

> 导语：本期AI速览将带您深入科技巨头们的“芯”事：从Meta与OpenAI之间愈演愈烈的“抢人大战”，到苹果因人才流失而动摇的AI根基，巨头间的竞争已进入白热化阶段。与此同时，AI技术正以前所未有的速度渗透至各行各业，无论是能说会道的方言语音合成，还是颠覆传统乐谱制作的“听歌识谱”神器，创新应用层出不穷。然而，AI在版权领域的法律争议依旧悬而未决，为这场技术革命蒙上了一层复杂的阴影。


*封面图提示词：一个充满未来感的数字大脑，发光的神经网络中流动着数据流，象征着全球在人工智能领域的竞赛与创新，电影般的灯光，超现实主义风格。*

## 科技巨头人才争夺白热化：OpenAI紧急加薪反击Meta“强盗式”挖角
面对Meta高价挖角，OpenAI内部紧急动员，其首席研究官公开表示将与Meta正面竞争。为稳定军心，OpenAI不仅重构了薪酬体系，还承诺以创新的方式奖励顶尖人才，并强调了公平竞争的底线。另一边，扎克伯格亲自挂帅，组建“招聘小组”，精准锁定OpenAI等公司的核心人才，意图打造一支无人能及的超级智能团队。尽管Meta方面声称天价挖角费有所夸大，但两大巨头间的人才争夺战已然全面爆发。

![image.png](https://static.downly.cn/images/0f2cd6bcd98a5ee5f9bcb0f29b98da04.png)

## 苹果AI帝国现裂痕：核心人才流失，Siri或将“外包”求生
苹果在人工智能领域的领导地位正遭遇严峻挑战。近期，公司一位关键的AI研究员宣布离职，而负责苹果自研MLX框架的核心团队也几乎全员流失，这无疑引发了内部的信任危机。据传，公司内部对自家AI模型的质量也信心不足，可能将被迫寻求外部帮助，将Siri等核心功能的开发“外包”给Anthropic或OpenAI等竞争对手，以应对团队士气低落和战略方向模糊的困境。

![image.png](https://static.downly.cn/images/cd713104ad1998b1071983ce46e4f1d1.png)

## 法律科技巨头联手：Clio斥资10亿美金收购vLex，押注AI法律数据
法律科技领域的独角兽公司Clio近日宣布了一项重大举措，斥资10亿美元收购法律数据巨头vLex。Clio估值高达30亿美元，此次收购表明其正大力押注由人工智能驱动的法律数据服务。此举旨在增强其现有法律服务平台的功能，通过整合vLex庞大的法律数据库和AI分析能力，满足市场日益增长的需求，并进一步巩固其在行业中的领导地位。

![image.png](https://static.downly.cn/images/d720e1ea534d74c8f0e3a1b9d48e4505.png)

## AI版权战警钟长鸣：一字不差复述原作，Meta与Anthropic侥幸过关？
近期，AI版权纠纷再次成为焦点。尽管Meta和Anthropic在近期的官司中暂时获胜，但法官的判决也明确指出了AI模型训练数据的“原罪”问题。AI输出内容可能直接构成对原作的抄袭，这一潜在的巨大风险并未消除。这意味着，AI公司在法律层面仅仅是暂时“过关”，未来仍需面对更为棘手和昂贵的版权挑战，这可能成为其商业模式中不可忽视的成本。

![image.png](https://static.downly.cn/images/13be7a91699688633c74cc6e02569ebf.png)

## 乡音可闻：通义千问Qwen-TTS上新，支持京沪川三大方言
阿里巴巴旗下的通义千问团队发布了其语音合成模型Qwen-TTS的最新版本。此次更新的最大亮点是新增了对北京话、上海话和四川话三种中文方言的支持。该模型基于海量语料库进行训练，能够根据输入文本自动调整语调、节奏和情绪，生成媲美真人的自然流畅语音。新版本同时提供了中英双语的音色选项，方便开发者通过API将其集成到各类应用中。[体验地址](https://qwenlm.github.io/zh/blog/qwen-tts/)

![image.png](https://static.downly.cn/images/a90e08c502931a2ea997baad8f01aed7.png)

## 音乐人福音：AI版“听歌识谱”Songscription问世，录音秒变乐谱
一款名为Songscription的创新产品正式上线，它被誉为“乐谱界的Shazam”。这款工具利用AI技术，旨在将音乐人从繁琐的手动抄谱工作中解放出来。用户只需将录制好的歌曲上传，系统便能自动分析并生成相应的乐谱，极大地提高了音乐创作和学习的效率。

![image.png](https://static.downly.cn/images/c53c2d54a47c2b6148984dd668507137.png)

## AI走进课堂：谷歌发布Gemini教育套件，重塑师生交互模式
谷歌正积极地将AI技术引入教育领域。公司最新推出了面向教育者和学生的一系列Gemini新工具。其中，名为Notebook LM的AI研究工具将允许教师结合自己的课堂材料，创建个性化的交互式学习指南。此外，谷歌还为学生设计了专用的聊天机器人，旨在通过AI拥抱课堂，为传统的教学和学习方式带来革命性的变化。

![image.png](https://static.downly.cn/images/1377961ecb5861c07651bfdb6e1724d2.png)

## 对标GPT-4o：国产开源模型OmniGen 2实现图文融合生成新高度
北京人工智能研究院（BAAI）近日推出了一款名为OmniGen 2的全新开源系统。该系统采用了独特的文本与图像分离解码路径，基于Qwen2.5-VL-3B模型构建，其能力类似于GPT-4o，能够融合处理图像和文本生成任务。OmniGen 2不仅支持文生图、图像编辑和上下文连贯的图像创作，还能驾驭多种艺术风格并进行自我反思改进。尽管在照片级清晰度和中文提示理解上仍有提升空间，但其在基准测试中的表现已超越了许多同类开源模型。

![image.png](https://static.downly.cn/images/93bab25d807b769abc1b71e92aa4ec8d.png)

## 知乎“直答”再升级：融合社区生态，打造沉浸式AI问答新体验
中文问答社区知乎对其AI搜索工具“知乎直答”进行了重要功能升级。新版“直答”的知识库功能与知乎社区内容实现了前所未有的深度融合，新增了内容订阅分享、沉-浸式阅读以及“边看边问”等互动功能。此举旨在充分利用知乎庞大的专家网络和高质量的专业内容，为用户提供更加高效、个性化的AI问答体验，并进一步扩大优秀答主的影响力。

![image.png](https://static.downly.cn/images/efd0669df8ecd68ded4a0695ce065c39.png)

AI每日资讯0701



  >AI领域热点频发，技术创新与行业竞争交织上演。美图推出MOKI工具，旨在通过一张图颠覆传统视频广告制作流程。腾讯开源音乐模型LeVo，以卓越性能挑战Suno的行业地位。快手Kling AI上线视频转音频功能，进一步拓展AI在多媒体领域的应用。与此同时，科技巨头间的人才争夺战愈演愈烈，OpenAI据传正积极调整薪酬，以应对Meta的猛烈挖角。

 ## 一张图生成爆款 美图MOKI让视频创作触手可及

 美图公司近日发布了其AI视频生成工具[MOKI](https://www.moki.cn/home)，并宣布开启限时免费。这一工具极大地简化了视频广告的制作流程。用户只需上传一张静态图片，并从内置的免费模板库中进行选择，系统便能迅速生成具有电影级运镜水准的专业创意广告。据悉，MOKI集成了业界七大主流的视频生成模型，为创作者提供了一个一站式的便捷创作平台。

![image.png](https://static.downly.cn/images/a40e03c5b8dedbcc7b5173e551ec210f.png)

 ## 腾讯开源LeVo模型 剑指Suno的音乐生成王者宝座

 腾讯公司在AI音乐生成领域投下重磅炸弹，正式开源了其先进的歌唱模型[LeVo](https://levo-demo.github.io/)。该模型在性能上直逼当前行业标杆Suno V4.5，并显著超越了其他所有开源模型。据了解，LeVo的训练数据集包含了高达200万首歌曲，使其能够支持中英双语演唱，并展现出惊人的音乐理解和生成能力。目前，该模型已提供在线体验，让人人都能感受顶尖AI音乐的魅力。[体验地址](https://huggingface.co/spaces/tencent/SongGeneration)

![image.png](https://static.downly.cn/images/d0df39d92572906d7d5d19f464af2307.png)

 ## 快手Kling AI新功能上线 视频轻松转音频
<video src="https://static.downly.cn/images/1ca99e85b872a10d480dbb382d68f5b3.mp4"  title="30767711929-1-16.mp4"></video>
 快手旗下的AI视频生成工具Kling近期再度升级，推出了备受关注的视频转音频新功能。这一实用功能的上线，意味着用户可以轻松地从视频文件中提取独立的音频轨道，无论是提取对话、背景音乐还是声音特效，都变得异常简单。快手方面表示，该功能目前正处于限时免费体验阶段，鼓励广大用户尝鲜。

 ![image.png](https://static.downly.cn/images/8c0da1e44d1253cf2306557468739bb3.png)

 ## 人才争夺白热化 OpenAI调整薪酬以应对Meta挖角

 据外媒报道，随着AI领域的人才竞争日趋激烈，OpenAI正在积极采取行动以留住其核心研究人员。此前，竞争对手Meta成功从OpenAI挖走了数名资深研究员，引发了行业震动。为了应对这一挑战，OpenAI高管已向内部团队保证，公司领导层正在重新校准薪酬待遇体系，以确保其人才激励方案在市场上具备足够的竞争力，打响这场关乎未来的“人才保卫战”。

![image.png](https://static.downly.cn/images/5975b8ebc4b73e2401e6ef60724d36aa.png)

 ## 虚拟脱衣模型引发关注 技术伦理引深思

 一款名为 not-flux-kontext-dev-clothes-remover 的虚拟脱衣LoRa模型近期出现在公众视野中。相关信息显示，该模型能够对图片进行处理，实现“虚拟脱衣”的效果。尽管相关实验展示了其技术上的可能性，但这类模型的出现也迅速引发了关于技术滥用、个人隐私和伦理边界的广泛讨论与深切忧虑。

 ![image.png](https://static.downly.cn/images/f09e164810778daf73b3863226483806.png)



AI每日资讯0630



> AI领域可谓是百花齐放。国内大模型持续发力，通义千问推出了颠覆性的图生图模型Qwen VLo，而中国首个海洋大模型“沧渊”则将AI的触角伸向了蔚蓝深海。在消费级产品方面，集成了大语言模型的Hengbot机器狗Sirius展示了AI如何进入日常生活。与此同时，Meta与OpenAI之间的人才争夺战愈演愈烈，凸显了行业竞争的白热化。

## 通义千问再进一步 Qwen VLo让图片“听懂”人话

阿里巴巴通义千问团队近日发布了一款名为Qwen VLo的多模态大模型，它在理解并创造性地编辑图片方面取得了显著突破。  这款模型不仅仅是看懂图片，更能根据用户的自然语言指令，对图像内容进行高质量的再创造。 
![image.png](https://static.downly.cn/images/652e624b99380f49dde107c3b27462f5.png)
Qwen VLo采用了一种渐进式的生成策略，确保了在修改或生成图片时，新的元素能够与原始图像和谐地融为一体，避免了突兀感。  用户可以通过开放式的指令，轻松改变画风、增减元素，甚至进行多语言指令操作。  此外，其动态分辨率生成能力也让应用场景更加广泛。  目前该模型尚处在预览阶段，但已经预示了未来在图像生成与修改领域的巨大潜力。 



## 向深蓝进发 中国首个海洋大模型“沧渊”问世

由浙江大学牵头研发的中国首个海洋领域开源大模型——OceanGPT（“沧渊”）于杭州正式发布，标志着我国在海洋智能化领域迈出了关键一步。  “沧渊”不仅具备专业的海洋知识问答能力，还能解读复杂的多模态海洋数据。 
![image.png](https://static.downly.cn/images/62444eed0b1b9325b27fc495bf9aca63.png)
该模型的一大亮点是采用了领域知识增强的“慢思考”推理机制，这能有效减少大型模型中常见的“幻觉”错误，为海洋科研与作业提供了更可靠的智能支持。  在应用层面，“沧渊”能够将自然语言指令直接转化为机器人控制代码，极大降低了海洋机器人等精密设备的操作门槛。  目前，该模型已在“海鹰”系列水下机器人上得到验证，显著提升了代码编写与执行效率，未来将通过MCP协议推动多机器人协同作业，开启海洋智能时代的新篇章。 



## 不止会卖萌 Hengbot机器狗Sirius能舞会聊

AI的应用正越来越多地融入我们的生活。Hengbot公司近期发布的Sirius机器狗就是一个绝佳例子。  这款机器狗集成了OpenAI的大语言模型，不仅拥有跳舞、踢球和握手等出色的运动能力，还能与用户进行流畅的语音对话。 
![image.png](https://static.downly.cn/images/c70ca0cd26845387f3788ee2eb140443.png)
Sirius的一大特色是其可定制的个性化功能，用户可以根据自己的喜好来塑造它的性格。  不过，它目前主要适用于平坦的室内环境，运动状态下的续航时间约为40至60分钟。  该机器狗的预售价格为1299美元，预计将于今年秋季正式上市，让AI陪聊、陪玩的未来家庭场景离我们更近了一步。 





## AI人才争夺战白热化 Meta再从OpenAI挖角

在技术和产品飞速迭代的背后，是AI领域对顶尖人才的极度渴求。据报道，Meta公司再次成功从其主要竞争对手OpenAI那里挖走了四名研究员。  
![image.png](https://static.downly.cn/images/d263e49f30e91f93fdc68e6553c5c420.png)
这一举动再次凸显了当前人工智能领域的激烈竞争格局。  对于Meta而言，这既是其增强自身AI研发实力的重要策略，也反映了整个行业高端人才的稀缺性。  随着各大科技巨头持续加码投入，这场围绕顶尖大脑的“人才战争”预计将愈演愈烈。 




AI每日资讯0629

> AI界风起云涌：谷歌推出命令行AI助手Gemini CLI，旨在成为开发者的“全能代理”；腾讯开源轻量级混元大模型，单卡即可部署，大幅降低AI应用门槛；可灵AI则在音视频多模态领域取得新突破，推出“视频生音效”功能；与此同时，AI巨头Anthropic陷入舆论漩涡，因训练模型销毁百万书籍引发版权争议，并同时启动项目以应对AI对就业市场的潜在冲击。

封面图提示词：一张充满未来科技感的数字艺术作品，融合了代码流、声波图形和大脑神经元网络等多种元素，中央有一个发光的AI核心标志，整体色调为深蓝和紫色，呈现出创新、变革与思考的动态感。

## 谷歌Gemini CLI上线引热议 是“换皮”还是“全能AI代理”

谷歌近日发布了一款名为Gemini CLI的全新开源工具，它是一个可以通过自然语言交互的命令行AI助手。  与市面上专注于代码生成的工具不同，Gemini CLI的定位更侧重于成为一个灵活的“AI代理”，能够处理文本、文件、网页乃至本地工具等多种任务，旨在将AI更无缝地融入开发者的日常工作流中。  尽管该产品发布初期遭遇了一些登录和Bug问题，但其开放的设计和覆盖多应用场景的巨大潜力，被认为标志着AI正从单一功能工具向全能工作助手的方向演进。 

![image.png](https://static.downly.cn/images/2bece80c9208e28cc1bfa2cf6bd75be4.png)

## 腾讯开源混元新模型 单张入门显卡即可驱动

腾讯正式发布并开源了其混元大模型家族的新成员——混元-A13B。  该模型基于先进的专家混合（MoE）架构，虽然总参数规模达到800亿，但激活参数仅为130亿，从而显著降低了运行成本。  最引人注目的是，该模型在极端条件下仅需一张中低端GPU卡即可完成部署，极大地降低了个人开发者和中小企业使用前沿AI技术的门槛。  在性能方面，混元-A13B在数学、科学及逻辑推理等任务上表现出色，同时支持快、慢两种思考模式，以兼顾效率与深度。  为促进开源生态，腾讯还同步开源了两个分别用于代码和Agent场景评估的新数据集。 

![image.png](https://static.downly.cn/images/3e275dafd50b39ef86090624fc4c0669.png)

## 可灵AI推出“视频音效”新功能 实现音画同步新体验

视频生成模型可灵AI（Kling）近日宣布其全系列视频模型已正式上线“视频音效”功能，让用户在生成视频时能够同步获得立体声音效。  与此同时，平台还升级了“音效生成”功能，新增“视频生音效”模块，用户可以上传自己的无声视频或调用历史作品，一键匹配音效。  这项功能的核心是可灵自研的多模态视频生音效模型Kling-Foley，它能确保音效与视频画面实现帧级别的精准对齐，创造出“所见即所听”的沉浸式视听体验。  目前，这项创新功能已向所有用户限时免费开放。 

![image.png](https://static.downly.cn/images/0054d9babb8ed2a0d11316622d025a60.png)

## AI训练与版权冲突升级 Anthropic销毁百万书籍引争议

AI公司Anthropic最近在一场版权纠纷中被揭露，其为了训练语言模型Claude，曾购入数百万本实体书籍，在将其数字化扫描后进行了物理销毁。  尽管法官裁定，这种先毁后用的数字化处理方式构成了“合理使用”，但这一行为依然引发了巨大争议。  批评者担忧，即便AI生成了独特内容，其在训练过程中仍有可能逐字复制受版权保护的材料。  值得注意的是，虽然Anthropic在此次判决中部分胜诉，但它因依赖盗版图书库训练模型，仍需在12月面临版权审判，这给生成式AI行业的未来发展蒙上了一层阴影。 

![image.png](https://static.downly.cn/images/87a19da0e6379ea4094b816601f435b2.png)

## AI引发失业担忧 Anthropic启动经济影响追踪计划

在全社会对人工智能可能取代数百万工作岗位的警告日益增多之际，AI公司Anthropic于周五宣布启动其“经济未来计划”。  这是一项旨在支持和推动相关研究与政策制定的新举措，以应对AI技术可能带来的广泛经济影响。  该计划的启动，表明头部AI公司也开始正视其技术可能带来的社会经济后果，并试图主动参与到解决方案的探索中。 

![image.png](https://static.downly.cn/images/087f3a4a1775969789a7c0c4acf970e4.png)

AI每日资讯0628

> 科技巨头的AI竞赛愈演愈烈，本日焦点无疑是谷歌。从开源手机端多模态模型Gemma3n，到用Gemini全面取代谷歌助手，再到推出Offerwall工具应对AI搜索冲击，谷歌正以前所未有的力度将其AI能力渗透到从底层技术到上层应用的每一个角落。与此同时，AI在内容创作领域的革命也在加速，HeyGen的一键视频生成工具和Suno对音乐编辑软件的收购，预示着一个普通人也能轻松创作专业级内容的时代正在到来。而在这场变革的背后，Meta与OpenAI的人才争夺战，则揭示了驱动这一切的核心——顶尖智慧的激烈角逐。

## 手机也能跑云端AI 谷歌开源多模态模型Gemma3n

谷歌近日投下一枚重磅炸弹，正式开源了其全新的端侧多模态大模型[Gemma3n](https://huggingface.co/collections/google/gemma-3n-685065323f5984ef315c93f4)。该系列模型旨在将以往依赖云端服务器的强大AI能力，直接带入用户的个人设备中。Gemma3n提供了E2B和E4B两个版本，以其惊人的小体积和高内存效率，实现了在手机等移动设备上进行复杂的图像、音频、视频及文本处理。


![image.png](https://static.downly.cn/images/6510a108a2a3ef47c21d515ab39ec1b2.png)


得益于MatFormer、PLE、KV Cache共享等一系列创新技术，Gemma3n不仅在多语言理解、数学、编码方面表现出色，其推理能力也获得了显著提升。此举无疑将极大地推动移动应用和智能硬件的创新，让AI真正无缝融入我们的日常生活。

## 再见Google助手 Gemini全面接管安卓智能体验

谷歌正式宣布，其强大的AI助手Gemini将全面整合进Android手机系统，并于7月7日起逐步上线。这意味着，经典的Google Assistant将逐渐退出历史舞台。更新后，用户无需打开特定应用，即可通过Gemini执行拨打电话、发送消息等日常操作，实现更深层次的系统级智能交互。
![image.png](https://static.downly.cn/images/e5b9fae8f48fca6eeeec8419ca4c560f.png)


针对用户普遍关心的隐私问题，谷歌也给出了解决方案。用户可以随时在设置中禁用“应用活动”选项，从而阻止自己的聊天记录被用于AI模型的训练，确保个人数据的安全。Gemini的全面上位，标志着Android设备将迎来一个更便捷、更智能也更注重隐私的AI新时代。

## 谷歌推新利器Offerwall 力挽AI搜索狂澜助出版商增收

随着AI驱动的搜索（如SGE）逐渐改变用户获取信息的方式，传统网站和内容出版商面临着流量下滑的巨大挑战。为此，谷歌在Ad Manager中免费推出了名为Offerwall的全新工具，旨在帮助出版商开辟新的变现途径。Offerwall允许读者通过多种方式灵活地访问付费内容，例如完成一次小额支付、观看一段广告视频，或是参与一项简短的调查。


![image.png](https://static.downly.cn/images/f7ce2b0b795478a996a134f834ac0bca.png)


在一千家出版商参与的前期测试中，该工具取得了显著成效，平均为他们带来了9%的收入提升。这对于在AI浪潮中寻求生存与发展的数字内容创作者而言，无疑是一个积极的信号。

## 一键生成爆款视频 HeyGen推出AI视频代理颠覆内容创作

视频创作的门槛正在被AI彻底打破。知名AI视频公司HeyGen最近推出了一款革命性的“AI视频Agent”，它能够将视频制作流程完全自动化。用户只需上传图片、视频片段或简单的文本描述，这个AI代理就能自动完成从故事构思、脚本撰写到镜头选择、剪辑合成的全过程。


![image.png](https://static.downly.cn/images/663d105e0649f0eada2cbe256056d471.png)


在短短几分钟内，即便是毫无经验的普通人也能生成一部专业水准的视频。这项技术为广告营销、短视频内容生产等领域提供了前所未有的高效解决方案，让内容创作者能以更低的成本和更高的效率，将创意变为现实。

## AI人才争夺白热化 Meta从OpenAI挖走顶尖研究员

AI领域的竞争，归根结底是顶尖人才的竞争。近日，Meta公司成功从其主要竞争对手OpenAI挖角，引进了强化学习和AI推理领域的顶尖研究员Trapit Bansal。他将加入Meta内部一个星光熠熠的“AI超级智能部门”，该部门由前Scale AI首席执行官领导，并已吸引了多位来自Open-AI和Google DeepMind的核心人才。

![image.png](https://static.downly.cn/images/b324fceda98a6e05ef43faaa071fc2ef.png)

此次挖角被视为Meta在AI模型竞赛中为取得领先优势而采取的关键一步。尽管此前Meta尝试收购AI初创公司的计划未能成功，但通过精准引进顶尖人才，Meta正不断加强其研发实力，以应对日益激烈的行业挑战。

## AI应用与工具速览

### YouTube测试AI摘要与对话式搜索

YouTube正在测试两项新的AI功能以提升用户体验：在搜索结果中直接显示由AI生成的视频内容摘要，以及扩展其对话式AI工具。然而，这一举措引发了内容创作者的担忧，他们害怕AI摘要会减少用户的实际视频观看量，从而影响其广告收入。

### 谷歌发布虚拟试衣应用Doppl

谷歌推出了一款名为Doppl的AI虚拟试衣应用（目前仅限美国）。用户只需上传一张自己的全身照，就能将网上的任意服装图片“穿”在自己身上，甚至可以生成动态的试穿效果视频，为线上购物提供了极具未来感的体验。
<video src="https://static.downly.cn/images/61db2b003feb947f62e7df849ffad7f9.mp4"  title="doppl1 - Compressed with FlexClip.mp4"></video>
### 黑森林团队开源最强图像编辑模型FLUX.1

Black Forest Labs（黑森林团队）开源了其强大的图像编辑模型FLUX.1 Kontext [dev]。开发者现在可以在ComfyUI等工作流平台中结合LoRA使用该模型，实现更高自由度和更精细的图像编辑效果。
![image.png](https://static.downly.cn/images/a944c19d1d7bb088aee047be0e02a56a.png)

### Anthropic推出Claude Artifacts Space

AI公司Anthropic为其大模型产品Claude推出了名为“Artifacts Space”的新功能。它允许用户将自己基于Claude创建的各种AI应用工具发布到一个共享空间，供其他人浏览和使用，极大地促进了AI应用的共享和创新。
<video src="https://static.downly.cn/images/a7669a676e786af417176f1d1751de1c.mp4"  title="30716920954-1-16.mp4"></video>

### Suno收购WavTool强化AI音乐创作

AI音乐生成领域的明星公司Suno，近日收购了基于浏览器的AI音乐制作软件WavTool。此举旨在为其用户提供更强大的后期编辑能力，让音乐人不仅能用AI生成音乐，还能像在专业工作站中一样对AI生成的音轨进行精细的调整和修改。
![image.png](https://static.downly.cn/images/39578c84acf5e8765f93dc85738c4bc9.png)

AI每日资讯0627

> AI领域竞争白热化，苹果与微软分别推出创新模型TarFlow与Mu，前者革新图像生成技术，后者则以极小体量赋能Windows智能体。同时，AI的应用边界持续拓宽，从Grok进军电子表格编辑，到GPT-4助力癌症新药研发，再到ElevenLabs发布语音优先的AI助理。然而，行业发展也伴随着法律挑战，迪士尼已就版权问题向Midjourney等AI公司提起诉讼。此外，OpenAI与Jony Ive公司合作开发AI硬件的消息，预示着AI的下一战场可能转向实体设备。

## 苹果另辟蹊径 发布AI生图新模型TarFlow

苹果公司在AI图像生成领域展示了其独特的思考，发布了基于“归一化流”（Normalizing Flows）技术的全新模型TarFlow与STARFlow。与主流的扩散模型不同，TarFlow通过分块生成像素来保证高质量输出，避免了传统方法中可能出现的质量损失。其姊妹模型STARFlow则在潜空间中运行，并能调用外部大语言模型来更精准地理解和处理复杂的文本提示，显著提升了生成效率与图像质量。
![image.png](https://static.downly.cn/images/267d19af1b5363b96a53993f3352c7cc.png)

## 微软发布3亿参数“微”模型Mu 专为Windows智能体打造

微软推出了一款参数仅为3.3亿的创新小型模型Mu，其性能却能与体量是其十倍的Phi-3.5-mini相媲美。该模型专为本地化部署而优化，在离线的NPU设备上能实现每秒超过100个token的惊人响应速度。Mu借鉴了Phi Silica架构，并引入双重层归一化、旋转位置嵌入等先进技术，使其能够通过自然语言指令直接操作Windows系统设置。经过大规模数据微调，Mu已将操作响应时间成功控制在500毫秒以内，极大地提升了Windows系统的易用性和智能化水平。

![iShot_2025-06-24_11.02.06.png](https://static.downly.cn/images/2e91b686cc69d9c34d2c779e94776477.png)

## 开源新星 OmniGen2 用自然语言“指点江山”精修图像


OmniGen2作为开源社区中Flux Context的有力替代者，为用户提供了强大的自然语言图像编辑能力。用户只需通过简单的文字指令，即可对图像进行精准的局部编辑，包括删除或替换对象、进行风格转换、调整颜色、处理背景、添加新物品，甚至修改人物的表情和动作。目前，该模型的权重已在[Hugging Face Space](https://huggingface.co/spaces/OmniGen2/OmniGen2)上公开发布，供广大开发者和爱好者体验。

![image.png](https://static.downly.cn/images/38fb68246c1a6bae554e293f4172cdc6.png)

## 版权保卫战打响 迪士尼正式起诉Midjourney

随着AI生成内容的普及，版权问题日益凸显。娱乐巨头迪士尼已采取法律行动，正式起诉Midjourney等AI公司，指控其未经许可使用迪士尼的知识产权进行模型训练和图像生成。此举标志着内容创作者与AI技术公司之间的法律战火正在升级。在积极维权的同时，迪士尼也在与OpenAI等公司进行合作洽谈，旨在探索在保护自身版权角色和IP的同时，利用AI技术发展的可能性。

![iShot_2025-06-24_11.04.48.png](https://static.downly.cn/images/38fb68246c1a6bae554e293f4172cdc6.png)

## 法庭文件曝光 OpenAI联手苹果前设计总监Jony Ive秘密研发AI硬件

一则法庭文件意外揭示，OpenAI正与苹果公司的前首席设计官Jony Ive创办的设计公司io进行深度合作，共同为一款面向大众市场的AI硬件设备进行技术研发。这一消息源于io公司针对另一家初创公司iyO提起的商标纠纷诉讼。此次合作曝光，意味着OpenAI的野心已不止于软件层面，正试图将AI能力封装到专门的硬件中，这可能预示着下一代消费级智能设备的到来。




## Grok亮剑生产力工具 挑战微软与谷歌的电子表格霸权

根据最新泄露的信息，马斯克旗下的xAI公司正为Grok开发一项强大的新功能——支持电子表格的高级文件编辑器。此举旨在将Grok这一强大的AI助手深度集成到日常的生产力工具中，直接向微软的Excel和谷歌的Sheets等传统办公软件发起挑战。通过赋能电子表格处理能力，Grok希望在AI驱动的生产力赛道上与OpenAI、Google和Microsoft展开激烈竞争。

![]([object Object])![iShot_2025-06-24_11.09.17.png](https://static.downly.cn/images/a36a0be1b906c96e6cc059809aafaf51.png)

## AI成抗癌新希望 GPT-4成功发现乳腺癌协同治疗新方案

剑桥大学等研究机构的一项突破性研究显示，大型语言模型在攻克癌症方面展现出巨大潜力。研究人员利用GPT-4分析海量医学文献和数据，成功提出了一种全新的乳腺癌协同治疗方案。该方案创新性地组合了辛伐他汀和双硫仑等非传统抗癌药物，并通过实验验证了其有效性。这一成果为利用AI进行新药研发开辟了全新路径，展示了AI“发明”新疗法的可能性。

![iShot_2025-06-24_11.09.54.png](https://static.downly.cn/images/3599ff0226db21a87c89c156e9dc4a2a.png)

## 苹果收购版图再添变数 与Mira Murati新公司谈判破裂

据报道，苹果公司此前曾与前OpenAI首席技术官Mira Murati创立的人工智能公司Thinking Machines Lab进行过收购洽谈。这家新公司的估值高达100亿美元，致力于使AI系统更易于被人类理解和定制。然而，最新的消息显示，双方的谈判并未达成协议，最终以破裂告终。目前，苹果公司正将评估的目光转向另一家AI搜索公司Perplexity，其在AI领域的布局策略依然充满变数。




## 4K画质一键达成 Astra为AI视频创作者推出超分辨率工具
![iShot_2025-06-24_11.04.48.png](https://static.downly.cn/images/38fb68246c1a6bae554e293f4172cdc6.png)
一款名为[Astra](https://astra.app/)的专业级AI视频超分辨率工具正式上线。该工具利用先进的AI技术，能够智能地将低分辨率的视频素材提升至清晰的4K画质，旨在解决AI视频创作者在内容生产最后环节的画质难题。尽管其功能相对单一，且标准版月费为39美元（约合人民币280元），价格不菲，但它为追求极致画质的用户提供了一个有效的解决方案。

![iShot_2025-06-24_11.12.27.png](https://static.downly.cn/images/bd8603c8e8dd189a00c4f6c4a595614f.png)

## ElevenLabs发布语音优先AI助理11ai 支持超5000种声音

以语音技术闻名的ElevenLabs公司发布了其全新的AI个人助理——11ai。这款助理主打“语音优先”的交互体验，并集成了强大的多工具集成能力和自定义MCP支持，允许用户创建高度个性化的工作流程。11ai具备日程管理、实时搜索和团队协作等核心生产力功能，支持超过5000种声音和70多种语言，其强大的多模态交互能力使其成为提升全球用户工作效率的强大工具。

AI每日资讯0624



> AI界风起云涌，技术应用与产业格局均迎来重磅更新。从谷歌Gemini实时生成交互界面的惊艳技术，到字节跳动、海螺AI等公司在视频生成领域的持续加码，AI正以前所未有的速度渗透到创意与交互的方方面面。与此同时，月之暗面开源其强大的多模态模型Kimi-2506，进一步推动社区发展。产业层面，苹果意图收购Perplexity的传闻引发市场巨震。然而，在一片高歌猛进中，MIT的研究也为我们敲响警钟，提醒我们需警惕对AI的过度依赖可能带来的认知影响。

## 警惕AI陷阱 MIT研究揭示过度依赖AI或导致大脑“变懒”

麻省理工学院（MIT）的一项最新研究为我们揭示了过度依赖AI工具可能带来的潜在风险。实验表明，与独立写作或使用搜索引擎辅助相比，长期完全依赖AI（如ChatGPT）进行写作的用户，其大脑在处理任务时的活跃度显著降低。这可能意味着认知能力的“走捷径”会削弱我们深度思考和解决问题的能力。研究还发现，亲身参与创作过程能显著增强人们对作品的归属感和满意度，这是纯粹由AI生成的作品无法替代的。

![iShot_2025-06-23_11.34.16.png](https://static.downly.cn/images/fd04b6a34281a853aae107ce409605b3.png)

## 字节跳动亮出新王牌 DreamActor-H1让商品图秒变带货视频

<video src="https://static.downly.cn/images/6ba10cca10c17c49251a28ddcf57071b.mp4"  title="30647320772-1-16.mp4"></video>
字节跳动近日发布了名为 [DreamActor-H1](https://submit2025-dream.github.io/DreamActor-H1/) 的视频生成系统，展示了其在AIGC视频领域的最新成果。该系统能够仅通过一张商品图片和一张人物照片，自动生成一段高质量、专业风格的带货短视频。从技术演示来看，其效果与广受欢迎的AI视频工具HeyGen相似，能够极大降低电商视频的制作门槛。目前，DreamActor-H1仍处于技术展示阶段，官方仅发布了演示视频和技术报告，尚未公布论文或开源计划。


![image.png](https://static.downly.cn/images/ff55f3865fb3c3d5438b81a67ab2f6c2.png)




## 谷歌开源Magenta RT 音乐创作进入实时生成新纪元

谷歌DeepMind团队为音乐创作者和开发者带来了一份大礼——开源了实时音乐生成模型Magenta RealTime (Magenta RT)。作为其先进模型Lyria的开放权重研究预览版，Magenta RT专注于实时交互式音乐创作与表演，能够根据用户的输入即时生成连贯的音乐片段。这一举措预示着AI在音乐领域的应用正从离线生成迈向实时协作，为现场表演、即兴创作和音乐教育开辟了全新的可能性。



![image.png](https://static.downly.cn/images/cc77d28a44031136de7ef51d6a435223.png)



## 视频剪辑迎来“自动驾驶” 海螺AI发布视频创作智能体

<video src="https://static.downly.cn/images/d1e844c63c547a134a3cddc0442a4596.mp4"  title="30647322073-1-16.mp4"></video>
国内AI初创公司海螺AI正式推出了其视频创作工具——Hailuo Video Agent。该工具定位为视频领域的“智能体”，旨在将创作者从繁琐的剪辑工作中解放出来。初期版本通过提供创意模板来简化创作流程，但其最终目标是实现用户自主编辑乃至完全自动化的“一键出片”。该智能体集成了音乐、TTS（文本转语音）、音效和字幕等全套功能，代表了AI赋能视频编辑的未来发展方向。



![image.png](https://static.downly.cn/images/883dd177d41f430aed6d85896ae5b853.png)



## 为机器人打造逼真世界 开源框架EmbodiedGen破解3D环境生成难题

具身智能（Embodied AI）的发展一直受限于高质量、物理真实的3D训练环境。为了突破这一瓶颈，一个名为EmbodiedGen的开源框架应运而生。它能够根据文本或图像输入，生成具有正确物理属性、密闭几何结构且可扩展的3D对象和场景。该框架生成的资产兼容多种主流物理模拟器，极大地降低了为机器人训练和数字孪生创建虚拟世界的成本和难度，为智能机器人研究铺平了道路。


![image.png](https://static.downly.cn/images/9b78864d652be698562cd2ddfafd4b23.png)



## 声音的“私人订制” MiniMax推出Voice Design音色设计功能

稀宇科技（MiniMax）在其开放平台上发布了创新的Voice Design音色设计功能。用户现在可以通过简单的文本描述，自由组合“任意语言、任意口音、任意音色”，创造出独一无二的个性化语音。该功能不仅能精准控制情感、音质等细节，还成功规避了传统音色复刻可能带来的版权风险，为内容创作、虚拟助手等应用场景提供了前所未有的便捷与高效。
用户可通过[稀宇科技国内版平台](minimaxi.com/audio)或[海外版平台](minimax.io/audio)体验Voice Design功能，探索语音合成的无限可能。
![image.png](https://static.downly.cn/images/2ce996768ec2bf3468a3b177bbae2128.png)

## 未来交互已至 谷歌Gemini 2.5 Flash-Lite实现“心念所想，界面即现”

谷歌DeepMind再次展示了其强大的技术实力，发布了Gemini 2.5 Flash-Lite模型。该模型最令人震撼的特性是其超低延迟的实时交互界面生成能力。用户可以通过语音或文本描述，瞬间生成并修改UI界面。这项技术结合了多模态输入和长上下文窗口，预示着一种全新的“生成式操作系统”的到来，用户与设备的交互方式或将被彻底颠覆。
![image.png](https://static.downly.cn/images/85e05624284ab97b3dc8479268d39ee4.png)

## 300亿美元豪赌 苹果或将收购Perplexity以重塑搜索格局

市场传出重磅消息，苹果公司正考虑以高达300亿美元的价格收购AI搜索初创公司Perplexity。若交易达成，这将成为苹果历史上最大规模的并购。此举被视为苹果应对AI时代搜索市场变革的关键一步，意图通过Perplexity先进的对话式、答案驱动的搜索技术，全面升级Siri和Safari的用户体验，以在与谷歌等对手的竞争中抢占先机。

![image.png](https://static.downly.cn/images/9d947b288c191a494212917b1cc2cf34.png)
## Kimi-2506开源 月之暗面升级多模态与智能体能力

国内大模型独角兽月之暗面宣布开源其最新的多模态模型Kimi-2506。新模型在智能体（Agent）和视觉理解能力上取得了重大突破。官方数据显示，其推理效率大幅提升，能够更节省token，同时在多项基准测试中得分显著提高。尤其在视觉方面，它支持高达320万像素的高分辨率图像处理，并在图表分析、长文档问答及视频理解等复杂任务上表现出色。

![image.png](https://static.downly.cn/images/b874ae38fdde0c49932a6e19ff4a81de.png)




AI每日资讯0623

> 今天的AI前沿资讯。从Adobe的实时视频生成，到NVIDIA的光影魔法，再到Hugging Face的亲民微调教程，今天的科技界可谓是精彩纷呈。无论是专业开发者还是普通爱好者，都能在今天的快讯中找到属于自己的惊喜。让我们一起来看看都有哪些不容错过的亮点吧！

---

## Adobe亮剑视频生成！Self Forcing模型实现4090显卡实时出片，人人都是特效师

> Adobe最新发布的Self Forcing模型，标志着实时视频生成技术的新突破。该模型基于Wang 2.1架构，实现了在单张RTX 4090消费级显卡上的流畅运行，并已开放线上试用，让更多创作者能够亲身体验其强大的功能。

### Self Forcing 核心技术解析

Adobe推出的Self Forcing模型，其技术核心是建立在先进的Wang 2.1架构之上。这一架构专为流式视频生成进行了优化，意味着模型能够一边接收输入指令，一边连续不断地生成视频帧，从而达到“实时”的效果。这与传统模型需要等待完整指令后才能开始渲染的方式截然不同，为即时互动和直播等场景提供了可能。

![image.png](https://static.downly.cn/images/047efc3d48e72798bdc15fd5ff06e0ff.png)

### 硬件亲民化的重要一步

以往，高质量的AI视频生成往往需要庞大的计算资源，通常是数据中心级别的服务器集群。而Self Forcing模型最大的亮点之一，就是它对硬件的优化。官方宣称，该模型可以在单张NVIDIA RTX 4090显卡上高效运行。这使得拥有高端PC的个人开发者、设计师和内容创作者，也能够接触并使用前沿的AI视频生成技术，极大地降低了技术门槛。

### 在线试用与未来展望

为了让更多用户感受Self Forcing的魅力，Adobe已经提供了在线试用入口。用户可以通过官方渠道访问并体验这一模型的实时生成能力。这一举措不仅展示了Adobe对自身技术的信心，也预示着AI视频生成工具将加速融入普通人的创作流程中，未来我们可能会看到更多由AI实时生成的短视频、直播背景甚至互动电影。
[试用地址](https://huggingface.co/spaces/multimodalart/self-forcing)

---

## 挑战Whisper霸主地位！Kyutai发布开源极速STT模型，实时语音转写新选择

> 法国AI初创公司Kyutai推出了一款名为Kyutai Speech-To-Text（STT）的开源模型，以其惊人的速度和超越Whisper Large v3的性能，为语音转文本领域带来了新的标杆。该模型特别优化了实时流式处理，并提供了针对不同需求的版本。

### 性能卓越 超越Whisper

Kyutai Speech-To-Text模型在发布之初就将目标对准了行业标杆OpenAI的Whisper。根据官方公布的数据，其纯英语的2.6B参数版本，在多项评测基准上表现优于Whisper Large v3。这不仅体现在转写的准确率上，更体现在其“极速”的特性上，无论是处理已有的音频文件（批量推理），还是进行实时的语音流转写（流式推理），都展现出了顶级的性能。

![image.png](https://static.downly.cn/images/99f96be5cb2ecec3b5f806a8ddda16bc.png)


### 两种模型版本 各有侧重

为了满足不同场景的需求，Kyutai贴心地推出了两个版本：
*   **2.6B参数模型** 这是一个纯英语模型，性能强劲，是追求最高转写质量和速度的用户的首选。
*   **1B参数模型** 这是一个更轻量级的双语模型，专为英语和法语的实时语音聊天场景优化。它在保持较低延迟的同时，实现了高效的双语识别，非常适合跨语言交流工具的开发。

### 开源精神与应用前景

Kyutai STT模型选择完全开源，开发者可以在其官方渠道（如Hugging Face）轻松获取模型和相关代码。这意味着任何开发者都可以自由地使用、修改和集成这个强大的工具。尽管目前模型暂不支持中文，但其出色的架构和性能为多语言语音识别领域注入了新的活力，未来有望通过社区的力量扩展到更多语种。

[官方链接](https://kyutai.org/next/stt)

---

## 后期制作的魔法！NVIDIA UniRelight一键重塑视频光影，废片变大片

> NVIDIA AI团队再次展示其技术实力，推出名为UniRelight的通用视频重照明技术。这项基于扩散模型的技术，能够仅凭单张参考图或一段视频，就对目标视频实现逼真、高质量的动态光影重塑，为影视后期和内容创作带来了革命性的工具。

### UniRelight 是什么

UniRelight是一项创新的“通用重照明”技术。简单来说，它允许创作者在视频拍摄完成之后，像编辑照片一样，任意改变视频中的光照效果。无论是想把白天变成黑夜，还是为场景添加一盏虚拟的、动态移动的灯光，UniRelight都能通过AI计算，生成符合物理规律的、自然的光影变化，极大地丰富了后期创作的可能性。



### 扩散模型的魔力

这项技术的核心驱动力是扩散模型（Diffusion Model）。模型通过学习海量数据，理解了光线与物体表面材质、场景深度之间的复杂关系。当用户提供一张参考图片（例如一张日落的照片）时，UniRelight就能“理解”其中的光照风格，并将其应用到目标视频的每一帧中，同时确保光影的连续性和真实感。

### 应用场景与开源计划

UniRelight的应用前景极为广阔。对于电影制作，它可以大幅降低现场布光的成本和难度；对于短视频创作者，它可以轻松为普通视频增添“电影感”；对于游戏开发，它可以用于生成更真实的环境光照。NVIDIA已经表示，该技术的代码即将开源，这意味着它将很快成为广大开发者和创作者可以使用的强大工具。目前，官方网站已展示了大量惊艳的效果案例供业界参考。

[官方链接](https://research.nvidia.com/labs/toronto-ai/UniRelight/)

---

## 一张图、一段话，AI帮你拍广告！HeyGen新功能让产品视频制作进入“傻瓜”模式

> AI视频生成平台HeyGen再次降低内容创作门槛，推出了全新的AI广告生成工具。现在，用户仅需三步——上传产品图、选择虚拟形象、输入文案，即可快速生成一段专业的带货或产品介绍视频，彻底改变了传统营销视频的制作模式。

### 三步搞定产品视频

HeyGen新推出的产品植入功能，主打的就是极致的简洁与高效。整个创作流程被简化为三个核心步骤：
1.  **提供产品照片** 用户上传自己需要推广的产品的清晰图片。
2.  **选择人物形象** 在HeyGen提供的多种虚拟形象中，选择一个符合品牌调性的“代言人”。
3.  **输入文字脚本** 将产品介绍、广告语等文案输入系统。

完成这三步后，AI会自动将产品照片与虚拟形象融合，并根据脚本生成一段口型精准、动作自然的介绍视频。



### AI如何简化营销流程

这项功能背后，是成熟的AI虚拟人技术和图像处理技术的结合。AI不仅能让虚拟人自然地“说话”，还能智能地将静态的产品图片融入到动态的视频场景中，仿佛虚拟人真的手持产品在进行介绍。对于中小型企业、电商卖家或个人品牌来说，这意味着无需昂贵的拍摄团队、演员和场地，就能快速、低成本地批量生产高质量的营销视频。

### 为谁而生

这个工具的主要受益者是那些需要大量视频内容但预算有限的营销人员和商家。它极大地缩短了从创意到成品的周期，使得测试不同的广告文案、产品卖点和视觉风格变得轻而易举。可以说，HeyGen正在让专业的视频广告制作，变得像制作PPT一样简单。

<video src="https://static.downly.cn/images/d7f27be5bce5805ea5d8006fbee8299a.mp4"  title="30591878914-1-16.mp4"></video>

---

## 10GB显存就能“炼丹”！Hugging Face发布FLUX.1-dev平民级微调教程

> 人人都能微调大模型不再是梦想。Hugging Face近日发布官方教程，手把手教你如何利用QLoRA技术，在仅有10GB显存的消费级显卡上，对强大的文生图模型FLUX.1-dev进行高效微调，极大地降低了AI模型定制化的门槛。

### 主角 FLUX.1-dev模型

FLUX.1-dev 是一个新兴的、强大的文本到图像生成模型。与之前的扩散模型不同，它采用了新的架构，旨在更深刻地理解文本提示的复杂性和细微差别，从而生成更贴合描述的图像。能够对这样的前沿模型进行微调，意味着用户可以训练出具有自己独特风格的“专属AI画家”。

### 核心技术 QLoRA

实现低门槛微调的关键在于QLoRA（Quantized Low-Rank Adaptation）技术。简单来说，它是一种“四两拨千斤”的训练方法。它通过量化和低秩适配技术，在不牺牲太多性能的前提下，大幅减少了模型微调过程中所需要的显存。Hugging Face的教程正是利用了QLoRA，将原本需要专业级硬件才能进行的任务，成功地运行在了仅有10GB显存的消费级显卡上，如RTX 3060 (12GB) 或 RTX 4060 Ti等。
![image.png](https://static.downly.cn/images/94de23f39bcfcf327cc018f38cf20cad.png)


### 教程详解与实践意义

Hugging Face发布的这篇[官方教程](https://huggingface.co/blog/flux-qlora)，详细介绍了整个微调过程的每一步，包括环境配置、加载模型、准备数据集，以及如何使用`diffusers`库来应用QLoRA进行训练。这篇教程的意义非凡，它为广大的AI爱好者、艺术家和独立开发者打开了一扇大门，让他们能够用得起的硬件，去定制和探索最先进的AI模型，从而催生出更多个性化、多样化的AI艺术作品和应用。

搜索结果: 资讯