Underdog 发布 32MB 语音模型 Woof 并推出浏览器演示游戏
Underdog 发布仅 32MB 的语音生成模型 Woof,参数量 31 million,开放所有人下载,并配套推出一个可在浏览器中运行的游戏演示。该游戏包含打字机朗读输入内容和旋钮生成音乐等交互,公司称模型可在多数设备上离线运行。此前 Underdog 还发布了 167MB 的端侧语音转文字模型 Bark,以及一个可在笔记本上运行的 27-billion-parameter 模型。
Underdog 发布仅 32MB 的语音生成模型 Woof,参数量 31 million,开放所有人下载,并配套推出一个可在浏览器中运行的游戏演示。该游戏包含打字机朗读输入内容和旋钮生成音乐等交互,公司称模型可在多数设备上离线运行。此前 Underdog 还发布了 167MB 的端侧语音转文字模型 Bark,以及一个可在笔记本上运行的 27-billion-parameter 模型。
gradium 团队发布端侧文本转语音模型 Phonon,两个版本约 65 MB 和 75 MB,覆盖英语、法语、德语、西班牙语和葡萄牙语,无需服务器和网络即可运行。
推荐理由:原文交代了 Phonon 的端侧运行方式、开源许可和榜单表现,读者可据此判断小模型语音合成的可用边界。
LiquidAI 发布 LFM3 新一代 Liquid Foundation Models,六个 2B 级模型(文本、视觉、音频、omni 及两个 d1 决策模型)全部从 LFM3-1.7B-Base 分支而来,覆盖文本、图像、视频和音频输入。
推荐理由:LiquidAI 公布了 LFM3 的架构改动与六个 2B 级模型的实测对比,可据此判断端侧多模态选型。
Block 研究实验室发布语音模型 Dessa,完全基于人类语音训练,可在单块 NVIDIA GPU 上本地运行,并能同时说话和倾听。该模型能表现笑声、停顿和哭腔等情绪,Block 称情绪内建于模型而非依赖语音标签驱动,目前尚未公开开放,正邀请安全研究者测试。Dessa 可在 MacBook M4 Max 或更高配置的消费级电脑上运行。
Block 发布语音模型 Dessa,称其完全基于人类语音数据从零训练、不使用任何文本数据,直接以音频形式处理语音,可实时捕捉情绪、讽刺、笑声和停顿。该模型支持全双工交流,可在 MacBook Pro M4 Max 本地运行,训练使用单台 NVIDIA GB200 NVL72。Dessa 目前尚未公开,团队先招募 AI 安全研究人员测试潜在风险。
AI 初创公司 Recursive 发布首个模型 Flint,这是一个可在笔记本上运行的免费编码模型,以 Apache 2.0 许可证在 Hugging Face 开放下载。
Meta 发布开源权重模型 Muse Spark Open,称其为美国最强开源权重模型,采用 8160 亿参数和 100 万 token 上下文窗口,原生多模态,面向复杂编码与智能体任务。
Meta 发布 Muse Spark Open 模型,称其是迄今能力最强的美国开源权重模型,也是同类中首个能在桌面端运行、需两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 的模型。
推荐理由:Meta 与 Apple 罕见联手,让 816B 参数开源模型能在两台 Mac Studio 上本地运行,可观察端侧大模型的部署边界。
Nvidia 发布 Nemotron 3.5 Super VL,一个 120B 参数的开源多模态模型,采用 MoE 架构,每个 token 仅激活 12B 参数,面向持续在后台运行的企业智能体。
推荐理由:原文给出 Nemotron 3.5 Super VL 的架构、压缩与缓存细节,可据此判断开源多模态模型在企业智能体场景的落地边界。
NVIDIA 发布开源 1200 亿参数的 Nemotron 3.5 Super VL,面向多模态智能体任务,并同步推出两款端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Bolt E4B 4GB。
推荐理由:原文给出三款模型的参数规模、内存占用与开放权重,读者可据此判断不同部署层级如何选择。
LiquidAI 发布 LFM2.5-24B-A2B,一个 24B 参数、每 token 仅 2B 激活参数的推理模型,面向端侧私有智能体。它基于 LFM2-24B-A2B 架构,上下文窗口从 32K 扩至 131K,词表从 65K 扩至 128K,预训练数据从约 17T 扩至约 33T token,并改为先输出思维链再作答的纯推理模型。
推荐理由:LiquidAI 公布新模型的架构、训练流程与 16 项基准对比,可据此判断端侧智能体的能力边界。
LiquidAI 发布 d1 决策模型家族的两款开源模型 d1-3B 和实验性的 d1-omni-600M,前者支持文本与图像,后者支持文本配图像或音频。
推荐理由:LiquidAI 开源两款端侧决策模型,给出决策指数排名与 Jetson 实测延迟,可据此判断端侧多模态决策的可用性。
Google DeepMind 发布 EmbeddingGemma 2,一个基于 Gemma 4 架构、Apache 2.0 许可的开源多模态嵌入模型,可将文本、图像、音频和视频映射到统一嵌入空间。
推荐理由:官方给出 740M 参数、模块化编码器与端侧内存占用,可据此判断本地多模态检索的落地门槛。
Google 发布开源多模态嵌入模型 EmbeddingGemma 2,可将文本、图像、视频、音频和代码转换为向量,参数量 7.4 亿。Google 称其在多模态嵌入基准上超过参数量两倍的竞品,在 Massive Text Embedding Benchmark(Code)上得分 78.68,较前代 68.76 提升近 10 分。
Google DeepMind 发布多语种手语转文本模型 SL2T,首次把手语 AI 带入消费产品:在 Pixel 11 的 Gboard 和 Live Transcribe 中支持美国手语(ASL)转英文听写,后续将扩展更多设备与语言。
推荐理由:SL2T 把多语种手语翻译从实验室带进 Gboard 与 Live Transcribe,读者可了解其数据规模与端侧隐私设计。
Google DeepMind 发布 Gemma 4 12B,一款面向笔记本本地运行的多模态模型,介于边缘端 E4B 与 26B MoE 之间,采用无编码器统一架构,视觉和音频输入直接进入 LLM 主干。
推荐理由:Gemma 4 12B 用无编码器架构把视觉和音频直接接入 LLM,读者可据此判断本地多模态智能体的硬件门槛。
Google DeepMind 发布 Gemma 4 开源模型家族,包含 E2B、E4B、26B MoE 和 31B Dense 四种尺寸,采用 Apache 2.0 许可。
推荐理由:Gemma 4 以四种尺寸覆盖从手机到工作站的部署,并给出 Arena 排名与 Apache 2.0 许可,便于判断开源模型的可用边界。