跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

11月11日周三
  1. Reddit StableDiffusion · 创作者与工作流分享75

    PAN 2 发布:开源 29B 视频生成模型

    PAN 2 发布,开源 29B 潜在扩散模型,支持最高 20 秒、720p、24fps 视频生成,采用 Apache 2.0 许可证。发布方同时公开训练代码,并提供 Diffusers、FastVideo 和 vLLM 集成。模型让 LLM 生成密集文本状态/脚本,事件和动作定时,相机嵌套在事件下但与动作解耦。

    推荐理由:开源 29B 视频生成模型并公开训练代码,创作者可评估其 20 秒 720p 生成能力与 LLM 驱动的脚本级可控性。

10月26日周一
10月25日周日
10月22日周四
  1. 量子位 · 搜狐公开专栏75

    模思智能 MOSS-Image 开源 4 天海外下载超 130 万次

    模思智能开源的 5B 参数文生图模型 MOSS-Image 上线 4 天在海外社区收获 130 万次下载,GitHub 获 1.4k Stars,并登顶 Hugging Face 文生图趋势榜。

    推荐理由:5B 参数开源模型上线 4 天获 130 万次下载,社区已产出加速、量化版本与 LoRA,可观察其文字渲染与布局控制的实际表现。

10月20日周二
  1. SuSu_酥酥60

    蚂蚁百灵开源 Ming-3.0 语音系列 5 款模型

    蚂蚁百灵开源 Ming-3.0 语音系列,共 5 款模型,覆盖语音合成、音频理解与对话、语音识别,采用 MIT 协议并已上线 Hugging Face 与 ModelScope。TTS 支持用文字描述音色,并可通过导演模式控制情绪、重音与节奏;ASR 支持方言、热词与上下文感知。作者给出下载权重、克隆 TTS 仓库并按 README 推理的上手步骤,其中 0.5B 版本最轻量。

10月17日周六
10月16日周五
  1. Reddit StableDiffusion · 创作者与工作流分享66

    OpenMOSS 发布开源图像模型 MOSS-Image

    OpenMOSS 发布图像模型 MOSS-Image,已在 Hugging Face 上线 SFT 与 Base 两个版本,并给出 ComfyUI 接入说明。该模型基于 3.2B 图像训练,采用 Apache 2.0 许可,支持 JSON 与 BBOX 输入但不强制要求,同时兼容自然语言和 booru 标签提示词。

    同一新闻,精选展示《OpenMOSS 发布 MOSS-Image 图像模型,已支持 ComfyUI》

10月15日周四
  1. Black Forest Labs 官方博客82

    Black Forest Labs 发布 FLUX 3 Image Klein 开源权重模型

    Black Forest Labs 发布 FLUX 3 Image Klein,一个 5.6B 参数的开源权重模型,支持文生图、图像编辑和最多 10 张参考图的多参考生成,具备原生 4K 生成、像素级编辑和边界框控制能力。

    推荐理由:5.6B 参数的开源图像模型把 4K 生成与像素级编辑压到 8GB 显存可跑,可据此评估本地出图与改图方案。

10月14日周三
10月13日周二
10月9日周五
  1. SuSu_酥酥66

    阿里通义开源 Qwen-Image-2.1-Turbo,8 步出 2K 图像

    阿里通义开源 Qwen-Image-2.1-Turbo,基于 Qwen-Image-2.1 的加速 checkpoint,沿用同一套 7B 视觉生成架构,文生图与自然语言编辑只需 8 步去噪,官方称仍能生成 2K 图像并支持加配饰、换场景等连续编辑。

    推荐理由:Qwen-Image-2.1-Turbo 以 8 步去噪实现 2K 文生图与自然语言编辑,并给出 Diffusers 与 API 两条上手路径。

10月7日周三
10月5日周一
  1. GitHub:AI视频开源项目发现82

    Kandinsky 6.0 开源发布:同步音频视频生成模型,含 Lite 与 Pro 两档

    kandinskylab 发布 Kandinsky 6.0 Video 系列扩散模型,包含 3B 参数的 Lite 和 29B 参数的 Pro,可生成 5 秒带 44 kHz 同步音频(含对口型)的视频,支持文生音视频与图生音视频,并配有超分模型将输出提升至 Full HD(1920×1080)。

    推荐理由:Kandinsky 6.0 开源了带同步音频与对口型的视频生成模型,并给出各档显卡的实测耗时,方便创作者评估本地部署成本。

9月21日周一
  1. GitHub:AI视频开源项目发现62

    腾讯混元开源 Prism:面向原生 2K 联合视频音频生成的动态稀疏注意力

    腾讯混元联合复旦大学、浙江大学提出 Prism,一个用于原生训练 2K 联合视频音频生成模型的动态稀疏注意力框架,将 token 序列组织为时空宏区块并按局部内容动态分配块形状,训练速度相比全注意力提升 2.5 倍且生成质量更高。

1月6日周二
9月13日周三
  1. Hugging Face Blog60

    Hugging Face 发布 Würstchen:高压缩潜空间的快速图像扩散模型

    Hugging Face 发布 Würstchen 图像生成扩散模型,其文本条件部分在高度压缩的潜空间中工作,通过 Stage A 的 VQGAN 与 Stage B 的 Diffusion Autoencoder 实现 42x 空间压缩,Stage C 作为 Prior 在该潜空间中训练。

    推荐理由:Würstchen 用 42x 空间压缩把训练成本降到 SD1.4 的约六分之一,可据此评估低显存出图方案。

10月5日周三