## AI Repos
**1、[OpenHands-Versa](https://github.com/adityasoni9998/OpenHands-Versa)**  
OpenHands-Versa 是一个通用型 AI 智能体，通过结合代码编辑与执行、网络搜索、多模态网络浏览和文件访问等通用工具，在软件工程、网络导航和工作流自动化等多个领域展现出卓越性能。它在 SWE-Bench Multimodal、GAIA 和 The Agent Company 等挑战性基准测试中均超越了现有专业智能体，证明了少量通用工具即可实现跨领域的高效泛化。OpenHands-Versa 的成功为开发能够解决多样化任务的通用智能体提供了强有力的基线。
![OpenHands-Versa.png](/static/img/4d639e5a4604e28a4e69ca3172067afa.OpenHands-Versa.webp)




**2、[GUI-Actor](https://github.com/microsoft/GUI-Actor)**  
GUI-Actor 提出了一种创新的、无坐标的 GUI 视觉定位方法，旨在克服传统基于坐标生成方法的局限性。该方法通过引入一个由动作头增强的 VLM，使智能体能够像人类一样直接感知并与目标元素交互，而不是计算精确的屏幕坐标。GUI-Actor 的注意力机制不仅能生成多个候选区域，还结合了一个接地验证器来选择最合理的动作区域，从而在多个 GUI 动作接地基准测试中实现了最先进的性能，特别是在 ScreenSpot-Pro 上表现出色。
![GUI-Actor.png](/static/img/d7acaa8d6f7d5735245d12d84d8d389c.GUI-Actor.webp)

**3、[MonkeyOCR](https://github.com/Yuliang-Liu/MonkeyOCR)**  
MonkeyOCR 引入了创新的结构-识别-关系（SRR）三元组范式，旨在简化多工具文档处理流程并提高效率。该方法在中文和英文文档处理上表现出色，尤其在公式和表格解析方面相比现有方法有显著提升。MonkeyOCR-3B 模型在处理多页文档时速度更快，且在英文文档上优于 Gemini 2.5 Pro 和 Qwen2.5 VL-72B 等大型模型。目前主要支持 PDF 文档，未来将扩展对拍摄文档的支持。

## AI News
**1、Google Veo3 FAST/TURBO模式上线，AI视频生成进入“超速”时代！**  
Google近日推出Veo3旗舰AI视频生成工具的全新FAST/TURBO模式，大幅提升了视频生成效率和性价比。该模式将每段视频成本降低80%，为订阅用户提供五倍的生成量，并首次支持原生音频生成，实现音画同步的沉浸式体验。FAST模式虽在细节上与QUALITY模式有所差异，但凭借其在速度和成本上的优势，非常适合短视频和快速原型创作。此举标志着AI视频生成技术正迈向更高效、普惠的新阶段。

**2、文档解析新突破：3B小模型MonkeyOCR性能超越Gemini**  
文档解析领域迎来重大进展，轻量级模型MonkeyOCR以其仅3B的参数量，在英文文档解析任务中展现出卓越性能，超越了Gemini 2.5 Pro等大型模型。它在公式和表格解析上提升显著，平均性能提升5.1%，并且解析速度高达每秒0.84页。MonkeyOCR采用独特的“结构-识别-关系”三元组范式，提高了准确率并降低了计算资源需求，为企业部署AI文档解析方案提供了高效、经济的选择。

**3、小红书开源首个大模型dots.llm1：11.2万亿非合成数据赋能中文性能**  
小红书近日开源了其首个大规模专家混合模型dots.llm1，该模型拥有1420亿参数，但在推理时仅激活140亿参数，大幅降低了成本。它使用了11.2万亿非合成高质量训练数据，使其在中文测试中表现卓越，平均得分高达91.3，超越了多个竞争对手。dots.llm1采用独特的MoE架构和严格的数据处理流水线，旨在提升模型效率和中文性能，并已开源中间训练检查点以促进学术研究。

**4、百度发布金融行业大模型“千帆慧金”，智能体成AI竞争新焦点**  
在2025智能经济论坛上，百度智能云宣布推出金融行业大模型——千帆慧金，旨在为金融机构提供专业高效的AI解决方案。该模型基于海量金融数据训练，解决通用大模型在金融领域准确性不足的问题。百度执行副总裁沈抖强调，未来AI竞争将聚焦于智能体，百度智能云已推出多行业智能体解决方案，支持轻量化定制，助力企业快速实现数字化转型。

**5、面壁智能发布MiniCPM 4.0端侧大模型，实现220倍速度提升**  
面壁智能于6月6日正式推出MiniCPM 4.0系列端侧大模型，包括8B闪电稀疏版和0.5B轻巧灵动版。该系列模型通过系统级稀疏创新和高效双频换挡技术，实现了极限220倍、常规5倍的速度提升，并大幅减少了端侧存储需求。MiniCPM 4.0在性能上以小成本超越同类竞品，并能通过自研推理框架实现模型瘦身90%及速度极致提升，目前已适配主流芯片和开源框架。

**6、Dify智能体打造微信天气助手，轻松实现好友天气信息自动发送**  
近期，有开发者利用Dify平台结合MCP技术，成功创建了一个微信天气智能助手。该助手通过搭建MCP Server和使用wxauto库，实现了自动向微信好友发送天气信息的功能。用户只需输入地点，助手便能获取实时天气数据，并通过Dify智能体整合语音指令，将天气信息自动发送给指定好友。这一创新应用不仅简化了天气查询与分享，也展现了AI技术在提升日常便利性和降低开发成本方面的潜力。

**7、智谱AI推出企业智能助手CoCo：交付导向、个性化服务，助力企业效率飙升**  
智谱AI近日发布全新企业级智能助手Agent CoCo，旨在显著提升企业工作效率。CoCo以交付为导向，提供全流程辅助，确保任务高质量完成。其独特的记忆机制能根据员工职能提供个性化服务和行业动态追踪。CoCo还能无缝嵌入企业现有系统，融合数据与工具，打造懂企业的智能助手。通过批量上岗Agent，CoCo将助力企业整体工作效能提升，并为员工带来更个性化、支持性的工作体验。

AI Daily 2025.06.09

## AI Repos
**1、[drawnix](https://github.com/plait-board/drawnix)**  
Drawnix 是一款免费开源的一体化白板工具，集成了思维导图、流程图、自由画等多种功能。它支持插入图片、导出为 PNG/JSON、自动保存、撤销重做、无限画布以及主题模式。Drawnix 基于灵活的插件机制和底层 Plait 框架，支持 Mermaid 语法转流程图和 Markdown 文本转思维导图。该工具旨在通过直观的创作方式和持续迭代，为用户提供高效且富有创造力的可视化表达体验，其最小化应用已上线 drawnix.com。

![drawnix.png](/static/img/a0206f42c2ac66a333e63421537d53ba.drawnix.webp)



**2、[ragbits](https://github.com/deepsense-ai/ragbits)**  
Ragbits 是一个专为快速开发 GenAI 应用而设计的开源框架，提供构建可靠、可扩展应用的模块化工具。其核心功能包括灵活切换100+ LLM、类型安全的 LLM 调用、支持多种向量存储（如 Qdrant、PgVector），以及内置的开发者工具。Ragbits 还支持快速灵活的 RAG 处理，能摄取20多种数据格式、处理复杂数据并连接多种数据源。此外，它提供实时可观测性、内置测试和自动优化，并支持快速部署带有 UI 的聊天机器人界面。

**3、[agentic-doc](https://github.com/landing-ai/agentic-doc)**  
Agentic Document Extraction 是 LandingAI 推出的一款 Python 库，旨在高效地从视觉复杂的文档（如PDF、图片、URL）中提取结构化数据，包括表格、图片和图表，并以分层 JSON 格式返回精确的元素位置。该库支持处理超长文档（1000+页PDF）、自动重试、并发处理、速率限制管理，并提供丰富的辅助工具如边界框截图和可视化调试器。通过简单的 pip install agentic-doc 即可安装，并支持多种连接器（Google Drive, S3, Local Directory, URL），极大地简化了GenAI应用的文档处理流程。

## AI News
**1、Perplexity AI 推出 SEC 数据集成，赋能投资者轻松获取财务信息**  
Perplexity AI 近日宣布推出 SEC 文件访问功能，旨在革新投资者获取和理解复杂财务数据的方式。这项新功能允许所有用户直接在 Perplexity 平台上查询公司财务文档，并获得带有引用来源的自然语言答案，从而简化了原本需要专业知识或昂贵工具才能解读的监管报告。此外，Perplexity 还为 Enterprise Pro 用户提供了与Factset、Crunchbase等数据源的深度集成。同期推出的“实验室”功能，则能将提示转化为报告、仪表板等结构化项目，进一步提升了Perplexity在金融智能领域的潜力，尤其对寻求经济实惠且信息丰富的零售投资者而言。

**2、Figma 发布新工具，提升 AI 设计到代码转换的精准度**  
Figma 近日推出开发者工具“开发模式模型上下文协议(MCP)服务器”，旨在提升 AI 将设计转化为代码的效率和精准度。该工具允许 AI 模型直接访问 Figma 的设计数据，例如图表数值和具体颜色，而非仅依赖视觉识别，从而减少大型语言模型的工作量，使开发者构思更准确地实现。目前该工具正面向部分用户进行 Beta 测试，未来计划推出远程服务器功能和更深层代码库集成。此举紧随 Figma Make 平台的正式上线，并预示着未来将有更多AI工具助力设计与开发融合，提升产品设计效率和质量。

**3、阿里开源千问3向量模型，性能大幅提升，挑战谷歌和OpenAI**  
阿里巴巴于6月6日开源了全新的千问3向量模型系列Qwen3-Embedding，该模型基于千问3底座，在文本检索、聚类和分类等任务上性能提升超40%。Qwen3-Embedding在MTEB等专业榜单中超越谷歌Gemini Embedding和OpenAI text-embedding-3-large等顶尖模型，取得SOTA（State-of-the-Art）性能。该模型支持超100种语言，包括编程语言，并提供9款不同尺寸的开源版本及API服务，赋予开发者更大的灵活性和应用空间。

**4、智源研究院发布“悟界”系列大模型，推动多模态智能新飞跃**  
在第七届“北京智源大会”上，智源研究院重磅发布了“悟界”系列大模型，标志着人工智能领域的技术飞跃。这些模型涵盖了从基础科学到复杂智能系统的广泛应用，包括原生多模态世界模型Emu3、脑科学多模态通用基础模型见微Brainμ、跨本体具身大小脑协作框架RoboOS2.0与具身大脑RoboBrain2.0，以及全原子微观生命模型OpenComplex2。此举旨在推动人工智能在医疗、教育、环境监测等多个重要领域的应用落地，为人类社会进步贡献力量。

**5、字节跳动发布SeedEdit 3.0，图像编辑细节保持能力显著提升**  
字节跳动Seed团队于6月6日正式发布了图像编辑模型SeedEdit 3.0，该模型基于文生图模型Seedream3.0，通过引入多样化数据融合和特定奖励模型，显著提升了图像主体保持、背景细节处理和指令遵循能力。SeedEdit 3.0支持4K分辨率图像处理，在人像编辑、背景更改、光线转换等复杂场景中表现卓越，能实现高保真和精细化编辑，甚至能精确处理阴影等细节。该模型已在即梦网页端开启灰度测试，并将上线豆包App，极大地提升了图像编辑的可用率和效率。

**6、OpenAudio 开源轻量级 TTS 模型 S1-Mini，打造超自然多语言 AI 语音**  
OpenAudio（Fish Audio）宣布开源其全新文本转语音（TTS）模型S1-Mini。作为S1模型的轻量化版本，S1-Mini仅0.5B参数，大幅降低计算需求，同时在超过200万小时音频数据训练下，支持14种语言及50多种情感语调，生成接近真人的自然语音。其开源发布至Hugging Face，为开发者免费提供非商业使用，极大地降低了高品质语音合成的门槛。S1-Mini在第三方基准测试中表现出色，展现出挑战行业巨头的潜力，未来有望在教育、娱乐等领域广泛应用。

**7、ElevenLabs 发布 Eleven v3 Alpha 版，AI 语音实现“演技”突破**  
ElevenLabs 于2025年6月5日发布了其最新文本转语音模型 Eleven v3 Alpha 版，被誉为“地表最强”TTS模型。该模型通过引入 [laughs]、[whispers] 等音频标签，实现对语音情感、语速的精准控制，甚至能添加音效，使生成的语音不仅自然流畅，还能模拟真实对话中的语气变化和非语言表达，达到“演技合成”的效果。Eleven v3 支持70多种语言，并具备更强的文本理解和对话模拟能力，有望在内容创作、影视配音、虚拟助手等领域带来革新。

**8、谷歌更新 Gemini 2.5 Pro，AI 性能显著提升**  
谷歌于6月6日发布了更新版 Gemini 2.5 Pro (06-05版本)，显著提升了其AI性能。新版本在LMArena和WebDevArena等基准测试中Elo评分分别提升24分和35分，WebDevArena得分达到1443分，位居业界前列。谷歌还优化了模型的风格和结构，以提升创造性和回答清晰度，并放宽了Pro版用户的请求限制。此次更新展现了谷歌在AI领域的持续创新，预示着该版本正式上线后可能推出更具吸引力的定价策略。

AI Daily 2025.06.06

## 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

博客记录，随心记，随性记，早日退休