AI框架
R2T2 – 网易有道开源的低延迟真流式语音识别模型
R2T2是网易有道开源的低延迟真流式语音识别模型，全称Real Real-Time Transcription，基于Qwen3-ASR构建。
SocialCoach – 港科大联合微软研究院开源的 AI 情商教练
SocialCoach 是香港科技大学（广州）与微软亚洲研究院联合开源的 AI 情商教练工具。SocialCoach能让用户在低风险模拟环境中与有脾气的 AI 角色完整演练难开口的对话，练完后基于原话逐句点评，将沟通质量与对话结果分开评分。
OpenMuse – CopilotKit 开源的个人 AI 助理
OpenMuse 是 CopilotKit 开源的个人 AI 助理。OpenMuse给 Agent 配了一台电脑，持久化浏览器、可选 Linux 容器和文件系统，任务可后台持续运行，随时可暂停、接管。
Gemini 3.8 Live – 谷歌推出的原生实时语音对话模型
Gemini 3.8 Live 是谷歌推出的实时语音对话模型系列，包括Gemini 3.8 Live 面向规模化部署，兼顾对话智能、视觉理解与成本效益；Gemini 3.8 Live Extended Thinking 强化多步推理，可边推理边语音播报进度。
ZDTaichu5.0-9B – 紫东太初开源的新一代通用多模态大模型
ZDTaichu5.0-9B是紫东太初开源的新一代通用多模态大模型，面向物理世界与具身智能场景。模型在九大国际空间基准中拿下8项同参数全球第一，MindCube-tiny得分78.27，大幅领先同级模型；同时图文、OCR、数学、代码等通用能力保持第一梯队。
Open-RAIL – 中国移动开源的具身智能通用工程底座
Open-RAIL 是中国移动向全球开源的具身智能通用工程底座，同时是行业内首个连接 VLA/WAM 模型与机器人本体的通用神经系统。
FireRedAudio – 小红书 FireRed 推出的通用音频语言模型
FireRedAudio 是小红书 FireRed 团队推出的通用音频语言模型，基于 9B 参数 Qwen3.5 自回归 LLM。模型理解与生成分别使用独立的连续表征通道（Audio Encoder 与 RedAE），再汇入共享 LLM 统一推理。
Hy-MT2-1.8B – 腾讯混元推出的端侧翻译大模型
Hy-MT2-1.8B 是腾讯混元推出的端侧翻译大模型，仅 1.8B 参数却支持 33 个语种互译，翻译质量在 FLORES-200 等基准上超越微软、豆包等商业 API。
Gemini 3.5 Transcribe – 谷歌推出的最新语音转文本模型
Gemini 3.5 Transcribe 是 Google 推出的最新语音转文本模型，支持实时流式和预录音频处理两种模式，前者通过 Live API 实现亚秒级延迟，后者支持说话人归属与词级时间戳。
QuickDesk – 开源 AI 原生远程桌面，首款内置 MCP Server
QuickDesk 是全球首款内置 MCP Server 的开源 AI 原生远程桌面，基于 Google Chromium Remoting 构建。工具让 Claude、Cursor 等 AI Agent 直接接管任意远程电脑，完成截图、点击、输入、OCR 识别、Shell 执行等自动化操作。
Breeze TTS 2 – BreezeBlue 推出的新一代语音合成模型
Breeze TTS 2 是 BreezeBlue 推出的新一代语音合成模型，支持通过自然语言零样本设计角色音色，用自然语言指令精准控制情绪、语速、口音等表演细节。
TabTin – 开源的全栈 AI Agent 团队协作平台
TabTin 是全栈开源的 AI Agent 团队协作平台。平台让 Agent 真正融入团队工作流，任务可在桌面端发起、手机查看、服务器 Agent 执行，并能带完整上下文交接给同事。
DeepSeek Harness Desktop – 开源的 DeepSeek Harness 桌面端
DeepSeek Harness Desktop 是基于 DeepSeek Harness 的社区开源桌面客户端，支持 Windows 和 macOS。工具将 Harness 的 Web UI、本地服务和插件系统封装为原生应用，开箱即用，无需安装 Node.js。
HiDream-O1-World – 智象未来推出的全模态交互式世界模型
HiDream-O1-World 是智象未来（HiDream.ai）推出的原生全模态交互式世界模型，基于自研 UiT 架构打造。
PixelRAG – 伯克利开源的视觉原生 RAG 框架
PixelRAG 是伯克利 SkyLab/BAIR 开源的视觉原生 RAG 框架。框架跳出网页抽成纯文本再检索的传统路线，改用浏览器把网页、PDF 渲染成截图瓦片，通过 LoRA 微调的 Qwen3-VL 视觉向量检索，让模型直接读图上的表格、图表和版式，解决传统 RAG 丢表格、丢版式的痛点。
Grok Bot – SpaceXAI 推出的 AI Agent 系统，多 Bot 并行协作
Grok Bot 是 SpaceXAI 推出的 AI Agent 系统，能登录用户的账号像真人一样操作网站和工具，24 小时在云端替用户完成实际工作。系统支持多 Bot 并行协作、录制工作流自动执行，甚至 Bot 可创建新 Bot 组建团队。
Qwen-CUA – 阿里 Qwen 等推出的原生 Computer Use Agent
Qwen-CUA 是 Qwen 团队与 XLang Lab 联合推出的原生 Computer Use Agent，基于 397B-A17B 混合专家架构，仅通过截图感知界面状态，无需依赖 DOM 树或辅助功能元数据，直接用键盘和鼠标事件操控浏览器、桌面应用及专业软件。
Hy ASR 3.0 preview – 腾讯混元推出的新一代语音识别模型
Hy ASR 3.0 preview是腾讯混元推出的新一代语音识别模型，基于 Hy3 大语言模型，融合高精度语音识别与深度语义理解。模型支持中文、英语、粤语及10大方言片区，具备上下文智能纠错、热词注入及高噪/耳语等复杂场景鲁棒性。
JoyAI-Video-Edit – 京东开源的实时流式视频编辑模型
JoyAI-Video-Edit是京东开源自研的实时流式视频编辑模型，基于16B参数自回归扩散架构，在720P分辨率下实现30FPS推理速度，支持任意时长稳定流式编辑。
SeedRealtime – 字节跳动推出的原生音视频全双工大模型
SeedRealtime是字节跳动Seed团队推出的原生音视频全双工大模型，基于统一架构原生融合音频、视频与文本，实现边看、边听、边说的全模态实时交互。
AI工具箱收录了国内外数百个不同类型的AI工具，每日更新和添加最新AI工具，AI工具集还推荐了AI学习开发的常用网站、框架和模型，帮助你加入人工智能浪潮，自动化高效完成任务！
Ctrl + D 或 ⌘ + D 收藏本站到浏览器书签栏。
粤公网安备 123456789号