支持文本、图像、音频、视频的多模态终身记忆，LoCoMo SOTA

集课程下载+视频学习+电子书阅读于一体，支持Udemy/抖音/快手/小红书等，内置时间戳笔记、闪卡、专注计时器

Ingest, parse, and optimize any data format：PDF/Word/PPT/Excel、图片、音频、视频一键转结构化Markdown，专为GenAI框架优化

甩一段视频进去，画面内容、背景音乐、音效、对白全给你分析出来——阿里原生全模态模型，30B只激活3B，还能直接用语音回答你，Apache 2.0

要同时读画面+声音分析快手/抖音短视频，实测硅基流动 Qwen3-Omni、DashScope Qwen3.5-Omni flash/plus、本地抽帧+ASR 五条链路，给出选型建议和避坑点。

字节跳动蒸馏版视频理解模型，DREAM-1K描述F1超越GPT-4o，8.3B参数低门槛部署

33B参数开源视频生成模型,文生视频/图生视频/首尾帧过渡,原生同步音频,支持2K,ComfyUI Day-0原生支持

33B 开源全模态视频模型，从零部署到 Motion Context 长视频拼接、低显存优化、fal.ai H3 Max 实时直播，一份搞定

OpenBMB 开源的 2B 参数文本转语音模型，支持 30 语言、Voice Design 声音设计、可控声音克隆，48kHz 输出，Apache-2.0 可商业使用

三家最新开源MoE视觉大模型，全部30B级只激活3B，定位完全不同

OCR/版面/表格/公式全流水线跑在显卡上，PDF 进 Markdown 出，单卡 5090 最快 559 图/秒，比传统 OCR 快 15-90 倍

复旦OpenMOSS开源11B实时视频理解模型：边看边答、主动沉默、动态纠错，NF4版单卡24G可跑

策划/分镜/生成/剪辑/交付全流程 Agent 串联，无限画布+技能插件生态+商业模板；配开源 H3 视频模型，768P 0.5元/秒、2K 0.8元/秒，年卡低至0.4元/秒

FLUX 1/2 团队新作：图像/视频/音频联合训练的世界模型，视频+原生音频最长 20 秒，Early Access 已开放

本地AI短剧/漫剧工作站:梗概进成片出,剧本→角色→分镜→合成全流程,数据不出本机,开源免费无订阅,模型API自己接

开源文档解析引擎,OpenDataLab 出品 78k Star。PDF/Word/PPT/Excel/图片一键转 LLM 友好的 Markdown/JSON,公式转 LaTeX、表格转 HTML、跨页表格合并、109 语言 OCR;Pipeline 后端纯 CPU 可跑,VLM 后端精度 95+,另有 mineru.net 在线服务免部署

Qwen3.6-27B正统后继：原生多模态+混合线性注意力架构，262K上下文，终端编程基准超Opus 4.6 Max，Apache 2.0可商用，量化后16GB内存可跑

中文口播稿出海东南亚怎么配音？覆盖云端统一方案(Qwen-Audio-3.0-TTS/ElevenLabs/MiniMax/豆包)、开源单模型(Scicom/Confucius4)和各语种专用模型(JaiTTS/VieNeu-TTS/Malaysian-TTS)，含选型矩阵