项目多模态图像生成与编辑3 天前
Anil-matcha/Open-Generative-AI
Open-Generative-AI 自托管 600+ 图像视频模型
自托管聚合多模型，便于本地 AIGC 评估；无内容过滤有合规风险。
多模态
共 50 条 · 按质量与时效综合排序 · 仅收录近 3 个月内容最近同步 56 分钟前
已折叠 · 展开查看该领域的技术路线图、最新技术与成果、发展态势与前景趋势（含表格与 Mermaid 路线图）。
博客多模态3 天前
NVIDIA Confidential Computing Expands, Enabling Frontier Model Builders to Securely Scale Across Global Infrastructure
NVIDIA 机密计算新增 Confidential Bare Metal
面向前沿模型构建者新增裸金属机密计算选项，提供传输保护、平台完整性度量与硬件级访问控制。
博客多模态视觉语言理解9 天前
NVIDIA Nemotron 3.5 Super VL Powers Specialized Agents with Multimodal Reasoning
NVIDIA 开源 Nemotron 3.5 Super VL：120B MoE 多模态智能体模型
开放可定制的 MoE 多模态模型，面向长流程企业智能体，值得评估部署成本
博客多模态语音与音频2026/08/18
Sharing a new way to work with Stable Audio
Stable Audio 3.0 新增 DAW 插件与网页高级生成体验，可迭代编辑与混音
将音频生成直接嵌入 DAW 工作流并支持网页端迭代编辑、混音，便于音频工程师在现有环境中使用生成模型。
项目多模态视频生成13 天前
cclank/lanshu-create-ai-presenter-video
Provider-neutral Codex Skill 从脚本和授权图像生成 AI presenter 视频
将脚本与授权形象生成数字人视频的能力封装为可复用技能，可低成本集成到内容生成流程中。
博客多模态3 天前
Leading European Financial Services Organizations Embrace Open Models to Build Proprietary Intelligence
Revolut 部署 PRAGMA，服务 80 million 客户
展示金融交易规模下开放基础模型与自有算力落地，对数据闭环与生产扩展有参考。
项目多模态视觉语言理解3 天前
ysr666/dsh-vision-router
dsh-vision-router 给 DeepSeek 加视觉
为纯文本 agent 免 key 接入 OCR、grounding 等像素级视觉工具，降低多模态集成成本。
模型多模态视觉语言理解★ 重点来源2 天前
tencent/WeVisOne-VL-4B
tencent/WeVisOne-VL-4B：image-text-to-text，apache-2.0，transformers
信息不足，影响待观察
模型多模态视觉语言理解★ 重点来源12 天前
nvidia/NVIDIA-Nemotron-3.5-Super-VL-120B-A12B-BF16
NVIDIA 发布 Nemotron-3.5-Super-VL-120B-A12B（BF16）image-text-to-text 模型
信息不足，影响待观察
模型多模态全模态与统一模型★ 重点来源2026/09/16
inclusionAI/Realtime-Venus
inclusionAI 开源 Realtime-Venus，any-to-any 模型，License apache-2.0
信息不足，影响待观察
论文多模态4 天前
LightCRS: Lightweight Multi-Domain Conversational Recommendation System
LightCRS 将多域推荐 HR@1 提升 35.4%
5.3M 参数共享模块与离线表示把延迟降 266 倍，对多域多模态推荐工程有参考价值。
论文多模态图像生成与编辑6 天前
MOSS-Image Technical Report
MOSS-Image 开源 5B DiT，强化长文本渲染与版式控制
开放权重模型补上密集文字与复杂排版短板，并配长文本评测基准，可直接评估替换闭源方案