欢迎来到本期【AI日报】。今天的 AI 领域更新集中在视频生成、图像生成、音频模型、开源大模型、智能回复、开发者工具以及 Agent 训练框架等多个方向，多个新产品与开源项目同步亮相。
新鲜 AI 产品点击了解：https://app..com/zh
今日重点
快手上线 AI 视频制作助手 Kwali，字节跳动推出并开源 USO 图像生成模型，OpenAI 则发布了 ChatGPT 开发者模式。与此同时，微软、Stability AI、阿联酋相关机构、微信公众号、字节 Seed、月之暗面、B 站和 Replit 也陆续带来多项 AI 产品与技术更新。
1、快手推出 AI 视频制作助手 Kwali，一句话生成短视频
快手发布了 AI 视频制作助手 Kwali，通过云端多 Agent 框架，把视频创作流程进一步自动化。用户只需输入需求，Kwali 就能自动分析卖点、目标受众和使用情境标签，并完成脚本生成、镜头匹配、剪辑以及合成等步骤，从而提升短视频制作效率。
【提要:】
🌟 Kwali 是快手推出的 AI 视频制作助手，主要面向短视频内容生成场景。
🎬 多 Agent 系统可自动完成脚本、素材匹配和剪辑流程，减少人工参与。
💰 对商家来说，这类工具有助于压缩制作成本，并加快内容上线与资金回笼。
详情链接:https://kc.kuaishou.com/kwali
2、字节跳动推出 USO 模型，缓解 AI 图像生成中的“风格与主题”冲突
字节跳动推出 USO 模型，重点解决图像生成中风格驱动与主题驱动难以兼顾的问题。借助新的训练方式和大规模数据集，该模型在风格表达和主体呈现方面都表现出更好的灵活性与准确度。目前，USO 已全面开源，为数字艺术和商业设计等应用提供了新的探索空间。
【提要:】
🎨 USO 模型旨在同时兼顾图像生成中的风格控制与主题一致性。
📊 该模型依托创新训练方式和大规模数据集，提升了生成结果的灵活性与精准度。
🌍 USO 已全面开源，方便开发者在创意内容和商业设计中尝试应用。
详情链接:https://github.com/bytedance/USO
3、微软推出 Copilot Audio 音频模式，强化个性化语音交互
微软上线了全新的 Copilot Audio 音频模式。该功能基于微软自研的 MAI-Voice-1 模型，提供情感、故事和脚本三种语音模式，以适配不同表达场景。用户还可以选择多种声音与风格，例如莎士比亚朗读和体育评论等形式，进一步丰富语音交互体验。与此同时，微软还推出 MAI-1 模型，并将其集成到 Office 应用中，显示出其在 AI 方向上的独立推进。
【提要:】
🎭 Copilot Audio 音频模式支持情感、故事和脚本三类语音表达。
🎙️ 功能提供多种声音和风格选项，增强了语音互动的表现力。
🔍 MAI-1 模型被集成到 Office 应用中，体现微软在 AI 模型上的持续布局。
详情链接:https://copilot.microsoft.com/labs/audio-expression
4、Stability AI 发布 Stable Audio 2.5，升级专业音频生成能力
Stability AI 推出了最新音频生成模型 Stable Audio 2.5。该模型能够快速生成高质量、可定制的音频内容，支持更复杂的音乐创作，并新增了音频修补功能。与此同时，Stability AI 还与 WPP 合作，面向品牌场景提供更一致的音频识别服务。
【提要:】
🎵 Stable Audio 2.5 可生成复杂音乐作品，并支持快速生成最长三分钟的音轨。
🖌️ 新增音频修补功能，用户可上传音频文件，由 AI 继续完成或扩展录音。
🤝 Stability AI 与 WPP 等大型客户合作，推进品牌音频识别服务。
5、阿联酋推出开源 AI 模型 K2 Think，参数规模达 320 亿
K2 Think 是由阿联酋穆罕默德・本・扎耶德人工智能大学与 G42 AI 联合推出的开源大语言模型。该模型拥有 320 亿参数，并以每秒 2000 个 tokens 的生成速度受到关注。K2 Think 在复杂数学、编程和科学基准测试中表现突出，采用高效推理设计，在较少计算资源下实现了较强性能。模型还提供完整训练数据、模型权重和部署基础设施，支持商业应用，也被视为阿联酋扩大全球 AI 影响力的一个标志。
【提要:】
🧠 K2 Think 是阿联酋推出的开源 AI 模型，参数规模为 320 亿。
⚡ 模型生成速度可达每秒 2000 个 tokens。
🚀 K2 Think 聚焦复杂推理，采用高效且开放的设计，并支持商业应用。
详情链接:https://www.k2think.ai/guest
6、微信公众号上线智能回复功能，数字分身可 7*24 小时互动
微信公众号推出智能回复功能，借助人工智能技术帮助运营者提供更高效、更个性化的互动服务。该功能不仅能提升公众号回复效率，也有助于改善用户体验和运营效果。
【提要:】
🤖 公众号运营者可开启智能回复功能，提高与用户互动的效率。
💡 数字分身能够学习历史文章和语言风格，生成更个性化的回复。
🌐 智能回复支持 7*24 小时在线，有助于增强用户黏性和互动体验。
7、OpenAI 推出 ChatGPT 开发者模式，首次支持 AI 直接控制外部工具
OpenAI 发布 ChatGPT 开发者模式，使 ChatGPT 能够直接控制外部工具。此次更新意味着 AI 助手正从对话式工具进一步迈向自动化代理形态，有望提升开发效率，同时也通过多层安全机制来控制操作风险。
【提要:】
🧠 ChatGPT 开发者模式首次支持 AI 直接控制外部工具，具备自动化代理能力。
🔧 开发者可以创建自定义连接器，让 ChatGPT 执行写入操作和更复杂任务。
🔒 该功能加入多层安全防护，以保障操作准确性与安全性。
详情链接:https://platform.openai.com/docs/mcp https://platform.openai.com/docs/guides/developer-mode
8、字节 Seed 推出 AgentGym-RL 框架，提升大语言模型代理决策能力
字节跳动 Seed 研究团队推出 AgentGym-RL 框架，重点面向大规模语言模型代理的强化学习训练，使其能够完成多轮互动决策。团队还提出 ScalingInter-RL 训练方法，用于优化代理学习效果。实验结果显示，AgentGym-RL 在多个任务上表现优于商业模型，并具备与顶尖专有大模型相当的能力。
【提要:】
🌐 AgentGym-RL 通过强化学习训练大规模语言模型代理，提升复杂任务决策能力。
🔄 ScalingInter-RL 通过阶段性调整交互过程，帮助代理在训练中平衡探索与利用。
🏆 实验结果显示，该框架显著提升代理表现，超越多个商业模型，并具备与顶尖专有大模型相当的能力。
详情链接:https://agentgym-rl.github.io/
9、月之暗面开源 Checkpoint Engine，为 LLM 推理引擎提供热更新能力
月之暗面开源了中间件 “Checkpoint Engine”，该项目面向大规模语言模型（LLM）推理引擎设计，可实现高效的原地热更新。其性能表现包括在 20 秒内完成 1 万亿参数模型的权重同步，并支持数千个 GPU 并行处理，从而减少停机时间并提升训练效率。
【提要:】
🚀 Checkpoint Engine 可在 LLM 推理引擎中实现模型权重的高效实时更新。
⚡ 该中间件支持数千个 GPU 并行处理，可减少强化学习训练中的停机时间。
🌐 开放设计便于未来扩展到 SGLang 等其他框架。
10、B 站开源文本转语音模型 IndexTTS-2.0，支持情感与时长控制
B 站开源了自主研发的文本转语音系统 IndexTTS-2.0。该系统具备情感可控和时长可调能力，标志着零样本 TTS 技术在实用化方向上又向前推进了一步。通过引入时间编码机制，以及对音色和情感进行解耦建模，IndexTTS-2.0 提升了语音合成的自然度和表现力，可用于 AI 配音、有声读物、视频翻译等场景。
【提要:】
🕒 系统引入时间编码机制，提高语音时长控制精度。
🎭 通过音色与情感解耦建模，增强合成语音的表现力。
🌍 支持跨语言视频本地化体验，可服务全球内容出海。
详情链接:https://huggingface.co/spaces/IndexTeam/IndexTTS-2-Demo
11、Replit 推出 Agent 3，自主性提升 10 倍
Replit 发布了更高自主性的智能编程助手 Agent 3。该工具在代码生成、调试和项目管理方面能力进一步增强，可根据用户自然语言需求生成高质量代码，并主动分析项目上下文、提出优化建议，帮助开发者提升效率。
【提要:】
🧠 Agent 3 可根据自然语言需求生成代码，并结合项目上下文给出优化建议。
⚙️ 支持多种编程语言，覆盖代码生成、调试和项目管理等流程。
🚀 该工具旨在减少重复工作，提升开发效率，让开发者更专注于创造性问题解决。
详情链接:https://replit.com/agent3
一句话总结
本期 AI 动态显示，视频、图像、音频、编程助手和智能代理等方向都在加速产品化与开源化，AI 工具正从单点生成能力走向更完整的自动化工作流。