AI从不睡觉，本周的情况简直疯狂。DeepSeek发布了他们最新的模型，这绝对是个庞然大物。我们还拥有一个功能强大的语音生成器和编辑器，它有点像Nano Banana，但是针对语音的。OpenAI使用了一万只智能体 swarm 解决了世界上最难且未解决的数学问题之一。Google DeepMind也利用AI基本上绘制出了人类基因组中每一种可能的突变图谱。我们有一个预测图像深度和表面法线的新最先进开源模型，所以发布了他们最新的模型，但我们还有一个新的顶级开源音乐生成器，其效果同样出色。这个AI可以动画化任何角色，包括那些具有非典型骨骼结构的角色。我们有很多用于3D场景重建的开源AI工具。

我们还拥有一个全新的实时交互式世界生成器，质量非常高。我们有很多新的开源机器人模型以及更多内容。所以，让我们直接开始吧。首先登场的是一个名为Merryold V2的AI。它基本上能够理解普通图像内部的3D深度和结构。你需要做的是给它一张普通的图片，它可以将其转换为多种内容，比如深度图、表面法线（即图像中表面的朝向）以及反照率（即原始颜色和其他不同的地图）。令人惊叹的是，这种新方法达到了像素级精度。因此它具有超高分辨率，与其他方法相比要好得多。例如，如果你将其与之前的模型Moji 3进行比较，你会发现Marold更加详细和准确。

这里是另一个模型Infinidepth与它的对比，你可以看到Marold更加详细且分辨率更高。接着这里展示了其法线估计能力的比较。你会发现这种新的Marold方法更加锐利和忠实还原。这里还有一个令人震惊的对比。如果你查看与其他类似模型的性能基准测试，你会发现平均而言，Merryold V2得分最高。令人兴奋的是他们已经发布了这个模型。所以在页面顶部，如果你点击代码按钮并稍微向下滚动，这里包含了所有关于如何在本地计算机上下载和运行此模型的说明。需要注意的是，这种分辨率下的推理大约需要17GB的显存，而另一种高分辨率则需要约29GB。

如果你对进一步阅读感兴趣，我会在下方的描述中链接到主页。此外，本周我们有一个可爱的小AI叫做Unimate。它基本上可以使用单个AI模型动画化完全不同的3D骨骼类型。这里有一个例子，你可以让它动画化许多不同的非人类角色，比如花朵、加菲猫、卫星或这种龙一样的生物，并且它能很好地处理所有这些动画。你会发现，许多骨骼动画模型仅专门针对人类角色优化，但当给它们提供不寻常的东西如鸟、蛇或其他完全不同的物体时，它们通常会遇到困难。

但在这里，Unimate能够动画化几乎任何东西。你只需要给它一个绑定好的3D模型加上文本指令，比如“狗向前走”或“蛇向前滑行”，它就可以自动生成动作而无需进一步重新训练。因此，这是动画化非典型角色或物体的最佳AI模型之一。现在，在页面顶部他们已经发布了代码。所以如果你点击这个链接并稍微向下滚动，这里包含了所有关于如何在本地设置此模型的说明。他们还发布了训练代码，所以它是完全开源的，这太棒了。

如果你对进一步阅读感兴趣，我会在下方的描述中链接到主页。此外，本周Google DeepMind刚刚发布了Alpha Genome Atlas，这基本上是一个由AI生成的人类DNA巨大地图。目前我们只理解了其中的2%，这部分主要编码蛋白质，但其余98%则更加神秘。因此Google使用Alpha Genome基本上预测了人类基因组中每一个可能的单字母突变的影响。现在大约有90亿种可能的单核苷酸变异，在实验中测试所有这些几乎是不可能的。

因此DeepMind没有尝试在实际实验室中进行这项实验，而是使用Alpha Genome这一AI来预测每一个突变的影响。结果是一个1PB的数据集，包含超过90亿种遗传变异的预测，使其比Alphafold数据库大了30多倍。因此如果你需要查找突变的影响，科学家现在不必每次都从头运行AI，只需在Alpha Genome Atlas中查询该突变即可获取关于它如何影响基因调控或蛋白质生产等方面的预测。他们还创建了一个名为AVI分数的东西，这基本上是一个影响分数，帮助研究人员快速识别哪些突变值得进一步调查。

它已经显示了一些实际成果。因此研究人员使用它在英国生物银行数据中发现了22%更多的遗传关联，并且它还帮助支持了解决一个以前未解决的罕见疾病。基本上，这将大量之前很难解释或预测的遗传信息变成了一个研究人员可以实际搜索的巨大数据库。令人兴奋的是他们已经将此图谱发布给所有人访问。所以只需点击底部的“探索Alpha Genome Atlas”，之后你就可以在这个数据库中搜索超过90亿种突变。

如果你对进一步阅读感兴趣，我会在下方的描述中链接到主页。此外，本周我们有一个新的实时交互式世界模型叫做Lingbot World 2。这基本上持续生成一个交互式的虚拟世界，你可以使用按键来控制它并四处走动。这里有一些实际运行的例子。你会发现它的质量比之前的开源世界模型要好得多。在这里，一切都看起来更加详细、连贯且分辨率更高。现在，除了通过按键控制移动外，你还可以输入提示词来添加任何你想象的事件或效果。

团队表示这可以连续生成超过一小时的交互式世界。实时系统可以达到720p分辨率和每秒60帧，这真的令人印象深刻。他们还添加了一个智能体机制，这意味着你现在可以在环境中拥有NPC（非玩家角色）。换句话说，你可以添加不同的角色，它们也会四处移动，并且他们能……

它们以不同的方式表现和响应。在底层，他们实际上只是使用了较为古老的 Alibaba 1.2 作为视频生成器，但在这里，他们是分块生成世界的，因此可以实时流式传输。它还缓存之前的信息，从而在一定程度上保留场景的记忆。现在，在顶部点击这个代码按钮并向下滚动一点：

它包含如何在本地计算机上下载和运行此程序的所有说明。请注意，有两个不同的变体：一个是质量更高但较大的 14b 变体；另一个是速度快得多的较小 13 亿参数变体。如果您有兴趣尝试，我将在下方的描述中链接到主页。

本周我们还发布了一个名为 Isaac 0.5 的开源机器人模型。这是一个专为赋予机器人更通用理解能力而设计的机器人基础模型，使其能更好地理解所见内容以及下一步该做什么。您可以向其输入图像、视频、语言指令、机器人的当前状态，甚至其之前的动作。

该模型基本上可以接收所有这些输入并预测下一个动作或回答问题。例如，它可以定位物体、预测世界接下来的样子或直接生成机器人运动指令。这是一个拥有 360 亿参数的稀疏模型，因此相当小巧。该模型是在超过 35 个机器人系统的数据上训练而成的，这意味着它可以应用或迁移到不同类型的机器人。

此外，他们还使用了 10 万小时的机器人经验和约一百万小时的一般视频数据进行训练。一个有趣的特性是，Isaac 并非单独学习机器人控制；相反，视频理解、空间推理、预测未来状态和物理动作都在同一个主干网络中一起训练。

因此，来自所有这些输入的知识有可能帮助机器人做出更好的决策并理解物理世界。令人惊叹的是，他们实际上已经开源了该模型。因此，如果您点击顶部的按钮并向下滚动一点，它将包含下载和运行此程序的所有说明。

如果您有兴趣进一步阅读，我将在下方的描述中链接到主页。此外，本周我们还发布了一个名为 World Sculpt 的新 AI，它可以将场景转换为可进一步编辑的独立 3D 对象。其工作原理是：您可以输入场景的多张图像甚至视频，它会将这些内容转换为包含独立对象的完整 3D 场景。

然后您可以进一步编辑每个对象，例如调整大小或移动它们位置。这是一个重要的区别，因为大多数 3D 重建系统只能创建看起来像原始场景的东西，但所有内容都融合在一起。而在这里，World Sculpt 能够分别重建每个对象，并将它们正确地定位在一个共享的 3D 世界中。

这意味着您可以移动每个物体、调整大小或进一步编辑它们。酷的是，这甚至可以将高斯泼溅（Gaussian Splat）世界转换为实际的 3D 网格场景。这里有一个示例：

好消息是他们已经发布了这个工具。因此，在页面顶部点击代码按钮并向下滚动一点，它将包含下载和运行此程序的所有说明。如果您有兴趣进一步阅读，我将在下方的描述中链接到主页。

此外，本周我们还发布了一个名为 Fire 3D 的新 AI。它可以接受一系列普通照片或视频，并将其转换为可进一步编辑的完整 3D 场景。您只需输入一张或多张图片以及视频，它基本上就可以重建带有独立对象的 3D 场景。

整个场景已准备好进行模拟，您可以进一步编辑每个对象。基本上，每个物体都成为带有材质信息的完整网格。因此，您可以移动它们或将每一个添加到机器人模拟中。

这个工具速度极快。它可以在不到一分钟的时间内重建一个准备就绪的模拟场景，并且仅在一块 GPU 上并行处理多达 16 个对象。现在，他们在顶部已经发布了此代码。因此，如果您点击链接并向下滚动一点，它将包含在本地计算机上下载和运行此程序的所有说明。

此外，他们还发布了训练代码，这太棒了。如果您有兴趣进一步阅读，我将在下方的描述中链接到主页。

此外，本周腾讯发布了一个非常强大的音频模型 Out。您可以将其视为语音版的 Nano Banana。首先，它可以进行常规的文本转语音。您可以精确描述所需的语气和对话内容。例如，这是提示词以及结果：

“他总是说他回来了。直到现在他才信守诺言。”正如您所听见的，这个声音听起来相当悲伤且充满悲痛。它还可以进行零样本语音克隆（Zero-shot voice cloning）。因此，您只需上传几秒钟某人的声音，然后将其输入该 AI，即可让那个声音说出完全不同的内容。

这里有一个示例：首先播放输入的参考语音，然后播放输出结果：“我幸存了下来，从宇宙黑暗的心脏中。所以对我来说，你似乎有点过时了。如果不是这样，即使是光也能逃脱事件视界。你怎么认为你能逃过我一劫？”

但这不仅能做到这些。您可以通过添加或删除单词来微调现有语音。例如，让我先播放原始片段：“我能说什么呢？Mamba 出去了。”好的，这就是他刚说完“Mamba 出去了”的原始片段。

现在我们可以在这里添加单词“never”。听起来是这样的：“我能说什么呢？Mamba 永远不会出去。”正如您所听见的，它可以将一个单词无缝添加到音频中。或者这里是另一个示例：我们可以完全删除这句话。结果如下：“哟，感谢大家所有的牺牲。凡妮莎，你以你的方式支撑着家庭。”

正如您所听见的，它可以无缝地移除这句话。或者这里是另一个示例：假设我们要添加这个短语。让我先播放没有此添加的原始片段：“装备好回答这个问题。当我二十多岁时，变化将是常态。这真是个好问题。”

然后这是添加了该短语的编辑版本：“当我二十多岁时，变化将是常态。最重要的教训是接受变化。这真是个好问题。”正如您所听见的，这是非常无缝的。而且它还能做更多事情：您甚至可以插入一个非常嘈杂和混乱的片段并获取

它可以去除噪音或增强语音，这是输入和输出。>> 她全年都穿着你的鸭子套装和油腻的洗涤水。 >> 这还可以提高音频片段的分辨率和质量，所以我会再次播放输入和输出给你听。

你可以做的另一件疯狂的事情是改变现有片段的语气，例如将这个片段变成悲伤的语调。我会先播放原始版本然后播放输出给你听。>> 每天我们都被邀请参加社交活动，这让我们感到非常愉快。 >> 或者如果不悲伤的话，我们可以把它改成愤怒的语气听听看效果如何。>> 每天我们都被邀请参加社交活动，这让我们感到非常愉快。 >>

更疯狂的是你甚至可以将音色改成别的样貌，例如原始音频是一个男声，我们可以将其变成一个声音清晰明亮的女性。让我播放一下原版然后播放输出给你听。“Lo 因在弗兰德街车站骚扰其子女而被定罪，并被罚款700美元。” >> Lo 因在弗兰德街车站骚扰其子女而被定罪，并被罚款700美元。 >>

或者你也可以将现有的音频片段变成耳语声。“东海岸是一个充满纯粹乐趣和刺激的地方。东海岸是一个充满纯粹乐趣和刺激的地方。” 还有大量其他功能你可以使用，比如去除笑声或添加笑声、增加呼吸声等。这是一个极其灵活的语音编辑工具，最棒的是他们已经发布了这个产品。

如果你点击这个 GitHub 仓库并向下滚动一点，里面包含了所有关于如何在本地计算机上运行此工具的说明。而且这个模型实际上出奇地小，只有大约 6.12 GB 的大小，所以它应该能适配大多数消费级显卡。这是我见过的最灵活且功能强大的语音编辑工具之一，如果你有兴趣进一步了解，我会在下面的描述中链接到主页。

如果你是做任何类型的内容创作的话，一定要看看本视频赞助商 Higsfield。把它想象成就在你指尖上的整个 AI 创意团队，事实上你可以将最好的 AI 模型 GPT6 Astra 连接到 Higsfield，直接在 ChatGpt 中赋予它创建图像、视频和其他内容的能力。Astra 负责规划并编写提示词，而 Higsfield 生成视觉效果，你可以在整个对话中运行完整的工作流。

Higsfield 还拥有一款新的 AI 动作设计师，它将 Astra 直接连接到 After Effects。因此你可以描述一个动画并让它构建一个包含图层、形状和控制运动的表达式的实际可编辑项目。之后你可以打开该项目在 After Effects 中自行调整时间、颜色和各个元素，或者只需提示代理为你编辑。你也可以给它一个动画参考以进行重现。

自动化跨数百个形状重复的工作，或者通过合成应用你品牌的字体和颜色。如果有一个你经常使用的特效，你可以要求 Astra 将该工作流转化为可重用的插件。无论你是想制作产品广告、电影级视频还是自定义动态图形，Higsfield 都为 GPT6 Astra 提供了创意工具来将你的想法转化为实际完成的内容。使用描述中的链接今天就试试吧。

本周，DeepSeek 发布了他们最新的模型 Deepseek 4.1 Flash。虽然这只是一个 .1 的升级，但它实际上与之前的 V4 完全不同。首先这里有一些基准测试供你参考：尽管这是一个 Flash 模型，但它甚至在 Deep Suite 1.1 上获得了 74.2 分，这实际上使其成为该排行榜上的第一名模型，甚至击败了 GPT6 Astra，这是非常疯狂的。

现在 Deep Suite 团队尚未将其正式添加到排行榜中，所以让我们看看它将排在什么位置。无论如何，在 CyberJ 和 Automation Bench 方面这也是最先进的。事实上如果你看 Automation Bench，这个 Flash 模型甚至击败了 GPT6 Astra Max。这里有一些规格供你参考：这是一个拥有 5,520 亿参数的混合专家模型。

把它想象成一起帮助你解决问题的专家团队，所以当你使用它时只有大约 80 到 160 亿参数处于激活状态，这使得它超级高效。你知道关于这个最奇怪的事情是他们对这个新版本 4.1 使用了完全不同的架构，有太多我们从未见过的新事物，例如单独的编码器和解码器组件。

供你参考大多数现代语言模型只有解码器组件，他们还添加了这种新的 engram 功能以及滑动窗口注意力机制和全新的 CSA 2 注意力。无论如何这相当复杂和技术化，但我将在下周尝试制作一个完整的解释视频来讲解这一点。基本上这与其它主流前沿模型有着显著不同的设计。

如果你查看 Abacus AI 的 LiveBench，那么你可以看到这个新的 Deepseek 确实是排名第一的开源模型仅略低于 GPT6 Astra 和 Claude Fable。如果你查看这个 Val's index（衡量 AI 模型在各种知识工作任务中的表现），那么正如你所见，这个新的 DeepS 确实是排名第一的开源模型仅略高于 Kimik 3 和 GLM 5.3。

但请注意这并没有实质性的差异，所以他们某种程度上并列第一。如果你查看 Artificial Analysis 的话根据他们最新的智能指数这个新的 Deepseek 仍然落后于 Kimik 3 和 GLM 5.3。然而至少如果你通过他们的 API 使用它那么这个东西以每秒 217 个输出令牌的速度运行，这比 GLM 快了三倍多并且像 Kim K3 快了七倍。

这个成本也是荒谬的，比其它领先的开源模型便宜得多当然甚至比像 GPT6 和 Fable 这样的封闭模型还要便宜。现在与前几代 DeepSeek 模型一样他们已经开源了这个产品，所以如果你点击进入这个文件夹请注意它的大小约为 510 GB。因此这仍然是一个庞大的模型，但由于它是开源的社区已经发布了一些定制或量化的版本。

例如这个用户发布了 GGUFS 最小的 Q1 只有 106 GB 的大小。现在如果你没有硬件在本地运行它当然你也可以通过他们的 API 使用它，这简直令人难以置信。

便宜，绝对是目前最具成本效益的前沿模型。如果你有兴趣进一步了解，我会在下方的描述中链接到主页面。此外，本周OpenAI刚刚解决了世界上最难的数学问题之一，即纳维-斯托克斯方程。这实际上是一件大事，让我们用简单的术语来回顾一下。首先，纳维-斯托克斯方程基本上描述了水、液体和气体的运动方式。比如杯子里旋转的水或空气在房间里的流动。这个方程相当不错，能够描述日常生活中液体和气体的运动方式。但这里有一个著名的未解之谜：是否存在某些情况下，给定适当的条件，该方程会失效？这是千禧年大奖难题之一，代表了数学中最深奥、最难的未解问题。事实上，这个问题已经困扰了数学家大约90年。

但本周OpenAI使用其内部模型解决了这个问题，该模型声称比GPT-6 Astra强大得多。以下是解决方案：事实证明，在具有某些特定条件的漩涡中，它会产生这种涡旋，并不断拉伸至无限。换句话说，其速度会在有限时间内无限制增长。数学家称之为奇点或爆炸现象，即它不断加速。这证明了在特定条件下纳维-斯托克斯方程确实可能不成立。令人震惊的是，OpenAI实际上动用了10,000个并发代理工作了88小时。这再次证明，这个内部模型的性能远优于GPT-6 Astra。你可以看到新内部模型在解决开放数学问题方面表现显著更好，这是一项重大突破，因为这个问题在过去90年里从未被人类解决过。

仅用88小时，这些AI代理就解决了它。这意味着在我们的有生之年将迎来重大的技术加速。这是一个真正的突破，你可以期待在不久的将来会有更多此类成果出现。不过，这一发现有一些需要注意的方面：首先，解决这个问题实际上有不同的难度等级。最容易解决的是欧拉方程（Euler），它基本上从方程中移除了粘度。粘度就像液体的厚度，蜂蜜比水更粘稠。如果移除粘度，方程就更容易解决。另一个需要理解的术语是“外力”。这意味着你对情况施加外部力量来引导一切，例如搅拌水。这也有助于实现打破纳维-斯托克斯方程的理想条件。

事实证明，这些数学家中有一位来自Anthropic的学者也巧合地在同一时间解决了至少最简单的受迫欧拉问题。然而，OpenAI的解决方案截然不同：他们解决的是受迫非欧拉方程（forced non-Euler problem）。换句话说，他们的提议方案在方程中包含了粘度，这使得问题更加困难。然而需要注意的是，我们仍未找到不受力纳维-斯托克斯方程的解。也就是说：是否存在没有任何外力的条件？比如没有勺子搅拌水，没有人引导液体形成漩涡。在水或气体是否能在任何条件下自然达到奇点？至今无人解决。因此，虽然有一些值得注意的保留意见，但这仍然是一件大事：AI解决了人类90年来未能解决的难题之一。这是数学史上最难的数学问题，因此是真正的突破。

无论如何，如果你有兴趣进一步了解，我会在下方的描述中链接到主页面。此外，本周我们有一个非常有趣的项目叫Show Harness（展示工具包）。它提出了一个非常简单的问题：我们可以仅使用视觉模型来控制机器人吗？也就是说，能够理解和分析图像的AI模型。如果将它们应用于机器人会怎样？他们在这里的做法是：取一个现有的视觉语言模型，并给它提供一系列动作指令列表，如向左移动、旋转、向前移动或操作某物。视觉语言模型必须观察场景，推理它应该做什么并选择其中一个动作。

再次强调，这只是一个视觉模型，而不是控制机器人的语言-动作模型（Language Action Model）。因此还需要通过一个特定于机器人的动作解释器，将这些指令转换为控制机器人的实际运动。但事实证明这确实有效：如果你给视觉模型提供有意义的动作名称列表，它实际上能够输出控制机器人的动作指令，成功率甚至可达100%。因此他们接下来创建了一个工具包（Harness），你可以将任何视觉语言模型接入其中，包括Gemini、GPT以及开源选项如Quinn或GLM等，然后仅用它来控制机器人。为此他们发布了GitHub仓库（见下方链接）。向下滚动可以看到所有设置说明。当然，你需要有一台真实的机器人才能使此工作生效。

此外本周我们有一个非常巧妙的框架叫Edge Zero（边缘零）。这是一种在内存或RAM不足的设备上运行大型语言模型的巧妙方法。它专为混合专家（Mixture of Experts）模型设计，基于目前最好的中型模型之一：Quen 3.5（35B参数）。混合专家模型可以想象为一个AI专家团队协助你解决问题。使用时，它只路由到相关的特定专家。例如如果你问数学问题只有数学家会被激活。事实上，使用时总共350亿参数中仅有约30亿个处于活跃状态，使其非常高效。

通常你仍然需要足够的内存来容纳整个350亿参数的模型，但Edge Zero的做法是：不将整个模型加载到内存中而是仅流式传输当前问题实际需要的专家部分。这意味着使用Edge Zero框架时，内存消耗更多取决于模型的活跃部分而非完整参数总量。他们还把Quen模型压缩到了int格式（量化处理）。

这种压缩方式虽然更紧凑、体积更小，但可能会造成一定的质量损失。不过，他们引入了“恢复型 LoRA”，这实际上有助于挽回大部分的质量损失。从这个框架来看，最惊人的是：你现在可以使用仅 2.9 GB 的内存来运行 Qwen 35B。或者，你也可以使用较小的 8B 变体版本，它仅需 1 GB 的内存即可运行。这是基于 Inclusion AI 的 Ling 3.0 Tiny 模型实现的。这是一种非常巧妙的运行混合专家（MoE）模型的方法，无需将所有参数一次性加载到内存中。在底部，包含了如何在你的 Mac 设备上下载和运行此模型的所有说明。如果你有兴趣进一步了解，我会在下方的描述中链接到主页。

本周我们还发布了一个新颖且相当有趣的基准测试，名为 Real Suite（真实软件套件）。你看，大多数其他主要的软件工程基准测试，如 Swebench 或 Deep Suite，都已经迅速达到饱和。而这个名为 Real Suite 的新基准测试采用了截然不同的设计理念。它旨在测试 AI 是否能够处理实际的软件工程工作，甚至连 GPT-4o（原文误作 Fable/GPT6）和 Gemini 3.8 Flash 的得分都低于 40%。其工作原理是向智能体提供私有公司代码，并要求它们进行对业务有实际意义的更改。例如修复发票税务问题或迁移客户账户。

棘手的部分在于理解特定公司软件的工作原理，包括分散在不同系统中的规则。常见的失败原因仅仅是遗漏了需求。换句话说，编写代码只是工作的一部分，智能体还必须弄清楚更改需要完成的所有目标，然后将其正确地连接到现有产品中。这是当前的排行榜：GPT-4o（原文误作 Fable 5.1）排名第一，得分仅为 38.8%；GPT-4o（原文误作 GPT6 Astra）得分为 33.8%；Gemini 1.5 Flash（原文误作 Gemini 3.8 Flash）排名第三。而最好的开源模型 GLM-5（原文误作 GLM 5.3）排名第四。

实际上，需要注意的是，这些分数之间并没有显著差异。因此，这四款模型在统计学上可以说是并列第一。总之，这是一个相当有趣的新基准测试。如果你有兴趣进一步了解，我会在下方的描述中链接到主页。此外，本周 Suno 推出了他们最新、最好的音乐模型 Suno V6。该设计旨在让你对从头创建歌曲以及随后的微调拥有更多控制权。当然，你可以直接使用文本提示或音频参考将其转化为新音乐，但真正有用的部分在于进行特定的编辑。

你可以精确地提示你希望如何编辑歌曲。例如，在不影响其余部分的情况下更改单个歌词，或将一首歌的人声与另一首歌的乐器结合，或者提取一段吉他独奏并据此构建节拍。事实上，这是他们的演示视频：你将会听到“你下来吧”。目前他们实际上发布了三个不同版本。V6 版本适用于付费计划，旨在提供可靠且精确的结果。还有一个 V6 Wild（狂野）版也面向付费用户，这一版本的可预测性较低且变化更多样。

你会使用 V6 Wild 版来激发一些更具意外性的创意。此外，还有一个 V6 Mini（迷你）版本，所有人都可以使用，包括免费计划用户。这个版本速度更快，但质量较低且不如 V6 精确。这就是 Suno V6。当然，Suno 是闭源且付费的。此外，他们最近对用户增加了大量限制，例如下载限额。因此，这里介绍另一个本周发布的非常棒的开源音乐生成器，名为 UA2（Universal Audio 2）。

有趣的是，在生成最终音频之前，它实际上会先制定一个音乐计划。因此，它不是直接从文本提示生成最终音频，而是首先创建更接近真实乐谱的内容，包含旋律、节奏、和弦和结构。如果你愿意，还可以进一步编辑这个乐谱。然后模型会将此转化为包含人声和伴奏的完整歌曲。这意味着你可以在结构化的音乐层面上改变旋律、歌词、速度或编曲，而不是仅仅试图通过更多的提示词来碰运气。以下是一些示例供你参考：

“嘿，约翰，你能听到吗？那穿过门的脚步声。旧鞋踩在新地板上。我的双脚渴望更多。嘿，约翰，你能听到吗？布吉伍吉节奏让我兴奋。我们很快去跳舞吧。”“哦，是的。”

“诸圣夜。两个世界交融。战胜光明。不给糖就捣蛋，烛光摇曳。不同的路径却殊途同归。”“我们怀念先辈。敲开每一扇邻居的门。过去的低语仍在呼唤。生与死在一切中起舞。”“城市与恩典，欢笑与泪水，在这多年里守护迷失者。铭记死亡以更好地生活。用故事填满你的日子。”

“糖果和葡萄，甜美而真实。”“那就是魔鬼想让我们做的。”现在，令人惊叹的是这个模型也能制作翻唱。例如，我们可以输入《铃儿响叮当》，让它以小调重新渲染这首歌：“奔驰在雪中，驾着单马敞篷雪橇。穿越田野我们前行，一路欢笑。铃铛在 bobtails 上叮当作响，让精神振奋。”“今晚骑车唱歌多么有趣。铃儿响叮当，铃儿响叮当，一路响叮当。”

这里说 UA2 不仅是目前最好的开源模型，击败了 MusicGen Mini（原文误作 Miniax）和 AudioCraft 1.5（原文误作 AEP），而且根据这些基准测试，他们声称其歌曲质量甚至比 Suno V6 还要好，这相当疯狂。在页面顶部，他们已经发布了所有内容。因此，如果你点击这个 GitHub 链接并向下滚动一点，里面包含了如何在本地计算机上下载和运行此模型的所有说明。

请注意它非常小巧，模型大小仅为 7.3 GB，因此你应该能够在大多数消费级 GPU 上运行它。我将对此进行完整的安装教程和评测，敬请期待。目前，如果你有兴趣进一步了解，我会在下方的描述中链接到主页。此外，本周 OpenAI 推出了面向金融服务的 ChatGPT。这基本上是将 GPT-4o（原文误作 GPT6 Astra）与金融数据集和工具相结合，用于生成实际的银行研究报告。

你可以使用它来调查公司、构建财务模型，并将结果转化为电子表格、文档或演示文稿。它使用来自 Pitchbook、Crunchbase（原文误作 Crunchb）等真实提供商的数据。你可以将数据追溯回特定的表格或段落，以便分析师可以检查数字的来源。公司还可以提供自己的模板，使输出符合其通常的格式。因此，如果你从事金融行业，这个新功能可能会帮助你自动化大量工作。

现在它并非对所有人开放。你需要联系销售部门以获取访问权限。

页面底部有申请入口，感兴趣的话可点击描述中的链接查看详情。本周我们还介绍了一个名为 UMR 的新系统，即统一运动重定向（Unified Motion Retargeting）。该系统能将人类动作转化为仿人机器人可学习的姿态。虽然听起来简单，但人与机器人在身体比例、关节结构和运动极限上差异巨大，直接复制人类动作往往行不通。UMR 的核心在于将双方身体表面表示为三维点集，并学习对应关系，从而在尊重机器人约束的前提下匹配人体姿态。这有助于保持与物体及环境的接触，例如拾取球体或坐在椅子上时。它甚至能完成旋踢、爬楼梯或打网球等高难度动作，无需手动重新设计即可复用人类运动数据。

在页面顶部已公开相关代码及本地部署指南，详情链接见描述。此外，Unirit 本周发布了一款强大的开源机器人模型 Unio LMWLA，仅含 60 亿参数。该模型能结合视觉输入、指令及自身状态生成正确动作，覆盖包括 54 项桌面任务和 10 项全身协调任务在内的 64 种场景，并支持双指夹爪及五指机械手。其核心思路是让机器人预测交互场景中哪些部分会发生变化，如折叠毛巾时预判相关动作变化。这一预测连接至动作生成模块以输出下一步指令，实现了从洗衣机装载衣物到倒垃圾等全身协调操作。

该模型能轻松完成洗衣、拾瓶扔垃圾及厨房移动等操作，展现了 60 亿参数下的强大能力。更棒的是团队公开了训练数据集和模型，用户可从页面下载不足 9GB 的 Uni full LM 模型，便于在机器人本地离线运行。若需更小参数量的边缘设备模型，OpenBM 最新发布的 mini CPM-52B（实为 20 亿参数密集模型）是极佳选择。在代码、数学推理及指令遵循等基准测试中，其表现优于 Qwen-3.54B 等同规模模型。

伴随模型发布，团队还公开了高质量训练数据集供用户微调小模型。在 Hugging Face 页面显示，该 20 亿参数模型仅占 5GB 空间，可适配大多数消费级设备。以上就是本周 AI 领域的亮点总结。欢迎在评论区分享你的看法，哪条新闻最让你印象深刻？哪个工具你最想尝试？我会继续挖掘优质 AI 资讯与工具。如果你喜欢本视频，请点赞、分享并订阅以获取更多内容。鉴于每周 AI 动态繁多，单靠频道难以面面俱到，建议订阅我的免费周报以紧跟前沿。链接见描述，感谢观看，下期再见。