FLUX.2是Black Forest Labs发布的开源图像生成与编辑模型，支持文生图、多图参考和图像编辑，具备更丰富的细节、清晰纹理和稳定光线。分为四个版本：FLUX.2 [pro]（媲美顶级闭源模型）、FLUX.2 [flex]（可调节参数）、FLUX.2 [dev]（开源32B权重模型）和FLUX.2 [klein]（即将推出的轻量化模型）。模型基于Mistral-3 24B视觉语言模型和Rectified Flow Transformer架构，能处理复杂排版、信息图和UI文字渲染，支持高达4MP分辨率的编辑。开源版本可在Hugging Face获取，商业授权需访问官网。
ViMax是香港大学数据科学实验室开源的多智能体视频生成框架，能实现从创意输入到视频输出的全流程自动化。整合了剧本生成、分镜设计、镜头规划和视频渲染等功能，支持用户通过自然语言描述生成连贯的影视级视频，特别擅长处理长篇小说转视频等复杂任务。框架采用MIT开源协议，提供本地部署方案，适用于自媒体、教育等内容创作场景。与传统AI视频工具相比，ViMax解决了角色不连贯、叙事结构缺失等问题，能自动生成带音画同步的完整视频。
在传统机器学习开发中，环境配置是制约项目推进的首要难题。不同开发者的操作系统差异、Python版本冲突、依赖库版本不兼容等问题，常导致”在我机器上能运行”的经典困境。Docker通过容器化技术，将应用及其依赖环境打包为独立镜像，解决了这一核心痛点。
HunyuanOCR是腾讯混元团队开源的高性能光学字符识别模型，参数量仅10亿。基于混元多模态架构开发，采用端到端设计，能高效处理文字检测、识别及文档解析任务。模型在复杂文档测试中得分94.1分，超越谷歌Gemini3-Pro等主流产品，支持14种小语种翻译。轻量化特性适用于票据识别、视频字幕提取等场景，开源地址为GitHub和Hugging Face平台。
Fara-7B是微软开源发布的70亿参数规模的计算机操作代理（CUA）模型，基于Qwen2.5-VL-7B架构。通过视觉解析网页截图，在屏幕上执行点击、输入等操作，无需依赖额外的可访问性树或多个大模型协作，可直接在Windows 11本地运行，支持NPU加速，实现更低延迟和更好的隐私保护。Fara-7B在WebVoyager、Online-Mind2Web等公开基准测试中表现优异，任务成功率高，部分任务领先同级模型。采用全新的合成数据生成流程进行训练，包含大量任务轨迹和辅助任务数据，以监督微调为主。
Supertonic是开源的高性能的文本转语音（TTS）系统，专注于在本地设备上快速生成语音。采用ONNX Runtime技术，可在手机、电脑甚至树莓派等设备上运行，支持23种语言和语音克隆，无需网络连接即可实现毫秒级响应。特色在于处理复杂文本的能力，能自然朗读包含数字、符号的非标准文本，适合开发实时语音应用。用户可通过GitHub获取开源代码和模型，支持Python、Node.js等多种编程环境。