## 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

## AI Repos
**1、[langgraph-mcp-agents](https://github.com/teddynote-lab/langgraph-mcp-agents)**  
基于LangGraph的AI智能体系统，集成了MCP，使AI助手能访问各种数据源和API。提供了Streamlit网页界面，方便与LangGraph和MCP工具交互。可以通过界面动态添加、删除以及配置MCP工具，无需重启应用，支持Smithery JSON格式。支持流式响应，可以实时查看智能体的响应和工具调用
![langgraph-mcp-agents.png](/static/img/30f631764f9d20349281c18c2c5ddd3c.langgraph-mcp-agents.webp)



**2、[HawkinsDB](https://github.com/harishsg993010/HawkinsDB)**  
基于人类大脑工作原理设计的一款AI记忆系统，让AI可以像人类一样存储和回忆信息。它基于Jeff Hawkins的“千脑理论”，帮助AI模型以更强大且直观的方式管理复杂信息。想象一下我们的大脑，不仅仅是记住一堆零散的事实，而是将它们关联起来形成一个复杂的知识网络，HawkinsDB就是想让AI也能像人类大脑一样记忆和理解信息。HawkinsDB不依赖于模糊的相似性搜索，而是支持精确的，具备上下文感知的查询，理解数据的实际含义和关系。它将语义记忆、情景记忆和程序记忆统一到一个框架中，使AI能像知识图谱一样，不仅存储信息，还记录信息之间的关系，从而理解和应用不同类型的知识。可作为LLM应用的记忆层，比较适用于RAG系统



## AI News
**1、Trae v1.3.0重磅更新：MCP与.rules赋能AI开发新体验**  
字节跳动旗下AI驱动的集成开发环境Trae发布v1.3.0版本，核心亮点在于引入Model Context Protocol (MCP) 支持和.rules规则设置，显著提升开发效率与灵活性。MCP允许开发者连接外部工具与数据源，扩展上下文能力；.rules则支持项目级编码规范与AI行为自定义。此外，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、UIUC与谷歌联手发布Search-R1：AI模型进化，边查边答能力惊艳**  
伊利诺伊大学与谷歌联合发布了名为Search-R1的新型语言模型，其创新之处在于赋予了AI自主联网搜索信息的能力，实现了“边推理边搜索”的新模式。通过强化学习等技术，Search-R1在多个基准测试中表现出显著的性能提升，尤其是在需要复杂推理和外部知识的任务上，成绩大幅超越传统模型。这项研究突破了AI依赖预存知识的局限，使其能够像人类一样在解决问题的过程中主动获取和利用互联网信息，为未来的AI应用开辟了新的可能性。

**3、谷歌发布Gemma 3 QAT模型：低显存需求，消费级显卡畅跑**  
谷歌发布了Gemma 3系列的量化感知训练（QAT）优化版本，显著降低了模型运行所需的显存。以Gemma 3 27B为例，显存需求从54GB降至14.1GB，使得NVIDIA RTX 3090等消费级显卡也能轻松驾驭。QAT技术在训练中融入量化操作，有效减少了性能损失。目前，Gemma 3的不同尺寸版本已可在各类GPU上运行，并得到Ollama、LM Studio和MLX等开发者工具的支持，让更多用户能在资源有限的设备上体验强大的AI功能。社区对谷歌此举表示欢迎，并期待其在模型量化方面取得更多进展。

**4、mcp-agent发布：轻量级MCP框架赋能高效智能体应用构建**  
mcp-agent作为一款基于模型上下文协议（MCP）的轻量级框架正式发布，旨在简化智能体应用的构建流程。该框架具备高度的可组合性和可定制性，能够与其他MCP服务无缝集成。开发者可以通过简单的代码逻辑定义和组合工作流，灵活调整模型提供商、日志记录和编排器等模块。mcp-agent简化了传统框架复杂的控制流，支持在工作流中插入人工输入和外部信号，为智能代理提供了更高的灵活性，是构建高效智能代理应用的理想选择。

**5、讯飞星火X1升级发布，对标OpenAI力争AI领域领先地位**  
科大讯飞正式发布全新升级的讯飞星火X1人工智能模型，旨在智能推理和多任务处理方面与OpenAI的o1和DeepSeek R1竞争。该模型通过融入复杂场景数据，显著提升了泛化能力，尤其在教育、医疗和司法等行业表现突出。讯飞强调，尽管模型参数量级较小，但整体效果已接近行业领先水平。星火X1创新推出“快思考、慢思考”统一模型，简化私有化部署，降低企业AI使用门槛，并提供模型定制优化工具链及开放API，预示着国产AI技术竞争力的增强。

**6、xAI发布Grok3Mini：高性价比AI模型赋能开发者**  
xAI推出Grok3Mini语言模型，强调其在速度和经济性上的优势，并在数学、编程和科学基准测试中表现出色，超越许多更昂贵的模型。作为Grok3系列的一部分，Grok3Mini提供多种速度和推理能力版本，价格远低于同类推理模型。尽管速度不及完整版Grok3，但Grok3Mini在性能和成本效益上取得了平衡。xAI还为开发者提供推理跟踪功能，增强模型使用的透明度。Grok3Mini的发布在AI市场竞争中展现出高性价比的潜力，有望推动更高效、经济的AI应用。

**7、Xcode MCP开源：VS Code与Cursor中体验原生iOS开发**  
Xcode MCP项目开源，通过模型上下文协议（MCP）将Xcode功能引入VS Code和Cursor等轻量级编辑器，实现了在非Xcode环境下进行iOS开发的完整工作流。开发者可在轻量级编辑器中完成虚拟机/模拟器管理、实时日志获取、项目管理和Bundle ID提取等操作。结合Cursor的AI代码补全等功能，显著提升了iOS开发效率。该项目通过本地MCP服务器与Xcode命令行工具深度融合，为开发者提供了更灵活、高效的iOS开发新选择，尤其受到个人开发者和轻量级编辑器爱好者的欢迎。

**8、Cohere在Azure AI Foundry推出Command A和Embed 4，优化RAG与智能体工作流**  
Cohere在微软Azure AI Foundry平台发布了两款新模型：Command A和Embed 4，旨在提升企业级RAG和智能体AI工作流的效率。Command A是专为智能体设计的LLM，具备卓越的推理和任务执行能力，易于集成至企业应用。Embed 4是一款高性能多模态嵌入模型，支持百余种语言和图像嵌入，并具备Matryoshka嵌入和高效量化特性，适用于构建快速、可扩展的多语言RAG系统。这两款模型依托Azure AI Foundry的强大生态，助力企业快速部署和扩展AI应用。

**9、昆仑万维开源SkyReels-V2：首个扩散强迫无限时长电影生成模型**  
昆仑万维SkyReels团队发布并开源了全球首个采用扩散强迫框架的无限时长电影生成模型SkyReels-V2。该模型结合了多模态大语言模型、多阶段预训练和强化学习等技术，旨在解决现有视频生成在提示词遵循、视觉质量、运动动态和时长协调方面的挑战。SkyReels-V2具备生成30-40秒高质量、高一致性视频的能力，并在故事生成、图生视频、运镜和多主体一致性生成等方面展现出强大的应用潜力，其在性能评估中也优于同类模型。昆仑万维将持续开源相关技术，推动视频生成领域的发展。

**10、Intel开源AI Playground：Arc GPU赋能本地AI模型运行新体验**  
Intel开源AI Playground软件，为Arc GPU用户提供一站式本地生成式AI平台，支持图像、视频生成及大型语言模型（LLMs）运行。该平台通过OpenVINO优化，显著降低硬件门槛，兼容Stable Diffusion、DeepSeek R1、Llama3等多种模型，并集成ComfyUI工作流。用户需自行下载模型，平台提供便捷加载界面。AI Playground基于OpenVINO深度优化Arc GPU和Core Ultra处理器性能，旨在赋能内容创作、本地AI开发、教育研究及虚拟助手等多种应用场景，并受到社区高度评价，未来有望成为本地AI开发的首选平台。

**11、Persona Engine开源：AI虚拟助手融合Live2D打造沉浸式交互体验**  
Persona Engine开源项目整合了LLM、Live2D、ASR、TTS和RVC等多项前沿技术，旨在赋予虚拟角色自然的对话和动态表情能力，实现与用户的实时交互。通过OpenAI兼容的LLM API驱动角色个性，Live2D模型实现语音同步和情感动画，Whisper ASR和TTS模块处理语音输入输出，并支持OBS集成。Persona Engine为VTubing、直播和虚拟助手等场景提供了强大的AI驱动虚拟交互解决方案，其模块化架构和详细文档降低了开发门槛，并受到社区广泛关注。

**12、微软开源MarkItDown MCP：轻松转换Word、Excel等至Markdown**  
微软发布并开源了MarkItDown MCP，一款强大的命令行工具，能够将PDF、Word、PowerPoint、Excel等多种格式的文件便捷地转换为Markdown格式。该工具在转换过程中智能保持文档结构和内容，生成的Markdown文本可无缝对接主流大语言模型，方便进行后续的文本分析。MarkItDown MCP还支持插件扩展，用户可通过简单的命令行指令完成文件转换，极大地提升了文档处理效率，尤其适用于需要将各类文档信息应用于AI分析的场景。

**13、Figma布局AI领域：智能应用制作器与网站创建工具蓄势待发**  
设计巨头Figma正积极进军人工智能领域，计划推出一款AI应用程序制作器和名为Figma Sites的网站创建工具。这款AI应用制作器由Anthropic的Claude Sonnet大语言模型驱动，并整合Supabase平台，支持文本、设计文件和图像等多种输入，旨在实现设计与开发的无缝衔接，降低应用开发门槛。Figma Sites则被视为其现有设计生态的延伸，目标是直接从设计稿生成可用网站。Figma的这些举措预示着其在AI驱动的设计与开发协作领域的新战略布局，或将对现有市场格局产生 significant 影响。

**14、字节跳动开源ChatTS-14B：首个原生理解时间序列并推理的LLM**  
字节跳动研究团队开源了ChatTS-14B，一款拥有140亿参数的LLM，专门为理解和推理时间序列数据而设计。基于Qwen2.5-14B-Instruct微调，ChatTS-14B支持用户通过自然语言与时序数据交互，应用于金融、气象和工业等领域。其通过合成数据对齐技术提升了在时间序列任务中的性能，被认为是生成式AI与时间序列分析的重要结合。ChatTS-14B的开源及详细文档已发布在Hugging Face和GitHub，旨在推动AI的民主化和跨领域应用。

**15、Intel开源AI Playground：Arc GPU赋能本地AI模型运行新体验**  
Intel宣布开源其AI Playground软件，这是一款专为Intel Arc GPU和集成显卡优化的本地生成式AI工具。AI Playground支持运行聊天式LLM以及图像和视频生成模型，如Stable Diffusion、DeepSeek R1等，利用本地计算资源实现高效且注重隐私的AI体验。通过MIT许可协议开源，Intel旨在吸引开发者参与定制和贡献代码，推动生成式AI技术的普及和社区协作，此举被视为Intel在AI市场战略布局的重要一步，并有望促进基于Intel硬件的AI应用生态发展。

**16、高德地图开源HumanRig技术与3D人形角色绑定数据集**  
高德地图发布了HumanRig技术，并开源了业界首个大规模3D人形角色绑定设计数据集。HumanRig技术通过先验引导的骨架估计器和U形Point Transformer等创新算法，实现了高效的自动角色绑定，显著降低了动画制作成本。开源的HumanRig数据集包含11434个多样化且骨架一致的T姿态网格，为绑定研究和应用提供了高质量数据支持。实验表明，HumanRig技术性能超越现有方法，为角色动画的自动化和高效化开辟了新道路，未来高德计划将其应用于导航、IP语音包和数字人等领域。

AI Daily 2025.04.21

## AI Repos
**1、[exa-mcp-server](https://github.com/exa-labs/exa-mcp-server)**  
AI助手通过Exa获得实时网络信息获取的能力，提供结构化的搜索结果，返回包括标题、URL以及内容片段在内的结构化结果；会把最近的搜索结果缓存为资源，下次再搜索相同的内容时可以直接使用缓存；提供了对速率限制和错误的处理机制，支持实时网络爬取。
![exa-mcp-server.png](/static/img/54f41747adb9732a306efb5b541cdca7.exa-mcp-server.webp)



**2、[CortexON](https://github.com/TheAgenticAI/CortexON)**  
日常任务自动化的开源通用AI智能体，能执行复杂工作流程，比如自动化研究、技术操作、复杂业务流程自动化等。CortexON集成了Web智能体、文件智能体、编辑器智能体、执行器智能体、API智能体等，多智能体协作；它会根据具体需求和偏好调用不同的智能体协作完成任，比如执行旅行规划、市场分析、教育内容创建等个性化任务
![CortexON.png](/static/img/96bb575430aab6e3c059f8f44a84689c.CortexON.webp)

**3、[BiliNote](https://github.com/JefferyHcool/BiliNote)**  
开源的 AI 视频笔记助手，只需要输入视频链接，即可自动提取内容，并一键生成结构清晰、重点明确的 Markdown 格式笔记。此外，还可以在笔记中插入视频截图，并支持跳转到指定视频进度。目前已支持 B 站、YouTube 等平台，可使用 OpenAI、DeepSeek、Qwen 等模型。
![BiliNote.png](/static/img/7b59c43275c7035b1e261d5073cec818.BiliNote.webp)


## AI News
**1、Moonvalley完成4300万美元B轮融资，发布创新视频生成模型Marey**  
视频生成技术公司Moonvalley近期宣布完成4300万美元的B轮融资，总融资额达到1.13亿美元，用于技术创新和市场拓展。与此同时，Moonvalley推出了其首款视频生成模型Marey，该模型由Moonvalley与Asteria工作室合作开发，专注于精确控制镜头和物体运动，能够生成长达30秒的高质量视频，并细致模拟复杂动作。Marey的关键优势在于其训练数据拥有明确授权，规避了版权风险，有望吸引专业创作者。此轮融资和新模型的发布标志着Moonvalley正积极布局AI视频生成市场。

**2、微软发布低内存占用新型语言模型 BitNet b1.58 2B4T**  
微软研究团队发布了一款名为 BitNet b1.58 2B4T 的开源大型语言模型，该模型拥有20亿参数，但内存占用仅为0.4GB，远低于同类模型。BitNet 采用创新的1.58位低精度架构进行原生训练，显著降低了计算资源需求。其通过定制的 BitLinear 层和三值权重系统（-1, 0, +1）实现了高效性能，并在 GSM8K 和 PIQA 等基准测试中表现出色，与主流全精度模型相当，且能耗和解码延迟更低。该模型已在 Hugging Face 上以 MIT 许可证发布，微软未来计划优化其功能和性能。

**3、字节豆包开源 Seed 智能体模型 UI-TARS-1.5，GUI 和游戏任务表现SOTA**  
字节跳动豆包团队开源了多模态智能体模型 UI-TARS-1.5，该模型在多个图形用户界面评测基准中取得了领先水平，并在游戏中展现了优秀的长时推理和开放空间交互能力。UI-TARS-1.5基于“思考 - 再行动”机制，通过强化学习增强了高阶推理能力，使其在未知环境和任务中具备更强的泛化性。在 GUI 操作和 Minecraft 等游戏任务中，UI-TARS-1.5均展现出卓越性能，其成功的关键在于视觉感知增强、System2 推理机制、统一动作建模和可自我演化的训练范式。该模型的开源为多模态智能体技术的发展提供了有力支持。

**4、通义万相2.1开源首尾帧生视频模型Wan2.1-FLF2V-14B**  
阿里通义开源了 Wan2.1 系列模型，其中首尾帧生视频模型 Wan2.1-FLF2V-14B 尤为引人注目。该模型采用 DiT 架构，通过高效视频压缩和 Full Attention 机制确保生成视频在时间和空间上的一致性。其独特之处在于引入了首尾帧作为条件控制，实现了流畅且精准的视频生成。在训练和推理方面，模型采用了流匹配、分布式策略、模型切分和混合精度量化等优化技术，实现了高效且高质量的视频生成。该模型的开源为开发者和创作者提供了强大的视频生成工具。

**5、ABBYY 推出全新 OCR API ABBYY Document AI™，简化文档数据提取**  
ABBYY 发布了 ABB Document AI™ API，旨在帮助开发者更轻松地从商业文档中提取高精度结构化数据。这款自助服务 API 通过几行代码即可将非结构化文档转换为可用数据，简化了 OCR 和智能文档处理解决方案的集成和使用。ABBYY 强调其 API 具有低设置要求、丰富的社区资源和预训练模型，助力开发者构建概念验证，并支持客户尽职调查、发票处理等多种业务流程的自动化，为生成式 AI 和 RAG 等应用提供高质量数据基础。

**6、Blender-MCP开源发布，Claude赋能自然语言3D创作**  
Blender-MCP 开源发布，实现了 Anthropic 的 Claude AI 与 Blender 的无缝集成，用户可以通过自然语言提示词直接生成复杂的 3D 场景。该工具利用 MCP 协议建立双向通信，支持快速场景生成、智能资产管理、实时反馈修正以及 Python 脚本执行。用户仅需文字描述即可创建包含物体、材质和灯光的 3D 模型，并能调用 Poly Haven 等资源。Blender-MCP 降低了 3D 建模门槛，适用于游戏开发、概念艺术、教育培训和建筑可视化等领域，其简易的安装和使用流程受到了社区的广泛欢迎，未来计划整合更多 AI 模型并优化性能。

**7、微软开源 MAI-DS-R1 模型，大幅提升敏感话题响应并降低安全风险**  
微软开源了 MAI-DS-R1，该模型基于 DeepSeek-R1 进行了改进，显著提升了在敏感话题上的响应能力，达到了 99.3%，是原版的两倍多。与此同时，MAI-DS-R1 的有害内容降低了 50%，实现了更高的安全控制。为了提升模型性能，微软收集了大量屏蔽主题示例并进行了多语言翻译。评估结果显示，MAI-DS-R1 在敏感话题响应方面超越了原版及其他衍生模型，并在安全性方面表现良好，同时保持了原有的优秀推理能力，并增强了处理不当请求时的谨慎性。该模型已在 Hugging Face 和 Azure AI Foundry 上发布。

**8、腾讯云大模型知识引擎首家接入 MCP，赋能 AI 应用开发新纪元**  
在2025腾讯全球数字生态大会成都峰会上，腾讯云宣布其大模型知识引擎成为业内首个正式接入 MCP（Model Context Protocol）的平台。这一突破性升级使得开发者和企业用户能够便捷地调用和定制 MCP 插件，显著提升 AI 应用的开发效率和功能丰富度。目前，该知识引擎平台已上线包括腾讯云 EdgeOne Pages、腾讯位置服务以及 Airbnb、Figma、Fetch 等合作伙伴提供的 MCP Server，覆盖专业信息获取、网页部署预览和解析等多种应用场景。腾讯云此举标志着中国 AI 应用开发进入新时代，其大模型知识引擎将成为重要的推动力量。

**9、理想同学MindGPT 3.0上线，深度思考能力比肩DeepSeek**  
理想汽车发布了其智能助手“理想同学”的最新升级版，搭载了全新的 MindGPT 3.0 模型。该模型在深度思考能力上取得了显著提升，性能可与 DeepSeek-V3-0324 和 DeepSeek-R1 相媲美。MindGPT 3.0 支持结构化思维链展示和反思再检索，能够提供更精准全面的信息。其语音理解和容错能力也得到增强，并能更好地处理复杂指令。此外，升级后的工具生态和连续对话效果也为用户带来更便捷流畅的体验。值得一提的是，MindGPT 3.0 还具备无关历史对话过滤功能，有效提升了回复的准确性。用户现可通过理想同学手机 App 及网页版免费体验。

**10、飞猪AI“问一问”上线，自然语言搞定旅行规划和机酒预订**  
飞猪近期推出的 AI 产品“问一问”在小红书上引发热议，其强大的功能在于能够通过自然语言交互，帮助用户快速完成机票和酒店的预订，实现“所见即所得”的旅行规划体验。与传统旅行 AI 不同，“问一问”模拟多专家协作，结合实时报价和景点信息，为用户提供个性化旅行方案，并支持直接编辑修改。用户只需输入需求，AI 即可生成行程，并能根据预算实时调整。这款产品标志着 AI 在旅行行业的深度应用进入新阶段，为用户带来了更便捷的出行规划方式。

**11、WORLDMEM开源发布，革新长期一致性世界模拟技术**  
WORLDMEM 框架在 Hugging Face 开源发布，通过引入记忆机制，创新性地解决了传统世界模拟模型在长期一致性和 3D 空间保持方面的难题。该框架利用记忆银行和注意力机制，能够精确重建先前观察的场景，捕捉动态世界演变，并显著提升长时序 3D 空间一致性。WORLDMEM 采用模块化设计，兼容 DiT 模型，并在虚拟现实、机器人导航和游戏开发等领域展现出巨大潜力。其开源和详细文档吸引了广泛关注，未来有望与多模态大模型结合，进一步提升世界模拟技术。

**12、Midjourney图像编辑器重大更新：引入图层、智能选择等强大功能**  
Midjourney 对其图像编辑器进行了重大更新，带来了全新的用户界面、图层功能、智能选择工具以及更智能的审核系统。新 UI 设计更加简洁直观，整合了各项编辑功能，提升了操作效率和用户体验。图层功能的加入显著增强了图像编辑的灵活性，而智能选择工具则提高了编辑的精准度。此次更新旨在进一步巩固 Midjourney 在 AI 艺术生成领域的领先地位，为用户提供更强大、更易用的图像编辑工具。

**13、腾讯混元开源 InstantCharacter 插件，实现定制化角色一致性图像生成**  
该插件兼容开源文生图模型 Flux，专注于解决图像生成中角色一致性问题。InstantCharacter 能够确保角色在不同场景中的真实性和一致性，并具备高画质、高精度和灵活的文本编辑性。其技术核心在于利用 DiT 模型构建的创新框架，通过可扩展的适配器和多个 transformer encoder 处理角色特征，并与扩散变换器的潜在空间无缝交互。腾讯混元团队构建了包含千万级样本的角色数据集进行训练，使得模型在角色一致性和文本可编辑性上均表现出色，效果媲美 GPT-4o，适用于漫画和影片创作等多种场景。

AI Daily 2025.04.18

博客记录，随心记，随性记，早日退休