Qwen-Image-Layered 开源解读：把一张图拆成可编辑 RGBA 图层的“原生分层”模型
一、摘要 Qwen-Image-Layered 是 Qwen 团队开源的图像“层分解”模型：输入一张普通 RGB 图片，输出多张彼此物理隔离的 RGBA 图层。与常见的“在同一张扁平图上做编辑”不同，它把主体与结构拆到独立层，使得重着色、移动、缩放、删除等基础操作更接近设计软件的无损流程，并支持把某...
Admin •
243
MiniMax 开源 VTP：可扩展预训练让 Visual Tokenizer 直接提升 DiT 生成质量
一、摘要 VTP（Visual Tokenizer Pre-training）是 MiniMax（Hailuo）团队开源的视觉 tokenizer 预训练框架，面向扩散模型与 Diffusion Transformer（DiT）等下一代生成模型。项目指出传统“仅重建”的 tokenizer 训练会让...
Admin •
82
PE-AV（Perception Encoder Audiovisual）开源解读：驱动 SAM Audio 的音频分离引擎
一、摘要 PE-AV（Perception Encoder Audiovisual）是 Meta 开源的音频-视觉联合编码器家族，在 Perception Encoder 基础上加入原生音频能力，用统一嵌入空间对齐视频、音频、音视频与文本表征。它被用于支撑 SAM Audio 的关键组件，并在多项音...
Admin •
82
HY World 1.5（WorldPlay）开源发布：实时流式视频扩散的交互式世界模型
一、摘要 HY World 1.5（WorldPlay）是腾讯混元团队开源的实时世界模型框架，核心是一个支持流式生成的视频扩散模型。该系统可根据文本或图像输入，实时生成并更新可交互的 3D 世界，支持用户以第一人称或第三人称视角自由行走、观察和操作。其目标是解决当前世界模型在生成速度、长期一致性与上...
Admin •
222
MiMo-V2-Flash 开源解读：309B MoE、15B 激活参数与 256K 长上下文
一、摘要 MiMo-V2-Flash 是小米 MiMo 团队开源的混合专家（MoE）大语言模型，总参数约 309B、推理时激活参数约 15B，主打在较低推理成本下兼顾推理、编程与智能体（Agent）工作流。它强调长上下文能力（最高 256K）与推理效率之间的平衡，并提供可复现的技术报告、权重与推理部...
Admin •
289
LongCat-Video-Avatar 开源解读：音频驱动的长视频虚拟人生成如何做到更稳更真
一、摘要 LongCat-Video-Avatar 是基于 LongCat-Video 架构打造的音频驱动 Avatar（虚拟人）视频生成模型，面向“长时序、强一致性、写实动态”场景。它将音频与文本（可选参考图）作为条件，原生支持 Audio-Text-to-Video（AT2V）、Audio-Te...
Admin •
200