Infer News

Code2World 基於動作預測的 GUI 代理

Code2World 本身不是一個「GUI 設計工具」，但它可以用在「優化 GUI 設計」的流程裡，特別是幫你 驗證設計是否好操作、是否容易出錯、是否符合使用者行為預期。Code2World 以靈活的方式顯著提升了下游導航的成功率，在 AndroidWorld 導航方面，其性能比 Gemini-2.5-Flash 提升了 9.5%。

它透過產生可渲染的程式碼來模擬下一個視覺狀態。實驗表明，Code2World-8B 在下一界面 UI 預測方面表現卓越，足以媲美 GPT-5 和 Gemini-3-Pro-Image 等競爭對手。(Huggingface 模型及數據集出現 404)(圖為預測介面的結果)

Categories: 阿里巴巴, Agent, 模型, 編程, 開源

PaperBanana 賦每個創意工作流程

PaperBanana 是一個開源的自動化學術圖表生成框架，由 Google Research 開發。這個工具專為 AI 研究人員設計，能夠自動生成符合出版標準的方法論圖表、代理架構和統計圖 。

PaperBanana 還擁有強大的潤色功能。您可以輸入手繪草圖或示意圖，系統會將它們精修成專業的向量圖。Google 聲稱兩星期後會提供開源實作版本，亦有第三方的版本可在 GitHub 下載使用。

Categories: Google, Gemini, Agent, 開源

InteractAvatar 互動數字人

InteractAvatar 能從一張靜態參考圖生成「人與物體互動」的視頻，同時保持音畫同步（lip‑sync + co‑speech gestures）。同時能夠執行基於場景的人機互動 (GHOI)。與以往僅限於簡單手勢的方法不同，我們的模型可以從靜態參考圖像中感知環境，並產生複雜的、文本引導的與物體的交互，同時保持高保真度的唇部同步。

雙流 Diffusion Transformer（DiT）架構：一個分支做「感知與互動規劃」（Perception and Interaction Module, PIM），負責理解圖片裡的物體位置與關係，並生成對齊文字指令的動作序列。另一個分支做「音訊‑互動感知生成」（Audio‑Interaction Aware Generation Module, AIM），把動作與語音融合成高品質視頻。

Categories: 騰訊, 影像模型, 影像處理, 數字人, 視頻模型, 開源

LongVie 2 – 可控超長影片生成

可控的超長影片生成是一項基礎但具有挑戰性的任務，因為現有的方法雖然對短片段有效，但由於時間不一致和視覺品質下降等問題而難以擴展。

LongVie 2 的核心設計可確保時間一致性：
1）統一雜訊初始化策略，在各個片段之間保持一致的生成；
2）全域控制訊號歸一化，可在整個視訊的控制空間中強制對齊。為了減輕視覺品質下降，LongVie 2 採用密集（例如深度圖）和稀疏（例如關鍵點）控制訊號，並輔以一種退化感知訓練策略，可以自適應地平衡模態貢獻以保持視覺品質。

LongVie 2 : Multimodal Controllable Ultra-Long Video World Model
Categories: NVIDIA, 多模態模型, 影像模型, 模型, 視頻模型, 開源

DreamActor-M2 基於時空上下文動畫

DreamActor-M2 是一個通用的角色圖像動畫框架，它將運動條件化重新定義為時空上下文學習任務。我們的設計利用了視訊基礎模型固有的生成先驗訊息，同時實現了從原始視訊直接進行無姿態、端到端運動遷移的關鍵演進。這種範式消除了明確姿態估計的需求，使得
DreamActor-M2 能夠在各種複雜場景中實現卓越的泛化能力和高保真度的結果。

Categories: 字節跳動, 影像模型, 影像處理, 視頻模型, 開源

SkinTokens 實現自動化骨骼綁定

SkinTokens 技術旨在自動化 3D 製作中繁瑣的「綁定」流程，解決傳統手動設置骨架與蒙皮權重的難題。其核心創新是將連續的蒙皮數據「標記化」，轉換為類似語言模型的離散代碼並有效壓縮。基於此開發的 TokenRig 框架利用生成式自回歸模型，能像寫文章般精確預測各種人類、動物或奇幻生物的運動結構。這項技術不僅具備高度通用性與精確度，更能應對複雜幾何形狀，實現高品質的自動化蒙皮與骨架生成，大幅提升動畫製作效率。

如果你是一位 3D 開發者、遊戲開發者或動畫師，這項技術可以大幅縮短你製作 3D 模型動畫準備工作的時間，並能跨多種不同類型的角色提供穩定、高品質的自動綁定結果。

Categories: 3D, 開源

VLS : 透過視覺語言模型引導預先訓練機器人策略

VLS（Vision-Language Steering）的具體作用是透過視覺語言模型（VLM）即時導向預訓練機器人策略，解決測試時的分布偏移，讓機器人在新環境中保持高成功率，而無需重新訓練。

VLS 針對預訓練擴散策略在空間變化（如新位置）或任務變化（如新物件）下的失效，提供無梯度、無訓練的適應機制，利用 VLM 生成可微分獎勵函數，注入去噪過程。​
它將任務分解為順序階段（如「抓取」→「放置」），使用 3D 關鍵點獎勵，避免單一失敗導致整體崩潰。

場景無 VLS 成功率有 VLS 成功率提升幅度
任務擾動23%38%+15%
位置擾動24%35%+11%
真實廚房任務~50%85%+35%
Categories: 視覺模型, 開源, Robotic

ACE-Step v1.5 開源音樂基礎模型

ACE-Step v1.5 是一款高效的開源音樂基礎模型，可將商業級音樂生成功能帶到消費級硬體平台。在常用的評估指標上，ACE-Step v1.5 的音質超越了大多數商業音樂模型，同時速度極快——在 A100 上生成一首完整歌曲不到 2 秒，在 RTX 3090 上不到 10 秒。該模型可在本地運行，僅需不到 4GB 的顯存，並支援輕量級個人化：用戶只需幾首歌曲即可訓練 LoRa 來捕捉自己的音樂風格。實測結果：

(主歌1)
霓虹閃爍的訊號裡，我聽見你呼吸的頻率。數位心跳對齊節拍，在光的碎片裡相遇。
(Pre‑Chorus)
電流穿過沉默的夜，你的笑是程式裡的解。我追著節奏不回頭，感覺像永遠不會舊。
(副歌)
一起在AI夢裡跳，節拍讓我們燃燒。
電子浪潮衝破訊號，讓心越飄越高。
(橋段)
每一聲呼吸都在閃耀，每一行代碼都是心跳。你在那螢光雲端微笑，我在夢境裡呼喊你的名字。
(尾聲)
不論是現實或訊號，我們在節拍裡擁抱。夜的盡頭沒有停靠，只剩我們一起奔跑。
Categories: 開源, 音樂

OpenClaw （原名Clawdbot）

本週，網路上掀起了一股搶購 Mac mini 的熱潮，人們紛紛購買 Mac mini 來運行 Moltbot（原名Clawdbot）。 Moltbot 是一款開源的、可自行託管的AI代理，旨在充當個人助理。

Clawd 誕生於2025年11月－這是「Claude」加上「爪子」的巧妙雙關。一切都完美無缺，直到Anthropic的法務團隊禮貌地要求我們重新考慮。好吧，這很合理。

Moltbot 這個名字是接下來誕生的，它是在凌晨5點與社區成員在 Discord 上進行一場混亂的頭腦風暴後選定的。蛻皮象徵成長－龍蝦脫殼蛻皮，最終長成更大的生物。這個名字寓意深刻，但 念起來卻不太順口。

OpenClaw 就是我們的最終歸宿。這次，我們做了充分的準備：商標檢索結果清晰無誤，網域名稱已購買，遷移程式碼也已編寫完成。

短短48小時內，OpenClaw 在 GitHub 上就獲得了 12.3 萬顆星。彼得·斯坦伯格（Peter Steinberger）的周末計畫一度成為史上成長最快的開源人工智慧工具——直到安全研究人員檢查了其程式碼並發出警報。 OpenClaw 是一款開源的個人人工智慧助手，可在本地運行並連接到 WhatsApp、Slack、Discord和 iMessage 等應用程式。在2026年1月29日至31日期間，OpenClaw從默默無聞一躍成為擁有超過10萬顆星的開源人工智慧助理。開發者們欣喜若狂，終於可以擁有自己的人工智慧助手，而無需再從雲端服務供應商租用。然而，思科和 IBM 的安全專家卻稱之為 “一場噩夢”，並警告稱其存在API金鑰洩漏、提示注入攻擊和企業資料外洩的風險。

Categories: Agent, 開源
Page 1 of 66
1 2 3 … 66