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
182 篇文章
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
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
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- 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
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
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 FracSim
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
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
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
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
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 r
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-m- 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
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
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
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
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
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 p
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…
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
SupraLabs 发布紧凑型 text-to-image 模型 Supra2-IMGHuggingFace 上发布了模型 SupraLabs/Supra2-IMG——用于根据文本描述生成图像的 diffusion transformer。作者称其极小：约 1 亿参数，从零开始在合成数据上训练，输出分辨
Qwen（通义千问）发布用于改写提示词的模型 Qwen-Image-2.1-PE-T2I2026 年 9 月 20 日，模型 Qwen/Qwen-Image-2.1-PE-T2I 在 HuggingFace 上发布。它不是图像生成器，而是用于准备请求的辅助模型：它接收任意语言的简短描述，并将其转换为详细的
FrontierAgent：全新智能体环境，带 TUI、Agent Team 模式与质量评估FrontierAgent 是面向长时间研究与文件任务的开源智能体环境，仓库于 2026 年 8 月 22 日开放，28 天内获得约 4 千颗星。它集运行时、终端产品与智能体评估套件于一体
OpenBot：自带浏览器且完全掌控操作的智能体环境OpenBot 是一个用于创建 AI 智能体的新平台，其代码仓库于 2026 年 8 月 17 日开放，32 天内在 GitHub 上获得 5 112 颗星。作者将其描述为 open-source AI coworkers，其中每个智能体都获得自己的计算
Moondream 发布 Parakeet Redux — 1.58 位语音识别模型，参数量 149 百万2026 年 9 月 18 日，模型 moondream/parakeet-redux 在 HuggingFace 上发布，用于 automatic-speech-recognition。这是 parakeet-tdt-0.6b-v3 的 1.58 位版本：架构和分词器相同，但编码器的每个权重取值为…- Cube-Splat 发布开源全景 Gaussian Splatting SLAMarXiv 上发布了 Cube-Splat 的研究成果——一种基于 3D Gaussian Splatting 的全景 360 度图像同步定位与建图（SLAM）方法。作者将每个全景帧拆分为由清晰面组成的立方体贴图
- Pipecat 1.11.0：支持手动重置的重采样器与场景中的函数调用评估2026 年 9 月 18 日，Pipecat 1.11.0 发布——这是一个用于实时语音和多模态智能体的开源 Python 框架。自上次解析以来共发布了两个版本：1.10.0 和 1.11.0。新增内容：音频流边界的手动控制。在 BaseAudio
LocalAI v4.10.0：集群仪表板、凭据文件和基准测试本地运行工具 LocalAI 发布了 v4.10.0 版本。作者描述了三个工作方向：集群管理、从私有来源加载模型以及后端修复。详情见 GitHub 上的发布说明。这意味着什么 对于那些- LichtFeld-Studio 发布用于图像匹配的 RoMa v1 权重工具 LichtFeld-Studio 发布了新版本——RoMa v1 dense matcher weights。这是一个采用原生 .lfw 格式的常驻模型资产，用于稠密化流程中匹配图像对。作者将该版本标记为
Xing4.0-29B-A4B：中国电信全新 310 亿参数 MoE 模型9 月 16 日，XingChen-AGI/Xing4.0-29B-A4B 模型在 HuggingFace 上发布——这是由中国电信人工智能技术研发的 Xing 系列（原 TeleChat）text-generation 模型。总参数量 290 亿，每个 token