【AI News | 20250408】每日AI进展

AI Repos

1、sitemcp
sitemcp会抓取网站内容并缓存，支持使用micromatch指定抓取的页面路径以及CSS选择器来精细化选择页面内容，并把抓取的内容用作MCP服务器的数据源。它等于是把静态网站变成了一个可交互的知识库，配合MCP客户端进行提问，解锁了更丰富的应用场景。

2、5ire
高颜值且功能强大的 AI 助手应用，支持多种主流 AI 模型，支持通过 MCP 连接各种工具和数据源，同时具备本地知识库、提示词库和详细的 API 使用分析功能。主要特性：

• 支持 OpenAI、Anthropic、Google、Mistral 等多种 AI 模型；
• 通过 MCP 协议接入各类工具，如文件系统、数据库等外部资源；
• 集成 bge-m3 本地嵌入模型，支持多种文档格式的本地知识库构建；
• 提供 API 使用统计与费用分析，帮助优化 API 使用效率；
• 内置提示词库与书签功能，便于组织和复用优质提示与对话。
  

3、crawl4ai
Crawl4AI是一款专为LLM（大语言模型）和AI工作流设计的开源网络爬虫工具，提供高速、精准的网页抓取与结构化数据提取功能。其核心特性包括：支持BFS/DFS等深度爬取策略、智能Markdown生成（优化RAG应用）、浏览器集成（多引擎支持、代理管理）、动态内容处理（JS执行、懒加载捕获）以及云就绪部署（Docker、FastAPI）。0.5.0版本新增了内存自适应调度、多爬取策略和CLI工具，强调性能与灵活性。该工具通过启发式算法降低AI处理成本，并活跃于开源社区，适合大规模数据管道开发。

AI News

1、SkyReels-A2发布：双分支架构革新可控视频生成技术
SkyWork AI团队推出的SkyReels-A2框架通过创新的“元素到视频（E2V）”技术，实现了文本提示与参考图像的高度可控视频生成。其核心采用双分支架构：空间特征分支（细粒度VAE处理元素细节）和语义特征分支（CLIP编码提取深层语义），确保生成视频的自然衔接与多样性。该框架优化了推理效率，支持快速生成影视级内容，并开源提供商业应用潜力。配套的A2Bench评估基准结合客观指标与主观评价，为行业树立了新标准。这一技术有望推动影视、电商等领域的创意突破。

2、Vision-R1：强化学习驱动视觉定位，性能提升50%突破SOTA
中国科学院自动化研究所与中科紫东太初团队联合推出Vision-R1，通过类R1强化学习技术显著提升视觉定位能力，在目标检测等任务中性能超越现有最优模型（SOTA）50%，且参数效率更高（优于10倍规模模型）。其核心创新在于四维奖励机制：多目标预测评估、双重格式纠错、召回激励与精度优化，结合渐进式规则调整策略分阶段训练模型。在COCO和ODINW-13数据集测试中，该方法使图文大模型的定位精度接近专业水平，为多模态AI发展提供新范式。项目已开源，推动高效视觉任务研究。

3、Lipsync-2全球首发：零-shot嘴型同步技术开启视频创作新纪元
Sync Labs推出全球首个零-shot嘴型同步模型Lipsync-2，无需预训练即可实时适配任何演讲者的独特风格，显著提升真实感与表现力。其核心突破在于：消除传统技术对特定数据训练的依赖，支持真人、动画及AI生成内容的即时同步；新增"温度参数"调节嘴型表现强度，从自然到夸张自由切换（目前限付费测试）；支持多语言视频翻译、字级编辑、角色重动画化，尤其适用于教育、娱乐领域的UGC内容生产。该模型已在fal平台开放体验，被业界视为降低创作门槛、提升沉浸式体验的革命性工具。

4、IBM z17大型机震撼发布：日处理4500亿AI推理，能效比提升5.5倍
IBM最新推出的z17大型机搭载Telum II处理器，创下三大行业突破：日处理4500亿次AI推理运算，较前代z16提升50%，支持生成式AI等250+应用场景；内置48个Spyre AI加速器芯片（可扩展至96个），专为未来大模型预留计算与内存空间AI加速性能提升7.5倍的同时，能耗较行业标准降低5.5倍。该产品历经5年研发，收集超100家客户反馈，将于6月8日正式上市，目前71%财富500强企业仍依赖大型机技术。

5、英伟达数亿美元收购Lepton AI，贾扬清携团队加盟强化AI云服务布局
英伟达近日完成对AI初创企业Lepton AI的收购，交易金额达数亿美元。该公司由阿里前副总裁贾扬清于2023年创立，专注于为初创企业提供GPU服务器租赁和AI云开发工具，团队规模仅20人但技术实力突出。贾扬清及其联合创始人白俊杰已加入英伟达，其技术或将整合至DGX Cloud等产品线。此次收购凸显英伟达加码AI基础设施的战略意图，通过吸纳顶尖人才强化云端AI服务能力，进一步巩固其在AI计算生态中的领导地位。

6、谷歌发布Sec-Gemini v1安全AI模型，网络安全分析能力领先行业10%以上
谷歌推出实验性网络安全AI模型Sec-Gemini v1，该模型整合Gemini推理引擎与实时威胁情报数据，在威胁分析和漏洞识别方面表现突出，关键基准测试成绩领先竞品10.5%-11%，能快速关联威胁组织与具体漏洞，目前免费向选定机构开放测试，旨在通过AI技术提升网络安全防御效率，扭转攻防不对称局面。

7、国产开源图像模型HiDream-I1发布：17亿参数媲美国际主流AI画手
国产开源图像生成模型HiDream-I1近日发布，这款由HiDream-ai团队开发的17亿参数扩散模型在文本转图像任务中展现出优异性能，其色彩还原、构图完整性和风格多样性表现媲美Stable Diffusion等国际知名模型。该模型采用MIT许可证完全开源，提供完整版和精简版选择，并配备一键式推理脚本降低使用门槛，有望成为国产AI技术在国际开源社区的代表作，为艺术创作和商业设计领域提供新的AI工具选择。

8、阿里云Qwen3即将发布：vLLM框架已集成支持，MoE架构引期待
阿里云下一代大模型Qwen3即将面世，其支持已正式并入高效推理框架vLLM代码库。据悉Qwen3将推出8B基础版和采用混合专家(MoE)架构的15B-A2B版，后者通过专家路由机制在保持低计算成本的同时提升性能表现。vLLM的支持将显著提升Qwen3的部署效率，延续阿里云在开源AI生态的技术影响力，业界期待其在多模态能力和边缘计算场景中的突破表现。

9、ElevenLabs发布MCP服务器：一键为AI助手赋予语音交互能力
ElevenLabs推出的MCP服务器通过标准化协议将文字转语音、语音克隆等音频技术无缝集成至Claude等AI助手，提供包括多说话人识别、语音代理外拨等完整语音交互功能。该服务采用统一接口简化API调用流程，使开发者能快速为智能工具添加高质量语音合成、环境音效生成等能力，显著拓展了AI助手的多模态应用场景。

10、Cloudflare发布Node.js AI代理开发包：集成工作流引擎与多代理协作平台
Cloudflare最新推出的Node.js生态Agents开发包为AI代理开发提供基础设施支持，集成工作流引擎、工具框架、多代理协作平台(MCP)及状态持久化功能，显著简化代理系统的构建流程。该工具包通过动画演示直观展示Agentic模式相比传统生成式AI在非线性决策和复杂任务处理上的优势，结合Node.js生态与边缘计算能力，助力开发者快速构建智能自适应代理系统。

11、Mozilla推出LocalScore工具：轻松测试本地AI模型性能
Mozilla通过Builders计划发布开源基准测试工具LocalScore，兼容Windows/Linux系统，支持CPU和GPU环境下对本地大型语言模型(LLM)进行性能评估。该工具基于Llamafile0.9.2开发，提供独立二进制文件调用方式，并可选将测试结果存储至LocalScore.ai数据库（当前以Meta Llama3.1为基准模型），旨在为开发者提供简单可靠的本地AI模型测试方案，推动开源AI生态发展。

12、亚马逊升级Nova Reel视频模型：支持2分钟多镜头生成，新增构图控制模式
亚马逊发布AI视频生成模型Nova Reel 1.1版本，突破性支持生成长达2分钟的多镜头视频，并保持镜头间风格一致性。新版本引入"Multishot Manual"模式，允许用户通过上传图像(1280×720分辨率)配合文本提示(最长512字符)精准控制20个镜头内的视频构图。该服务目前仅通过AWS平台向申请用户开放，在视频时长和镜头控制能力上已与OpenAI等竞争对手展开差异化竞争，但训练数据版权问题仍存疑。

13、谷歌AI模式升级：多模态图像搜索上线，支持深度解析照片内容
谷歌宣布为AI模式用户推出多模态图像搜索功能，基于Google Lens技术可智能分析照片中的物体关系、材质等细节，并通过"查询扇出"技术响应复杂提问。用户上传书架照片即可获得个性化书籍推荐及购买链接，还能持续细化查询条件（如"哪本推荐书最短"）。该功能未来几周将向数百万实验室用户开放，标志着谷歌在增强型搜索领域与Perplexity等竞品的直接竞争。

14、阶跃星辰发布Step-R1-V-Mini多模态推理模型：视觉推理榜单国内第一
阶跃星辰推出全新多模态推理模型Step-R1-V-Mini，该模型支持图文输入与文字输出，采用多模态联合强化学习（PPO策略）和合成数据训练技术，有效解决图像空间推理的混淆问题。在MathVision等视觉推理榜单中表现优异，能精准完成地点识别、菜谱还原、物体计数等复杂任务，现已开放网页端和API接口供用户体验。