CPU3D3D、视频与音频的 AI 工具

神经网络新闻：3D、视频及可在自己硬件上运行的语言模型

关于工具变化的简讯：发布了新版本、许可证变更、新增对其他平台的支持。不转述新闻稿：如果某个说法无法关联到代码仓库、模型页面或官方网站，就不会发布简讯。

文章

132 篇文章

LiquidAI 发布 d1-3B——无需生成文本、单次前向即可决策的模型2026 年 10 月 5 日，LiquidAI/d1-3B 模型在 HuggingFace 上发布，任务类型为 image-text-to-text。这是一个拥有 31 亿参数的决策模型，基于 LFM2.5-VL-3B 构建：输入为状态——文本、JSON、图像或其混2026-10-05
n8n 2.42.3：专注自托管稳定性的智能体平台n8n 平台发布 2.42.3 版本——这是一个可视化构建 AI 智能体和工作流的平台。自上次解析以来共积累了六个版本：2.41.3、2.41.4、2.41.5、2.41.6、2.41.7 以及当前的 2.42.3。这些版本的重点是内核修复2026-10-05
Blockway 发布 Agens-Volundr-32B 模型预览版，面向推理、代码与智能体任务HuggingFace 上发布了模型 Blockway/Agens-Volundr-32B-Preview，任务为 text-generation。这是 Blockway 的预览版发布：架构、格式与后训练流程已定稿，但继续预训练仍在进行，完整版2026-10-03
FlowHMR 将视频动作捕捉转化为带物理控制的生成任务arXiv 上发布了 FlowHMR 的研究——一种从单目视频中恢复人体全局 3D 运动的方法。作者将任务表述为以视频为条件的运动生成，并先预训练 flow matching 模型。随后 mo2026-10-02
ManifoldSplat 用文本在 90 秒内编辑 3D 头部形状研究人员提出了 ManifoldSplat——一种对从单目视频重建的可动画 3D 头部进行语言编辑形状的方法。它不直接优化高斯点云，而是在结构化流形 FL 内部执行编辑2026-10-02
Aleph Alpha 发布 780 亿参数的开放 MoE 模型 Kolibri-1-BF162026 年 10 月 2 日，模型 Aleph-Alpha/Kolibri-1-BF16 在 HuggingFace 上发布，任务为 text-generation。这是一个用于推理的 mixture-of-experts 模型，侧重德语和英语，具有显式的 reasoning 模式和工具调用2026-10-02
Apeireth：基于 Rust 的智能体操作系统，具备拓扑记忆与自研内核2026 年 9 月底，GitHub 上出现了 Apeireth 仓库——作者将其描述为用纯安全 Rust 编写的「AGI Operating System & Cognitive Microkernel」智能体环境。28 天内该项目获得 303 颗星和三名贡献者。2026-10-02
SGLang v0.5.21：新模型、DeepSeek-V4.1 加速与 Decisions APISGLang 运行工具发布 v0.5.21 版本。本次发布包含来自 227 位贡献者的 779 个拉取请求。新模型包括 DeepSeek-V4.1、GigaChat 3.5、IQuest-Q1、MiMo-V2.6 和 MiMo-V2.6-Pro、Ling-3.0-flash-VL，以及扩散模型 Di…2026-10-02
Generative Cinematographer 教视频模型在 3D 中控制相机与物体2026 年 10 月 1 日，Generative Cinematographer（GenCine）在 arXiv 上发表——该系统可将单张图像提升为可编辑的 3D 场景，并允许联合设定相机与前景的运动。艺术家铺设2026-10-01
vLLM v0.31.0rc3 为 Model Runner V2 添加随机测试输入vLLM v0.31.0rc3 预发布版已发布。其中包含 Model Runner V2 的改动：Support randomized dummy inputs，即为新版模型运行器添加随机测试输入支持。这意味着什么对于运行2026-10-01
arXiv 上视频生成器后训练与对齐方法综述arXiv 上发布了综述 Video Generation Models: A Survey of Post-Training and Alignment。作者系统梳理了无需从头重训练的视频模型后训练方法：supervised fine-tuning、self-training 和蒸馏2026-09-30
Cloudflare 发布 clef 模型，用于根据问题选项方案做出决策2026 年 9 月 30 日，HuggingFace 上出现了 Cloudflare/clef 模型，任务类型为 image-text-to-text。该模型接受文本、JSON、图像或视频形式的状态，并针对每个问题的每个可选选项返回概率2026-09-30
Whistle：面向 CPU 的语音识别模型已在 HuggingFace 发布2026 年 9 月 30 日，模型 Cactus-Compute/whistle 在 HuggingFace 发布，任务为 automatic-speech-recognition。作者将其描述为一款面向移动设备、可穿戴电子设备、机器人、智能家居、汽车2026-09-30
Rig 智能体平台：0.43.0 版本发布，支持 YOLOv8 本地姿态估计2026 年 9 月 30 日，Rig 平台发布 0.43.0 版本——这是一个用于构建基于 LLM 的模块化、可扩展应用的 Rust 库。新功能：YOLOv8 本地姿态估计——rig-candle 中新增了姿态估计支持，可执行2026-09-30
Wind Comic v12.460.0 — main 分支 700 次更新后的首个版本wind-comic 工具发布了 v12.460.0 版本——这是自 2026 年 4 月以来首个 GitHub Release。此后所有改动都直接进入 main 分支，期间累计了 700 多个版本，每个版本都记录在 VERSIONS.md 中。该版本固定了2026-09-30
FracGen 教视频生成模型根据物理信号模拟物体破碎FracGen 的作者提出了一种视频生成模型，它能根据一张完整物体的图像，生成由物理信号驱动的、逼真的破碎动态。为训练该模型，作者构建了基于 material point 的模拟器 FracSim2026-09-29
EndoPrior-GS 改进内窥镜动态 3D 重建研究人员提出了 EndoPrior-GS——一种基于 3D Gaussian Splatting 的动态内窥镜重建方法。该工作发表在 arXiv 上，项目页面可通过链接访问。作者将提取的视觉启发式方法与2026-09-29
MLX v0.32.3：修复在 Apple Silicon 上运行模型的问题MLX 运行工具发布 v0.32.3 版本。本次更新修复了零尺寸轴上的 scan 和 sort 操作，为 std 和 var 添加了 correction 参数，消除了调用 mx.clear_streams() 时的死锁，并修复了整数错误2026-09-29
OOOSplat 0.5.0：自动优化、桥接补帧与补拍OOOSplat 0.5.0 发布——一款将视频和照片转换为 3D Gaussian Splatting 的本地工具。此版本新增参数自动优化、覆盖不足时的桥接补帧、考虑可用视频的训2026-09-28
Pydantic AI 2.51.0：支持 GPT-Live，两周内发布六个版本2026 年 9 月 25 日，Pydantic AI 平台发布 2.51.0 版本——这是一个用于构建 AI 智能体的 Python 框架，具有类型化的智能体循环。自上次解析以来已累积六个版本：2.46.0、2.47.0、2.48.0、2.49.0、2.50.0 和 2.51.0。功能2026-09-25
Ollama v0.40.0 在 Apple Silicon 上默认将模型切换到 MLXOllama v0.40.0 发布。主要变化：在 Apple Silicon 设备上，架构受 MLX 运行时支持的模型现在会自动通过 MLX 启动。开发者的示例——ollama pull qwen3.8 和 ollama r2026-09-25
YuE2 Music skill 1.2.0：根据描述、ABC 或录音生成器乐与翻唱YuE 工具发布了 YuE2 Music skill 1.2.0 版本，新增根据文本描述、ABC 乐谱或参考录音生成器乐音乐和器乐翻唱的功能。详情见 GitHub 上的发布说明。软件包 yue2-m2026-09-25
Reliability-Regulated Trajectory Optimization 用于无 COLMAP 的 3DGS 已发布到 arXivarXiv 上发布了一篇关于渐进式无 COLMAP 3D Gaussian Splatting 的相机轨迹优化方法的论文。作者提出了一种统一的自监督双向循环机制，用于调节轨迹估计2026-09-25
ViRDM 在 few-step 视频蒸馏中移除教师和评论器ViRDM 作者提出一种无需教师和评论器的视频生成器后训练方法，可降低显存占用。该工作于 2026 年 9 月 24 日发表在 arXiv 上。原本的三个网络——教师、评论器和生成器——现在只剩下2026-09-24
DeltaWAM 加速双臂机器人动作生成并开源代码AIGeeksGroup 的研究人员推出了 DeltaWAM——一种用于控制机器人双臂的 world-action 模型。它不预测密集的未来帧，而是预测视觉增量和动作，而 Streaming Delta Memory 则更新缓存2026-09-23
Qwen-Image-2.1 已在 HuggingFace 发布：基于 7B 模型的图像生成与编辑HuggingFace 上发布了模型 unsloth/Qwen-Image-2.1 —— 一款用于文本生成图像和编辑的统一模型。发布日期为 2026 年 9 月 23 日。该模型支持最多 10 张参考图像、本地编辑2026-09-23
LeWAM 放弃视频扩散，改用 JEPA 嵌入构建 world action modelsarXiv 上发布了 Latent evolving World Action Model 论文，作者研究了视觉表示如何影响 World Action Models 中的动作生成。他们表明，来自 JEPA 编码器的预测性嵌入可支持2026-09-23
LichtFeld-Studio 发布原生 lfw 格式的 MoGe-3 ViT-L 权重LichtFeld-Studio 发布了一个版本，包含原生 .lfw 格式的 MoGe-3 ViT-L base 权重。这是 SLAM 流水线和 preprocess CLI 的默认深度模型。该版本被标记为 pre-release，只是为了不进入 Latest 徽章：这是 p2026-09-23
小米在 HuggingFace 发布 MiMo-V2.6-Flash-RL2026 年 9 月 21 日，XiaomiMiMo/MiMo-V2.6-Flash-RL 模型在 HuggingFace 上发布，任务为 text-generation。作者将其描述为 MiMo-V2.6 系列的 efficiency-balanced checkpoint，该系列围绕 reinf…2026-09-21
Audio8-ASR-Infinite：内存占用恒定的流式语音识别2026年9月21日，模型 Edge0/Audio8-ASR-Infinite 在 HuggingFace 上发布，任务为 text-generation。作者将其描述为原生流式语音识别，面向最低延迟设计：模型以 12,5 做出决策2026-09-21