跳到正文
#开源生态
9月1日周二
  4. Tencent Hy67

    腾讯混元发布 Hy4 preview，770B 总参数、49B 激活、1M 上下文，定位生产力场景，开源并保持稳定低价，提供 HuggingFace 和 GitHub 入口。作者补充称 Hy4 preview 在 AI 研究中自主发现推理瓶颈，通过算子融合与通信优化将端到端吞吐提升 31.8%，且在不同上下文长度和并发下保持稳定。

    引用Tencent Hy@TencentHunyuan

    🚀 Hy4 preview is here. 770B, 49B active, 1M context. Built for productivity. Open source frontier. Consistent affordable price. Use it. Tell us what breaks. More on Hy blog：https://hy.tencent.ai/research/hy4-preview HuggingFace：https://huggingface.co/tencent/Hy4-preview Github：https://github.com/Tencent-Hunyuan/Hy4-preview

  8. 上海人工智能实验室 InternLM：原创项目63

    上海AI实验室发布 InternLumina-U2：16B-A1B 多码本扩散统一多模态模型

    上海AI实验室发布 InternLumina-U2，一个 16B 参数（激活 1B）的 MoE 扩散语言模型，用 8 码本全离散视觉表示统一覆盖文本问答、文生图、图像理解与编辑、视频及 3D 理解。

    推荐理由：原文给出多码本全离散统一架构的设计细节、基准分数和双硬件适配说明，读者可以了解统一理解与生成模型的一条新路线。

  12. The Verge：AI56

    Debian 投票允许开发者使用 AI 工具，但不会禁止 AI 代码

    Debian 投票通过新 AI 政策，允许开发者使用 AI 工具参与 Linux 发行版的开发、维护和文档工作，既不支持也不禁止生成式 AI 工具。政策强调“负责任”使用 AI 可提升生产力，但贡献者仍需对提交内容的质量、正确性和法律合规性负责，且不强制披露 AI 使用情况。部分贡献者对此不满，有人宣布退出 Debian。

  13. Microsoft Research 博客72

    微软研究院发布高效病理基础模型 GigaPath-Flash 与 GigaTIME-Flash

    微软研究院推出 GigaPath-Flash 和 GigaTIME-Flash，旨在通过蒸馏技术大幅降低计算成本以支持大规模病理研究。GigaPath-Flash 将十亿参数模型压缩至 22M 参数，在保持竞争力的同时实现约 50 倍的算力节省；GigaTIME-Flash 则提升了空间蛋白质组学预测效率并改善了泛化能力。两款模型均以 Apache 2.0 协议开源，专为科研设计而非临床诊断，使研究人员能在单 GPU 上处理百万级切片数据。

8月31日周一
  2. IT之家·人工智能77

    DeepSeek-V4-Flash-Vision-Exp 模型已开源，多模态 Agent 能力接近 Opus-4.8

    DeepSeek 于 8 月 31 日在 Hugging Face 开源首个多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License，公开模型文件、Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理实现。

    推荐理由：原文梳理了模型开源内容与能力定位，读者可据此评估其在多模态 Agent 场景中的可用性。

  3. The Decoder：AI News69

    OpenClaw 2.0 发布：简化设置、重构浏览器应用并支持多人会话

    OpenClaw 基金会发布开源 AI 平台 2.0 版，为迄今最大更新，包含超 16,000 个拉取请求。新版本简化首次设置，可自动检测 ChatGPT 或 Claude 订阅、API 密钥及本地模型；浏览器应用完全重构，新增显示会话进度的 Session Rail 功能。共享云会话支持多人协作，会话可在本地网关、配对设备或 Crabbox 租用的临时机器上运行。

  4. OpenClaw：Blog72

    OpenClaw 2.0 发布：迄今最大更新，由 933 位贡献者打造

    OpenClaw 2.0 正式发布，这是其历史上最大的一次更新，由 933 位贡献者（含 569 位首次贡献者）提交的超过 16,000 个 pull request 组成。新版简化了安装流程，重建了浏览器应用，并新增共享云会话功能，支持多人协作。OpenClaw 为开源项目，更新涵盖安装、消息、记忆、技能、模型、自动化、浏览器、插件及安全等全部模块。

  5. IT之家·人工智能58

    OpenClaw 开源人工智能助手 2.0 版本发布：简化安装流程并重塑浏览器体验

    OpenClaw 2.0（v2026.8.1）正式发布，由 933 位贡献者共同完成，包含超过 16,000 个拉取请求。新版本重点简化了安装流程，新用户可从现有 AI 服务订阅、API 密钥或本地模型入手，并可通过与 Claw 对话完成后续配置。浏览器应用体验获重塑，用户可随时继续设置或实时参与。

  7. 蚂蚁 inclusionAI：GitHub 新仓库52

    蚂蚁 inclusionAI 开源 LLaDA-Image 图像生成与编辑模型家族

    蚂蚁 inclusionAI 发布开源统一的 6B 图像生成与编辑模型家族 LLaDA-Image，含 50 步 Base 模型和 4 步蒸馏的 Turbo 模型，均支持文生图、VQ 条件生成、参考图编辑和中英文文字渲染。在 Qwen-Image-Bench 上总分达英文 53.53、中文 53.38，仓库已提供 checkpoints 和基于 Diffusers 的推理代码，训练代码即将开源。

  8. Tencent Hy51

    每个人都可以用 Hy4 preview 生成一个蜘蛛侠。 [引用 @gmi_cloud]：运行 Hy4 preview 超过 6 小时，历经 9 次迭代，最终得到这个结果。 一个蜘蛛侠可以在 3D 旧金山中荡来荡去的游戏。 560 万 tokens。总计 13 美元。 而且我们已将其开源 👇

    引用GMI Cloud@gmi_cloud

    Ran Hy4 preview for 6+ hours across 9 iterations. Ended up with this. A game where Spider-Man can swing through a 3D San Francisco. 5.6M tokens. $13 total. And we open sourced it 👇

  10. Unitree64

    宇树转发 Microduck 发布消息：一款 25 cm 高的开源双足 RL 机器人，配备 15 个执行器和摄像头、扬声器、LiDAR、NFC、蓝牙、Wi-Fi 等传感器，可自行用强化学习训练，开箱即带行走、坐下、蹲伏、轮滑、喙部拾物和自恢复等多种预训练策略，售价低于 $400。

    引用Thomas Wolf@Thom_Wolf

    We have a huge news to share today! Today we are unveiling the first truly accessible RL robot - welcome Microduck A 25 cm tiny open-source biped with 15 actuators and packed with sensors (camera, speaker, LiDAR, NFC, bluetooth, wifi, etc) that you train yourself with reinforcement learning. It's also playable out of the box with more than half a dozen fun and playful pre-trained policies to have it walk, sit, crouch, roller-skate, pick up objects with its articulated beak, and recover on its own. And all for less than $400. See all the details, play with the simulator and order it at: https://pollen-robotics.com/microduck/ (video with sound on 🔊)

8月30日周日
  3. Simon Willison 博客66

    腾讯发布 Hy4 Preview：770B 参数开源权重文本模型，上下文窗口达 1M token

    腾讯今日发布 Hy4 Preview，这是一款新的开源权重纯文本输入（无视觉）大语言模型，总参数 770B，激活参数 49B，上下文窗口 1M token，Hugging Face 上体积 1.56TB。相比 7 月的 Hy3（295B 总参数、21B 激活、256k 上下文、598GB），规模大幅提升。Hy4 的推理配置仅支持 "high"（默认）和 "no_think" 两档。

  4. TechCrunch：AI47

    Vijay Pande 谈离开 a16z 后的小规模押注：新基金 VZVC 每年只做几笔集中投资

    前 a16z 生物基金负责人 Vijay Pande 去年 6 月离职，与 Zach Werner 共同创立新基金 VZVC，每年只做少数几笔集中押注，不设分析师职位，日常运营高度依赖 AI。他认为 AI 正将生物学从“发现科学”转向可工程化领域，但指出生物数据无法像文本那样从互联网抓取，各公司只能自建封闭数据集，这成为 AI 医疗进展的关键制约。

  5. Tencent Hy47

    腾讯混元 Hy4-preview 从发布首日起即支持在 vLLM 中运行，并已在 NVIDIA GPU 上完成验证。该模型总参数量 770B，激活参数 49B，采用 256 个路由专家加 1 个共享专家，支持 1M 上下文但每次查询仅关注 2048 个 token。

    引用vLLM@vllm_project

    @TencentHunyuan's Hy4-preview runs in vLLM from day 0, verified on NVIDIA GPUs. 🎉 - 770B total, 49B active, 256 routed experts plus one shared - 1M context, but each query attends to just 2048 tokens - Only 21 of the 78 layers compute their own sparse index, the other 57 reuse one - A 10B MTP layer ships inside the checkpoint, 0.7B of it active, draft depth 3 Tencent's HPC-Ops attention and MoE kernels have been in vLLM main since Hy3. VLLM_ENABLE_HPC_OPS=1 vllm serve tencent/Hy4-preview-FP8 -tp 8 Thanks @TencentHunyuan for the preview weights! 🙌 🔗 http://recipes.vllm.ai/tencent/Hy4-preview

  6. Tencent Hy52

    腾讯混元开源 Hy4 preview，旗舰 MoE 模型，支持 1M 上下文，采用 Apache 2.0 协议。模型总参数量 770B，每 token 激活 49B，原生集成 MTP 层支持投机解码。163 位内部专家在 203 项真实工程任务中的盲测中，Hy4 preview 平均分 2.99，优于 GLM 5.3（2.92）和 Kimi K3（2.94）。

    引用ModelScope@ModelScope2022

    Tencent HY open-sourced Hy4 preview: a flagship MoE with 1M context, and their biggest generational leap measured to date. Apache 2.0.🔥 🤖 https://modelscope.cn/models/Tencent-Hunyuan/Hy4-preview ⚙️ 770B total params, 49B active per token. Ships with a native MTP layer for speculative decoding out of the box. 📊 Blind eval by 163 internal experts across 203 real engineering tasks: it edges out GLM 5.3 (avg 2.99 vs 2.92) and Kimi K3 (2.99 vs 2.94). 💼 Trained on real production workflows: software engineering, office and data analysis, game development, and scientific research. 🌍 For global users: https://modelscope.ai/models/Tencent-Hunyuan/Hy4-preview

8月29日周六
  1. IT之家·人工智能63

    英伟达“看中”Hugging Face，开放权重 AI 模型成硅谷热门收购目标

    英伟达有望以约 130 亿美元（约合 876.47 亿元人民币）收购开放权重 AI 模型平台 Hugging Face，交易尚待公司确认。此前英伟达已与开放权重模型公司 Poolside 达成 60 亿美元协议，Stripe 亦以超 70 亿美元收购 OpenRouter。开放权重模型采用率仍低（约 6% 公司使用），但企业为降推理成本、获更强控制权，关注度正上升。

  2. IT之家·人工智能53

    Debian 社区议案表决：开发者可使用生成式 AI，人类负最终责任

    Debian 社区近日就大语言模型辅助开发议案完成表决，多数开发者支持负责任地使用生成式 AI。第 5 个选项“负责任地使用生成式 AI”在孔多塞投票制下胜出，新政策不禁止在软件开发、文档编写中使用生成式 AI，但要求 AI 辅助生成的代码和文档满足质量与法律合规要求，最终责任由人类开发者承担。Debian 不强制贡献者标注代码是否使用 AI，但鼓励披露。

  3. IT之家·人工智能72

    智谱开源 GLM-5.3 模型权重，主打智能体编程与网络防御

    智谱宣布开源 GLM-5.3 模型权重，支持本地运行与个性化定制，擅长复杂编码、防御性网络安全及长程任务。该模型在 AA 综合智能指数中取得 60 分，与 Claude Fable 5、GPT-5.6 Sol 等闭源旗舰同级，并与 Kimi K3 并列开源模型第一。仅年营业额超 100 亿美元的机构将其作为外部模型服务提供时才需安全审查。

    推荐理由：许可条款把强制安全审查限定在百亿美元级外部模型服务，自有部署和中小团队实际不受影响，开源可用性比表面限制更宽。

  4. MarkTechPost57

    Hugging Face 推出 Microduck：399 美元开源双足机器人，用强化学习训练步态

    Hugging Face 旗下 Pollen Robotics 开启 Microduck 双足机器人预售，售价 399 美元。该机器人高 25 厘米、重不足 800 克，配备 15 个电机、摄像头、LiDAR 和双 IMU，所有动作均为物理模拟器中训练的神经策略。训练环境、奖励函数与 sim-to-real 方案已在 GitHub 开源，软件采用 Apache-2.0 许可。

  5. Tencent Hy49

    在 Cline 中试用 Hy4 preview [引用 @cline]：腾讯 Hy4 Preview 在 SWE-bench Pro 上领先。770B 参数，49B 激活，1M 上下文，以及迄今测得的其最大代际跃升。 很高兴看到又一个开放权重模型与前沿模型竞争。 在 Cline 中试用：1. npm i -g cline 2. /model 3. 选择 Hy4 preview

    引用Cline@cline

    Tencent Hy4 Preview leads on SWE-bench Pro. 770B, 49B active, 1M context, and their biggest generational leap measured to date. It’s exciting to see another open weights model compete against the frontier. Try in Cline with: 1. npm i -g cline 2. /model 3. Select Hy4 preview

  6. Hao AI Lab44

    Sky Computing Lab 开源 FastVideo FastH3 预览版，生成 15 秒视频仅需 13 秒，实现 14 倍加速。盲测中 45% 用户偏好 FastH3 或认为其与 MiniMax H3 持平。该预览版仅用部分数据和算力训练，权重已发布于 HuggingFace。

    引用Hao AI Lab@haoailab

    45% preferred FastVideo FastH3 or are neutral compared with @MiniMax_AI H3. Our open-weight FastH3 achieves 15s generation in 13s and 14x speedup. 🚀 Big shoutout to the folks at @fal and @isidentical for helping us run an eval against H3. As an open source project we always appreciate all the help we can get. The entire team is quite excited by this result for a preview checkpoint trained on a fraction of our planned total compute and partial data. Excited for what our next versions can do!! Weights: https://huggingface.co/FastVideo/FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree Blog: https://haoailab.com/blogs/fasth3-preview/ Thank you for your contribution to the open source H3 ecosystem @fal! https://x.com/isidentical/status/2093482587268522188

  7. IT之家·人工智能50

    开源鸿蒙机器人操作系统 M-Robots OS 3.0 Beta 版发布，重心从“单机能力”转向“群体智能”

    深开鸿在数博会上发布 M-Robots OS 3.0 Beta 版，将重心从“单机能力”转向“群体智能”。新版本围绕安全、实时、群体智能、数字底座四大方向升级，实现中断与任务切换时延均≤1μs 的微秒级硬实时响应，关键业务 2 秒内恢复。系统适配 ARM、RISC-V、LoongArch、x86 四大架构，兼容 ROS、Dora-rs、OpenHarmony 三大生态。

  8. Hao AI Lab57

    FastVideo 开源预览版 FastH3，15 秒视频生成仅需 13 秒，实现 14 倍加速，45% 用户偏好或认为其与 MiniMax H3 持平。该模型为预览检查点，仅用部分算力和数据训练。引用推文提醒，速度提升需配合质量评估，避免沦为“随机像素生成器”。

    引用batuhan the fal guy@isidentical

    Speed is easy when you ignore quality. I can generate random pixels under 1 nanosecond and claim to be ♾x faster than H3 and call it H3-ultra-lightning-fast. But this is not how people should innovate on speed in open. Image and video models are notoriously hard to optimize and we @ fal spend 2-3x more time on evals and making sure optimizations work than actual kernel engineering work. But when you see people claiming they are X times faster than original while messing the quality to a degree that the outputs has nothing to do with original model, it is annoying. Numbers below are for this case, but this is not the first/only one doing it. I'd recommend the authors below, and everyone on the field to run their own evals. Without preference and quality evals in the loop, ai-slop-performance agents can just lead you into a way you generate random pixels and it is just dishonest to call it anything but a random-pixel-generator.