MiniMax开源H3-Image:原生4K出图,Agent接管屏幕?
本周AI圈最务实的变化是闭源能力快速开源。MiniMax开放了支持4096分辨率的H3-Image图像模型权重,Thinking Machines Lab也开源了594B参数的Inkling 2编程模型。更值得关注的是应用层突破:Pinky让Claude等Agent能直接操作iPhone和Android手机,Jane
模型层面:大参数和高分辨率一起放开
这几个月里,开发者看AI模型主要盯两件事:写得动复杂代码,或者出得了能用的高清图。这两样本事过去多半锁在闭源API里,按调用次数掏钱。不过这周的形势变了,两家头部厂商直接把权重放了出来。
MiniMax H3-Image:原生4K,不靠拼凑
MiniMax在11月11日发布H3-Image模型,权重同步开放。卖点很直接:一次就能出4096×4096像素的图像。在这之前,高清大图一般得走“先出小图再放大”或者“分块生成再拼接”的路子,容易留下痕迹。H3-Image改用6步采样流程,原生支持多种宽高比,最多还能同时吃进16张参考图。也就是说,人物、产品、背景素材可以分开丢进去,让它拼出一张完整的海报或商品图。
文生图之外,它也能做图像编辑。手头有一张现成海报,想让模特换个姿势,或者把背景里的咖啡杯换成茶杯,用文字描述就行。对需要大量物料的设计团队来说,这种“参考图+文字指令”的流程比从头抽卡可控得多。
本地部署的门槛其实不低。显存得够大,能承载模型,推理组件也要配好。但对有算力储备的团队,这省掉了每次调API的费用和延迟。
Inkling 2 Small:594B参数的编程专才
Thinking Machines Lab在11月12日开放了Inkling 2 Small的权重。这是个面向编程和Agent任务的多模态模型,总参数量594B,靠稀疏MoE架构,每个Token只激活17B参数,智能水平和推理成本之间算是找平了。它支持文字和图片输入、输出文字,专门针对代码生成、工具调用和信息检索做了优化。官方给了NVFP4和MXFP8两种量化版本,其中NVFP4版本要求至少500GB总显存,明显是给有多卡服务器的研发团队准备的。
许可是Apache 2.0,兼容SGLang、vLLM等主流推理框架。想自建代码助手的企业,拿它当基座就能用。
ZONOS3-Mini:轻量级多语言语音克隆
语音方向可以看看Zyphra发布的ZONOS3-Mini。总参数约8亿,每Token仅激活1亿参数,支持的语种却有43种,普通话也在其中。它的强项是声音克隆和控制:给一段参考录音,就能生成音色相近的配音,语速、情绪和表现力都能细调。视频创作者可以用自己的声音快速做多语言旁白,或者给角色配上特定语气,不用录海量素材。
应用层:Agent走出聊天框
模型变强只是底子,真正的变化在应用层。Agent正从“陪聊”转成“干活”的角色,开始有了手和脚,能操作真实设备,也能进到团队的协作流程里。
Pinky:让AI直接操作你的手机
DIYgod做的Pinky大概是本周最让人兴奋的项目之一。这是个开源的手机操作应用,走MCP(Model Context Protocol)协议,让
Claude Code、Codex、Cursor这些AI工具直接读屏幕内容,执行点击和输入。设想一下让AI帮忙订票:以前得自己打开App一步步点,现在Pinky把手机屏幕投到电脑上,AI分析界面元素,自动点按钮、填表单。整个过程有录屏回放,执行步骤随时能查。付款这类敏感操作默认会暂停,等人确认。
Pinky目前处于pre-alpha阶段,客户端覆盖macOS、Windows和Linux,手机端要先完成连接授权。它还不完美,但方向很清楚:AI不再只给建议,而是替你执行。
agentes.chat:把Agent变成同事
Pinky是让AI操作手机,agentes.chat则是让AI进团队的工作群。这是个可自行部署的协作平台,频道聊天、文件共享、任务管理和AI Agent都集成在一起。每个Agent可以配置特定角色、所用模型、预算上限和负责人。Agent通过MCP连接外部工具,查数据库、发通知、生成报告都行。团队成员在聊天里直接给Agent派任务、看进展,敏感操作通过审批卡确认。
这种模式解决的痛点是信息孤岛。以前在Chatbot里问问题,在Notion里记笔记,在Jira里追任务,各管各的。现在这些都在同一个界面里流转,Agent成了团队里一个特殊的“成员”。
创作与效率:从物理模拟到本地笔记
本周除了硬核的开发工具,还冒出一批既好玩又实用的创作和效率类开源项目。
CHIMERA:不用AI模型的语音合成
多数TTS(文字转语音)工具都靠深度学习模型,得拿大量数据去训。CHIMERA没走这条路,它用的是纯物理建模。
具体来说,它在浏览器里借WebAssembly跑一个Rust音频引擎,把气流、声带、声道、嘴唇和鼻腔的物理结构模拟出来。舌头、嘴唇、下颌的位置都能拖动,声音会跟着实时变化。输入文字或歌词,它就按这些物理参数生成朗读或演唱的效果。
这种做法完全可控,也不用操心版权或数据隐私。听感上或许比不上顶级的AI模型自然,但它打开了另一种创作维度,实验性音乐或教育场景用它挺合适。
Yogurt:隐私优先的会议笔记
开会记笔记一直是个老难题。开源AI会议笔记应用Yogurt把本地化处理当成核心卖点。它能采集麦克风和系统声音,用Whisper等模型在本地转写,再结合本地语言模型出摘要。
整个流程里,录音不用往云端传,也不必拉一个奇怪的录音机器人进会议。跨会议搜索也支持——你问它“上周关于预算的讨论说了什么”,它会给出答案并标注出处。
眼下它支持Apple Silicon Mac、Windows和Linux,内存至少8GB。对看重数据隐私的团队或个人来说,这比商业SaaS更让人安心。
Jane Street的Socratic Tutor:像导师一样刷题
华尔街量化巨头Jane Street开源的学习Skill叫Socratic Tutor。它不直接把答案递给你,而是模仿苏格拉底式的教学法。
开场先抛几个问题摸你的底。学习过程中一次只问一个。答错了它也不急着纠正,而是换一个更窄、更具体的问题,让你自己撞见矛盾。连着错上两三次,它才正面讲知识点。
“诊断-拆分-引导-复习”这一套流程,用来学编程、数学这类逻辑性强的学科很对路。你可以把它加载进支持Skill的Claude Code,也可以把提示词直接粘到普通聊天机器人里用。
开发基础设施:更透明的资源管理
本地部署模型越来越普遍,开发者对底层资源管理的需求也跟着涨。
gputaskman:看清显存到底被谁吃了
跑本地模型,显存溢出是最常见的坑。终端监控工具gputaskman不光显示进程级的GPU内存占用,还会进一步标出哪些是模型权重、哪些是缓存、哪些是中间激活值。
排查显存泄漏、优化推理配置时,这些信息很有用。nvidia-smi给的是原始数据,它给出的解释更贴近开发者的视角。
Kiri:轻量的Docker替代方案
Kiri是Rust写的轻量容器运行环境,兼容Docker Engine API。也就是说docker命令和Compose配置文件照旧能用,换来的体验更轻快,还带图形管理界面。它支持macOS、Windows(通过WSL 2)和Linux,个人开发者和小团队拿它管本地开发环境挺合适。
要是你觉得Docker Desktop太臃肿,Kiri算是一个清爽的替代选项。
其他值得关注的工具
- GIF工厂:把制作动图的流程封装成Agent Skills,批量生成表情包或动态海报都能用。
- Claude Animated Shorts 是一套动画制作 Skill,基于 three.js 和 Remotion 搭建,AI 可以代写代码,做出简单的 2D 或 3D 动画短片。HolyArrs 则是开源的自托管影视库管理平台,把下载、字幕、媒体服务器整理等功能装在一起,NAS 用户用得上。DeepSeek 开源的 chat-demo 是个静态聊天前端,演示了怎么接入其 API 实现搜索、文件读取、语音交互,适合拿来二次开发。
这一周的方向已经很清楚了:模型能力往下走,应用形态往上浮。4K 生图和 500B+ 参数的模型都变得随手可得,开发者的注意力也在转移——从“怎么把 API 调通”变成“怎么让 AI 真把活干完”。Pinky 去操作手机屏幕,Yogurt 在本地跑起来,其实都在做同一件事:把人和 AI 之间剩下那道隔阂磨掉。