Gorden Sun

FLUX.1 Kontext：GPT-4o图片编辑的绝对竞争者 效果相当好，我认为比GPT-4o更强。 改图时可以保持人物一致性，指令遵循强，即使连续迭代一张图，图片质量降低的也很小。你可以试试用GPT-4o连续改一张图，人物会改的面目全非。 从低到高分dev、pro、max三个版本，pro就够用，dev小范围开源中。 图1：原图； 图2：改背景； 图3：继续改发型； 图4：继续改衣服；

AI资讯日报，5月29日：

Lemon AI：开源通用智能体 写的是全栈通用智能体，但是目前看起来就是调用LLM+搜索API+经验库，来实现类似Deep Research的功能。 Github： 手册：

DualParal：生成1分钟长度的视频 使用分布式推理策略，可以让DiT视频模型生成1分钟长度的视频。 项目地址：

DeepSeek R1小版本升级 虽说是小版本，代码能力提升明显，前端审美大幅提升。 我就说要炫酷的网页，就做出这样的效果。

AI资讯日报，5月28日：

OmniConsistency：DiT绘画模型通用插件 适用于Flux等DiT绘画模型，能在保持主体一致性的同时，实现风格泛化，且与现有的LoRA兼容。效果非常好，风格化接近GPT-4o的水平，人物一致性的保持比GPT-4o好。 在线使用： 模型：

HunyuanVideo-Avatar：语音驱动视频生成 通过音频，生成人物说话的视频，人物有肢体和头部动作，有表情，支持多角色。适用于虚拟人的场景。 模型：

AI资讯日报，5月27日：

AI资讯日报，5月26日：

AI季度报告 由Artificial Analysis出品，可以明显看出，Google在AI全领域、全模型都处于前列位置。 PDF地址：

AI资讯日报，5月24日：

AI资讯日报，5月24日：

Veo 3好哇

谷歌新发布的Gemini 2.5 Flash Exp Audio模型，是原生多模态模型，支持文本、图片、语音输入，支持文本、语音输出。 输出的语音支持各种语气和声音，也能唱歌和RAP，虽然中文有时会有发音错误，但整体也非常不错了，ASMR的少女声音，让人感觉又恋爱了。 下方视频第一段：少女ASMR 下方视频第二段：唱歌和RAP

AI资讯日报，5月23日：

还是多模态的模型好，GPT-4o可以同时兼顾绘画和语义。

Google AI Studio升级 最大的亮点是新增了很多Starter Apps，包括GIF Maker（生成动图）、Co-Drawing（辅助绘画）、Video Toys（基于视频创建教育应用）等许多有趣的小应用。 官方介绍：

Mistral OCR：目前最佳OCR模型 支持多种语言，评分全面超过Gemini 2.0 Flash，支持在Le Chat使用和API调用。 调用API的话，别忘了之前ElevenLabs的大礼包，里面送25美元的Mistral API金额，免费领取地址： 在线使用： 官方介绍：

olmOCR：可能是目前最好的开源OCR模型 基于微调后的7B视觉语言模型，微调数据为260000页PDF页面，完全开源，包括模型权重、数据和训练代码、推理代码，4090可以本地运行。 Github： 模型： 在线使用：

阿里开源Wan 2.1很不错，效果接近可灵1.5，需要抽卡，手部有时出问题。 在Fal上可以使用，支持图生视频、文生视频，每个视频耗费0.4美元，地址： 在ElevenLabs的免费大礼包里，可以免费领取50美元的Fal额度，可以用体验Wan 2.1和Google Veo 2。领取地址：

灰度到了微信的AI搜索，很好用

微软发布OmniParser 2.0版本，用于把屏幕截图转化成LLM可处理的结构化格式，再结合屏幕操作工具即可让LLM操作屏幕。 模型： Github：

FireRedASR：小红书开源的语音识别模型 支持识别普通话、方言、英文，分2个版本： FireRedASR-LLM：8.3B，为端到端的语音多模态LLM设计，能力更强，中文准确率开源最佳 FireRedASR-AED：1.1B，兼具效率和效果。 Github： 模型：

DeepSeek官网稳定的时候，体验是最好的，长下文长，能联网。但是用的人越来越多，几乎每次都是服务器繁忙了。 几个免费的备用方案： 1、英伟达NIM： 2、Github Models（需要手动调整输出长度为4K）： 3、TogetherAI：