AI精准编辑视频元素，重塑创意表达边界**  
Pika Labs最新发布的Pika Twists功能实现了视频编辑领域的重大突破，允许用户通过文本提示精准修改视频中的特定角色或物体（如改变服装、调整位置），同时保持其他画面元素自然连贯。该技术已登陆Pika.art官网和iOS应用，免费用户可体验基础功能，为短视频创作、广告营销和教育领域带来全新可能，进一步推动AI视频创作的普及化和民主化进程。

AI Daily 2025.04.11

## AI Repos
**1、[chatlog](https://github.com/sjzar/chatlog)**  
一个基于 MCP 实现聊天记录总结和查询的开源工具，完美解决我们群聊消息过多没时间查看的问题。提供简单易用的操作界面和命令行工具，支持微信 3.x 和 4.0 版本，实现查询聊天记录、联系人、群聊以及最近对话等信息。通过 MCP SSE 协议，可与任何支持 MCP 的 AI 助手集成使用，如 Claude、ChatWise、Cherry Studio 等。
![chatlog.png](/static/img/ee63215d2095f02eaef399c7c2924055.chatlog.webp)



**2、[Awesome-RAG-Vision](https://github.com/zhengxuJosh/Awesome-RAG-Vision)**  
收集整理了视觉 RAG 领域的前沿论文和研究资源，涵盖视觉理解、视频理解、多模态和视觉生成等领域的前沿 RAG 论文，并进行了清晰的分类。不仅收集了大量高质量的论文，还包含各类教程资源，旨在帮助研究者快速了解该领域的最新进展。
![Awesome-RAG-Vision.png](/static/img/04050d7e43e7c3e83f83480ba9723e86.Awesome-RAG-Vision.webp)

## AI News
**1、字节跳动发布Multi-SWE-bench数据集，推动多语言代码自动修复技术发展**  
字节跳动豆包大模型团队推出全球首个多语言软件工程数据集Multi-SWE-bench，涵盖Python、Java、Go等8种主流编程语言，包含1632个真实GitHub问题实例，通过统一测试标准和专业审核构建。该数据集旨在系统性评估大模型在多语言环境下的代码自动修复能力，推动自动化编程技术向实用化、工程化方向发展，有望显著提升开发效率和软件质量，为开发者提供更智能的错误修复支持。

**2、商汤科技发布多模态大模型日日新V6并开放API，加速AI应用落地**  
商汤科技正式推出新一代多模态大模型“日日新V6”，在文本、图像、视频等跨模态任务中实现显著性能提升，对标国际顶尖模型。该模型API将于次日开放，为开发者提供高效工具，推动智能客服、医疗分析、内容创作等场景应用落地。此次升级进一步巩固商汤在AI领域的技术优势，助力中国人工智能生态的全球化发展。

**3、谷歌发布Vertex AI Media Studio文生视频套件，AI赋能一站式视频创作**  
谷歌推出Vertex AI Media Studio文生视频套件，整合Imagen3、Veo2等多项AI技术，实现从文本到视频的全流程自动化生成。该平台支持动态画面渲染、智能配音配乐，大幅降低视频制作门槛，适用于营销、教育等多场景需求。谷歌同时强调内容安全与版权保护，采用SynthID数字水印技术。这一创新工具将重塑视频创作模式，推动AI在多媒体领域的深度应用。

**4、IBM发布z17新一代主机，Telum II处理器赋能企业级AI大规模运算**  
IBM推出搭载Telum II处理器的新一代z17主机，专为大规模AI运算优化，AI推理能力较前代提升50%，每日可处理超4500亿次推理操作。该主机集成watsonx等AI助手工具，支持250余种企业应用场景，包括金融风控、智能客服等，同时通过Spyre™加速器强化生成式AI能力。z17延续IBM主机在企业核心业务中的关键地位，为银行、电信等行业提供高性能、低延迟的AI基础设施支持，助力企业挖掘数据价值。

**5、xAI推出Grok 3 API进军多模态AI市场，图像分析能力对标GPT-4o与Gemini**  
马斯克旗下xAI公司正式开放Grok 3 API服务，提供标准版Grok 3和轻量版Grok 3 Mini两种模型，新增图像分析与推理功能，定价策略高于行业平均水平。该模型虽具备13万标记的上下文窗口，但未达宣传的百万级处理能力，且在政治议题上仍存在立场偏向问题。此次发布标志着xAI加速商业化进程，与OpenAI、Google等巨头在AI服务市场展开直接竞争。

**6、WordPress.com推出AI网站构建器，用户通过对话式交互快速生成专业网站**  
WordPress.com发布全新AI驱动网站构建工具，用户只需通过自然语言描述需求，系统即可自动生成包含文本、图片和版式的完整网站，整个过程仅需几分钟。该工具目前处于抢先体验阶段，支持个人和商业网站创建，但需订阅每月18美元起的托管服务才能正式使用。虽然AI生成的网站内容仍需人工优化，但这一创新显著降低了网站建设门槛，为WordPress平台注入了智能化新功能。

**7、宜人智科"智语大模型"完成备案，AI赋能金融科技迈入合规新阶段**
宜人智科宣布其自主研发的"智语大模型"成功完成生成式AI服务备案，成为金融领域首批合规大模型之一。该模型专为金融场景设计，具备智能风控、客服、营销等核心功能，将推动金融服务智能化升级。此次备案既是企业响应国家AI监管政策的重要举措，也标志着金融科技行业在AI合规应用方面取得突破性进展，为后续商业化部署奠定基础。

**8、印度Ziroh Labs推出轻量化AI系统，突破高性能硬件依赖降低应用门槛**  
印度AI初创公司Ziroh Labs联合顶尖技术院校研发出一套创新AI系统，可在普通计算设备上高效运行大型AI模型，无需依赖NVIDIA等高端计算芯片。该系统通过算法优化显著降低硬件需求，使中小企业和教育机构能以更低成本应用先进AI技术，推动人工智能在资源有限环境中的普及。这一突破性进展有望加速全球AI技术的民主化进程，特别惠及发展中国家市场。

**9、Synthesia与Shutterstock达成战略合作，AI数字人技术获视频资源加持**  
英国AI公司Synthesia与Shutterstock签署视频内容授权协议，将利用后者海量视频资源提升数字人表情、语音和肢体动作的逼真度。Synthesia通过签约真人演员生成企业级数字人形象，服务劳埃德银行等客户，并为演员提供股权激励。此次合作在AI版权争议背景下达成，公司强调不会直接使用Shutterstock演员形象，而是用于算法训练，引发对英国版权政策的新一轮讨论。

**10、Gradio 5.24重磅升级：专业级AI图像编辑组件开启开源工具新纪元**  
开源AI框架Gradio发布5.24版本，其全新ImageEditor组件实现媲美Photoshop的专业图像编辑功能，包括精准缩放平移、透明度调节和多图层管理。此次升级显著提升了AI图像处理演示的专业度，为开发者构建图像修复、生成等应用提供了更强大的交互工具。该版本将推动开源社区AI演示质量的整体跃升，标志着开源工具在专业图像处理领域的重要突破。

**11、Deep Cogito发布Cogito v1开源代码模型家族，70B版本性能超越Llama 4引领AI编程新浪潮**  
Deep Cogito推出Cogito v1 Preview系列开源代码模型，包含3B至70B多种参数规格，其中70B版本在代码生成和复杂推理任务上超越Meta的Llama 4 109B MoE模型。该系列专为编程优化，支持双模运行和AI代理功能，已通过Fireworks AI等平台开放API接口。此次发布标志着开源AI代码模型进入性能竞争新阶段，其后续更大规模模型的规划或将重塑行业格局。

**12、谷歌AI Studio发布Gemini-2.0-flash-live-001模型，开启实时多模态AI交互新时代**  
谷歌AI Studio正式推出Gemini-2.0-flash-live-001多模态模型，取代实验版本并启用计费功能。该模型针对低延迟场景优化，显著提升了流式音频、视频和文本的实时处理能力，适用于虚拟助手、会议分析等即时交互应用。此次更新标志着谷歌在实时AI技术领域的重要突破，为开发者提供了更强大的生产级工具，将推动教育、企业服务等多个行业的智能化创新。

**13、谷歌开源A2A协议重塑AI智能体生态，实现跨平台智能协作新时代**  
谷歌云发布开源Agent2Agent（A2A）协议，通过标准化通信框架解决不同AI智能体间的互操作难题。该协议基于HTTP/JSON等现有标准，支持多模态数据交换和长期任务管理，已获50余家科技巨头支持。A2A允许异构智能体通过"智能体卡片"发现彼此能力并协同完成任务，将显著提升企业自动化流程效率，推动AI应用从单点智能迈向系统级协作。这一突破性协议预计将加速智能体技术在商业场景中的规模化落地。

**14、阿里云发布MCP智能体开发服务，5分钟快速构建大模型应用**  
阿里云正式推出全生命周期MCP（Model-Connect-Protocol）服务，通过标准化协议连接大模型与应用，用户仅需5分钟即可创建具备自主决策能力的智能体。该服务首批集成50余款阿里巴巴及第三方应用，覆盖生活服务、办公协同等多个场景，并支持200多款大模型的无缝对接。这一创新显著降低了大模型应用开发门槛，推动AI技术向产业化应用加速落地。

**15、科大讯飞星火X1迎来重大升级，国产AI模型性能直追国际顶尖水平**  
科大讯飞宣布将对其深度推理模型星火X1进行重要升级，新版本在推理能力、文本生成和语言理解等方面将显著提升，性能可对标OpenAI o1和DeepSeek R1等国际领先模型。该模型基于1万张国产910B算力卡训练，展现了国产AI技术的突破性进展。预计三个月内完成升级的星火X1有望在数学推理等关键领域实现超越，标志着中国在人工智能领域的竞争力持续增强。

**16、商汤科技发布多模态大模型SenseNova V6系列，开启智能交互新纪元**  
商汤科技推出全新多模态大模型SenseNova V6系列，包含6200亿参数的Pro版本及专注视频理解的Video版本等，具备强大的跨模态融合与推理能力。该模型可实现手写解题、语音引导等自然交互，性能对标国际主流模型GPT-4.5和Gemini2.0。商汤通过强化推理、交互与记忆三大核心技术，布局教育、翻译等应用场景，并与傅利叶合作推进具身智能发展，引领多模态AI交互新时代。

**17、复旦联合阶跃星辰发布OmniSVG模型，开创AI矢量图生成新纪元**  
复旦大学与阶跃星辰合作推出多模态SVG生成模型OmniSVG，支持文本描述、图片转换及角色参考三种生成方式，可高效创作从简单图标到复杂动漫的矢量图形。该模型基于Qwen-VL架构创新实现结构与几何解耦，大幅提升生成质量与效率。作为数字艺术领域的突破性技术，OmniSVG将重塑广告设计、游戏开发等行业的创作流程，展现产学研协同创新的典范价值。

**18、语音合成技术双突破：Orpheus TTS开源商用 vs 亚马逊Nova Sonic原生多模态**  
近期语音合成领域迎来两项重要进展：开源的Orpheus TTS模型支持多语言商用部署，但中文表现尚有提升空间；亚马逊推出的Nova Sonic则采用创新架构，实现端到端语音到语音转换，目前仅通过API提供服务。这两项技术分别代表了开源可商用和原生多模态两种不同的语音合成发展方向，将为智能客服、内容创作等领域带来新的技术选择。

AI Daily 2025.04.10

## AI Repos
**1、[Awesome-MCP-ZH](https://github.com/yzfly/Awesome-MCP-ZH)**  
一个专为中文用户打造的 MCP（模型上下文协议）资源合集！ 这里有 MCP 的基础介绍、玩法、客户端、服务器和社区资源，帮你快速上手这个 AI 界的“万能插头”。
![Awesome-MCP-ZH.png](/static/img/81bceaed308475051fe2d802bde204b0.Awesome-MCP-ZH.webp)



**2、[Yuxi-Know](https://github.com/xerrors/Yuxi-Know)**  
语析是一个功能强大的问答平台，结合了大模型RAG知识库与Neo4j知识图谱技术，采用Llamaindex、VueJS、FastAPI等技术栈构建。其核心特点包括多模型支持（如OpenAI及国内主流模型）、灵活的多格式文档知识库、基于知识图谱的深度问答能力，以及简易的API配置和可扩展的智能体开发功能，为用户提供高效、智能的知识检索与问答服务。
![Yuxi-Know.png](/static/img/ba276728de9944f08069069447d4d723.Yuxi-Know.webp)

**3、[pdf-document-layout-analysis](https://github.com/huridocs/pdf-document-layout-analysis)**  
强大的 PDF 文档分析开源工具，它能准确自动识别 PDF 页面中的文本、标题、图片、表格等元素，并确定它们的正确阅读顺序，大幅提升文档处理效率。主要功能：
- 高精度自动识别文档中的 11 种常见不同元素类型，如标题、图片、表格等；
- 提供高性能视觉模型和快速轻量级模型两种选择；
- 支持表格提取为 Markdown、LaTeX 或 HTML 格式；
- 支持公式提取为 LaTeX 格式；
- 通过 Tesseract OCR 支持 150+ 种语言的文本识别。
使用 Docker 快速部署，支持 GPU 加速，几行命令即可启动服务并开始分析 PDF 文档。
![pdf-document-layout-analysis.png](/static/img/25b42710a4c125143cb7fba647bc2a33.pdf-document-layout-analysis.webp)

## AI News
**1、阿里云发布MCP服务，5分钟快速构建智能体推动大模型应用**  
阿里云正式推出全生命周期MCP（Model-Connect-Protocol）服务，大幅降低大模型应用开发门槛，用户仅需5分钟即可创建智能体并实现全流程自动化。该服务支持深度场景化定制，集成50余款阿里巴巴及第三方应用，覆盖生活、办公、创作等领域，同时整合200多款大模型资源，推动大模型技术向产业化应用迈进，加速行业落地。

**2、科大讯飞星火X1重磅升级 国产大模型性能比肩国际顶尖水平**  
科大讯飞宣布将对其深度推理模型星火X1进行重大升级，新版本在推理能力、文本生成和语言理解等方面将媲美OpenAI o1与DeepSeek R1等国际顶尖模型。该国产模型基于1万张910B国产算力卡训练，在保持数学优势的同时强化通用任务能力，预计三个月内完成升级并实现关键性能超越，展现了国产大模型技术的快速进步与国际竞争力。

**3、联影发布"元智"医疗大模型 以AI技术革新医学影像诊断**  
联影科技正式推出"元智"医疗大模型，该模型基于数千万级医疗影像数据训练，支持10余种影像模态和300种处理任务，诊断准确率超95%。该模型可显著提升病灶诊断、器官分割等关键医疗场景的效率和精准度，同时配套推出10余款覆盖诊疗全流程的医疗智能体，推动医疗行业向智能化、数字化转型，为医患提供更优质的医疗服务体验。

**4、Atypica.AI推出智能用户洞察工具 革新市场研究方法**  
Atypica.AI推出创新型用户洞察代理工具，通过智能交互和虚拟访谈技术深入分析用户需求。该工具能自动生成目标人群画像，在社交平台开展深度内容研究，并最终输出可视化研究报告。其独特的虚拟访谈功能相比传统数据抓取能提供更生动的用户洞察，特别适用于品牌方进行小红书等平台的用户行为分析，展现了AI在市场研究领域的创新应用价值。

**5、亚马逊发布Nova Sonic语音模型 性价比优势挑战行业格局**  
亚马逊推出革命性AI语音模型Nova Sonic，在语音识别、对话流畅度和响应速度方面达到行业顶尖水平，同时价格较同类产品低80%。该模型通过Bedrock平台提供双向流式API服务，具备智能网络检索、数据处理和多工具协同能力，已应用于Alexa+数字助手。作为亚马逊AGI战略的重要一步，Nova Sonic将推动语音交互技术商业化进程，并为开发者提供更具性价比的AI解决方案。

**6、美图WHEE发布Miracle F1图像模型 实现AI创作真实感突破**  
美图旗下WHEE平台推出新一代AI图像生成模型Miracle F1，在真实感呈现和语义理解方面实现重大突破。该模型能精准模拟真实世界的光影材质效果，消除传统AI作品的"塑料感"，同时支持从3D机械风到二次元插画的多元风格创作。Miracle F1对复杂构图概念的理解能力显著提升，可满足电商展示、创意视觉等专业需求，用户现可通过WHEE官网体验这一图像生成技术。

**7、OpenAI推出Evals API 开启AI模型自动化测试新纪元**  
OpenAI正式发布Evals API，使开发者能够通过编程方式自动化执行AI模型测试和评估流程。该API支持自定义测试逻辑、实时结果反馈和提示工程快速迭代，可集成至CI/CD管道实现持续性能验证，显著提升开发效率。作为对原有仪表板功能的补充，Evals API基于OpenAI内部评估框架开发，既保持专业灵活性又降低使用门槛，将推动从个人开发到企业级应用的AI模型测试标准化进程，标志着AI开发工具链的重要升级。

**8、DeepSeek突破性推出SPCT技术 革新大模型奖励机制实现推理性能跃升**  
DeepSeek AI创新性提出自主演原则的批判调优(SPCT)技术，通过动态生成评估原则与批判性评论，解决了传统奖励模型在开放复杂任务中的局限性。该技术采用两阶段训练机制，结合元奖励模型过滤机制，使Gemma-2-27B改造的DeepSeek-GRM-27B在多领域测试中超越GPT-4o等更大模型，显著提升推理可扩展性，为AI在创意任务和动态环境中的应用开辟了新路径，标志着大模型奖励机制的重要突破。

**9、英伟达发布开源大模型Llama3.1 Nemotron Ultra 253B 性能超越Llama4旗舰**  
英伟达推出基于Llama-3.1优化的2530亿参数大模型Nemotron Ultra 253B，通过神经架构搜索技术实现性能突破，在推理能力和任务处理上超越Llama4系列旗舰模型Behemoth。该模型以开源形式发布于Hugging Face平台，支持128K上下文长度和商业应用，单节点8x H100 GPU即可高效运行，展现了英伟达在AI软硬件协同优化方面的领先实力，为开发者提供高性能且实用的模型选择。

**10、Cloudflare推出全托管AutoRAG系统 实现AI上下文感知开发"一键化"**  
Cloudflare发布全托管检索增强生成(RAG)系统AutoRAG，通过自动化索引构建和数据处理流程，开发者仅需连接数据源即可快速部署具备上下文感知能力的AI应用。该系统支持多模态数据处理，集成主流AI工具，数据全程在用户账户内处理确保安全，公测期间免费提供10万文件处理能力，大幅降低了企业构建智能问答和知识管理系统的技术门槛与开发成本。

**11、阶跃星辰推出Step-R1-V-Mini多模态推理模型 视觉推理能力国内领先**  
阶跃星辰发布全新多模态推理模型Step-R1-V-Mini，该模型采用创新的多模态联合强化学习技术，通过verifiable reward机制有效解决图像空间推理难题。在MathVision等视觉推理榜单中表现优异，能精准完成地点识别、菜谱生成、物体计数等复杂任务，目前已上线网页端并开放API接口，展示了国内在多模态AI推理领域的技术突破。

**12、DeepCoder-14B开源代码模型性能超越OpenAI o1 展现高效编程能力**  
Together AI与Agentica联合开源DeepCoder-14B代码模型，该模型基于深度强化学习优化，仅140亿参数即在LiveCodeBench测试中以60.6%得分超越OpenAI o1模型。通过24000个严格验证的编程问题数据集训练，采用创新的稀疏奖励机制和GRPO算法，配合优化的训练流水线，在保持高效推理能力的同时生成高质量代码。完整开源模型权重和训练方案为开发者提供了宝贵的研究资源，展现了开源社区在编程AI领域的重要突破。

AI Daily 2025.04.09

## AI Repos
**1、[sitemcp](https://github.com/ryoppippi/sitemcp)**  
sitemcp会抓取网站内容并缓存，支持使用micromatch指定抓取的页面路径以及CSS选择器来精细化选择页面内容，并把抓取的内容用作MCP服务器的数据源。它等于是把静态网站变成了一个可交互的知识库，配合MCP客户端进行提问，解锁了更丰富的应用场景。

**2、[5ire](https://github.com/nanbingxyz/5ire)**  
高颜值且功能强大的 AI 助手应用，支持多种主流 AI 模型，支持通过 MCP 连接各种工具和数据源，同时具备本地知识库、提示词库和详细的 API 使用分析功能。主要特性：  
- 支持 OpenAI、Anthropic、Google、Mistral 等多种 AI 模型；  
- 通过 MCP 协议接入各类工具，如文件系统、数据库等外部资源；  
- 集成 bge-m3 本地嵌入模型，支持多种文档格式的本地知识库构建；  
- 提供 API 使用统计与费用分析，帮助优化 API 使用效率；  
- 内置提示词库与书签功能，便于组织和复用优质提示与对话。  
![5ire.png](/static/img/f3307ff2a1fd979d91ee129a035bebe6.5ire.webp)




**3、[crawl4ai](https://github.com/unclecode/crawl4ai)**  
Crawl4AI是一款专为LLM（大语言模型）和AI工作流设计的开源网络爬虫工具，提供高速、精准的网页抓取与结构化数据提取功能。其核心特性包括：支持BFS/DFS等深度爬取策略、智能Markdown生成（优化RAG应用）、浏览器集成（多引擎支持、代理管理）、动态内容处理（JS执行、懒加载捕获）以及云就绪部署（Docker、FastAPI）。0.5.0版本新增了内存自适应调度、多爬取策略和CLI工具，强调性能与灵活性。该工具通过启发式算法降低AI处理成本，并活跃于开源社区，适合大规模数据管道开发。

## AI News
**1、SkyReels-A2发布：双分支架构革新可控视频生成技术**  
SkyWork AI团队推出的SkyReels-A2框架通过创新的“元素到视频（E2V）”技术，实现了文本提示与参考图像的高度可控视频生成。其核心采用双分支架构：空间特征分支（细粒度VAE处理元素细节）和语义特征分支（CLIP编码提取深层语义），确保生成视频的自然衔接与多样性。该框架优化了推理效率，支持快速生成影视级内容，并开源提供商业应用潜力。配套的A2Bench评估基准结合客观指标与主观评价，为行业树立了新标准。这一技术有望推动影视、电商等领域的创意突破。

**2、Vision-R1：强化学习驱动视觉定位，性能提升50%突破SOTA**  
中国科学院自动化研究所与中科紫东太初团队联合推出Vision-R1，通过类R1强化学习技术显著提升视觉定位能力，在目标检测等任务中性能超越现有最优模型（SOTA）50%，且参数效率更高（优于10倍规模模型）。其核心创新在于四维奖励机制：多目标预测评估、双重格式纠错、召回激励与精度优化，结合渐进式规则调整策略分阶段训练模型。在COCO和ODINW-13数据集测试中，该方法使图文大模型的定位精度接近专业水平，为多模态AI发展提供新范式。项目已开源，推动高效视觉任务研究。

**3、Lipsync-2全球首发：零-shot嘴型同步技术开启视频创作新纪元**  
Sync Labs推出全球首个零-shot嘴型同步模型Lipsync-2，无需预训练即可实时适配任何演讲者的独特风格，显著提升真实感与表现力。其核心突破在于：消除传统技术对特定数据训练的依赖，支持真人、动画及AI生成内容的即时同步；新增"温度参数"调节嘴型表现强度，从自然到夸张自由切换（目前限付费测试）；支持多语言视频翻译、字级编辑、角色重动画化，尤其适用于教育、娱乐领域的UGC内容生产。该模型已在fal平台开放体验，被业界视为降低创作门槛、提升沉浸式体验的革命性工具。

**4、IBM z17大型机震撼发布：日处理4500亿AI推理，能效比提升5.5倍**  
IBM最新推出的z17大型机搭载Telum II处理器，创下三大行业突破：日处理4500亿次AI推理运算，较前代z16提升50%，支持生成式AI等250+应用场景；内置48个Spyre AI加速器芯片（可扩展至96个），专为未来大模型预留计算与内存空间AI加速性能提升7.5倍的同时，能耗较行业标准降低5.5倍。该产品历经5年研发，收集超100家客户反馈，将于6月8日正式上市，目前71%财富500强企业仍依赖大型机技术。

**5、英伟达数亿美元收购Lepton AI，贾扬清携团队加盟强化AI云服务布局**  
英伟达近日完成对AI初创企业Lepton AI的收购，交易金额达数亿美元。该公司由阿里前副总裁贾扬清于2023年创立，专注于为初创企业提供GPU服务器租赁和AI云开发工具，团队规模仅20人但技术实力突出。贾扬清及其联合创始人白俊杰已加入英伟达，其技术或将整合至DGX Cloud等产品线。此次收购凸显英伟达加码AI基础设施的战略意图，通过吸纳顶尖人才强化云端AI服务能力，进一步巩固其在AI计算生态中的领导地位。

**6、谷歌发布Sec-Gemini v1安全AI模型，网络安全分析能力领先行业10%以上**  
谷歌推出实验性网络安全AI模型Sec-Gemini v1，该模型整合Gemini推理引擎与实时威胁情报数据，在威胁分析和漏洞识别方面表现突出，关键基准测试成绩领先竞品10.5%-11%，能快速关联威胁组织与具体漏洞，目前免费向选定机构开放测试，旨在通过AI技术提升网络安全防御效率，扭转攻防不对称局面。

**7、国产开源图像模型HiDream-I1发布：17亿参数媲美国际主流AI画手**  
国产开源图像生成模型HiDream-I1近日发布，这款由HiDream-ai团队开发的17亿参数扩散模型在文本转图像任务中展现出优异性能，其色彩还原、构图完整性和风格多样性表现媲美Stable Diffusion等国际知名模型。该模型采用MIT许可证完全开源，提供完整版和精简版选择，并配备一键式推理脚本降低使用门槛，有望成为国产AI技术在国际开源社区的代表作，为艺术创作和商业设计领域提供新的AI工具选择。

**8、阿里云Qwen3即将发布：vLLM框架已集成支持，MoE架构引期待**  
阿里云下一代大模型Qwen3即将面世，其支持已正式并入高效推理框架vLLM代码库。据悉Qwen3将推出8B基础版和采用混合专家(MoE)架构的15B-A2B版，后者通过专家路由机制在保持低计算成本的同时提升性能表现。vLLM的支持将显著提升Qwen3的部署效率，延续阿里云在开源AI生态的技术影响力，业界期待其在多模态能力和边缘计算场景中的突破表现。

**9、ElevenLabs发布MCP服务器：一键为AI助手赋予语音交互能力**  
ElevenLabs推出的MCP服务器通过标准化协议将文字转语音、语音克隆等音频技术无缝集成至Claude等AI助手，提供包括多说话人识别、语音代理外拨等完整语音交互功能。该服务采用统一接口简化API调用流程，使开发者能快速为智能工具添加高质量语音合成、环境音效生成等能力，显著拓展了AI助手的多模态应用场景。

**10、Cloudflare发布Node.js AI代理开发包：集成工作流引擎与多代理协作平台**
Cloudflare最新推出的Node.js生态Agents开发包为AI代理开发提供基础设施支持，集成工作流引擎、工具框架、多代理协作平台(MCP)及状态持久化功能，显著简化代理系统的构建流程。该工具包通过动画演示直观展示Agentic模式相比传统生成式AI在非线性决策和复杂任务处理上的优势，结合Node.js生态与边缘计算能力，助力开发者快速构建智能自适应代理系统。

**11、Mozilla推出LocalScore工具：轻松测试本地AI模型性能**  
Mozilla通过Builders计划发布开源基准测试工具LocalScore，兼容Windows/Linux系统，支持CPU和GPU环境下对本地大型语言模型(LLM)进行性能评估。该工具基于Llamafile0.9.2开发，提供独立二进制文件调用方式，并可选将测试结果存储至LocalScore.ai数据库（当前以Meta Llama3.1为基准模型），旨在为开发者提供简单可靠的本地AI模型测试方案，推动开源AI生态发展。

**12、亚马逊升级Nova Reel视频模型：支持2分钟多镜头生成，新增构图控制模式**   
亚马逊发布AI视频生成模型Nova Reel 1.1版本，突破性支持生成长达2分钟的多镜头视频，并保持镜头间风格一致性。新版本引入"Multishot Manual"模式，允许用户通过上传图像(1280×720分辨率)配合文本提示(最长512字符)精准控制20个镜头内的视频构图。该服务目前仅通过AWS平台向申请用户开放，在视频时长和镜头控制能力上已与OpenAI等竞争对手展开差异化竞争，但训练数据版权问题仍存疑。

**13、谷歌AI模式升级：多模态图像搜索上线，支持深度解析照片内容**  
谷歌宣布为AI模式用户推出多模态图像搜索功能，基于Google Lens技术可智能分析照片中的物体关系、材质等细节，并通过"查询扇出"技术响应复杂提问。用户上传书架照片即可获得个性化书籍推荐及购买链接，还能持续细化查询条件（如"哪本推荐书最短"）。该功能未来几周将向数百万实验室用户开放，标志着谷歌在增强型搜索领域与Perplexity等竞品的直接竞争。

**14、阶跃星辰发布Step-R1-V-Mini多模态推理模型：视觉推理榜单国内第一**  
阶跃星辰推出全新多模态推理模型Step-R1-V-Mini，该模型支持图文输入与文字输出，采用多模态联合强化学习（PPO策略）和合成数据训练技术，有效解决图像空间推理的混淆问题。在MathVision等视觉推理榜单中表现优异，能精准完成地点识别、菜谱还原、物体计数等复杂任务，现已开放网页端和API接口供用户体验。

AI Daily 2025.04.08

博客记录，随心记，随性记，早日退休