4月9日AI要点!人人都能搭建Agent!Claude Managed Agents!Meta重磅模型Muse Spark!15秒视频做数字分身Avatar V,Runway自定义角色音色

👇进群，不错过每日最新AI资讯噢~

💡主要内容

Meta 发布 Muse Spark：原生多模态模型，迈向个人超级智能

Meta 推出原生多模态模型 Muse Spark，这是 Muse 系列的首款模型。

Muse Spark 在视觉、语音等多模态上进行原生融合，支持内置工具调用、视觉思维链和多智能体编排。

其新推出的“沉思（Contemplating）”模式允许模型并行调度多个代理进行深度推理，在复杂任务上明显提升推理能力。

• 原生多模态推理： Muse Spark 将视觉、文本和代码理解统一在一个模型中，并支持通过工具调用执行外部程序或生成代码。这种原生融合使模型能够在视觉 STEM 问题、实体识别和定位等任务上取得较好表现

• 视觉思维链： 模型可以在回答前进行多步图像‑文字推理，生成可解释的中间步骤和视觉标注，从而改善复杂问题的解决能力

• “沉思”模式 (Contemplating)： 支持多智能体编排，通过增加测试时计算量，让多个并行 Agent 协作推理，在保持低延迟的同时大幅提升性能。官方称该模式在 Humanity’s Last Exam 和 FrontierScience Research 等基准上分别达到58%和38%的分数，可与现有顶尖模型媲美！

• 高效扩展： 相比前代模型 Llama 4 Maverick，Muse Spark 达到同等能力所需的计算量降低了一个数量级以上，训练效率极高。

Muse Spark 正在向部分开发者开放 API 预览，并计划将 Contemplating 模式逐步推送至 meta.ai 应用。

⭐使用地址：

https://meta.ai/https://ai.meta.com/blog/introducing-muse-spark-msl/

Anthropic 发布 Claude Managed Agents：一站式 Agent 构建平台

Anthropic 宣布开放 Claude Managed Agents 的公测。为使用 Claude 构建自主代理提供托管基础设施，开发者只需定义代理的任务、使用的工具和安全规则，托管环境会负责沙箱隔离、状态管理和权限控制等运行细节。

简单来说，你可以把它理解成一个“官方托管版 AI 智能体工作台”：以前如果开发者想让 Claude 执行长任务，往往得自己搭很多复杂的底层系统；而 Managed Agents 就是 Anthropic 直接把这套基础设施做好，开发者只需要告诉它任务、工具和规则，Claude 就能在一个有状态的会话里持续工作，带着持久事件记录、安全沙箱和内置工具去完成更长链条的任务。通俗点说，它像是把“只会一问一答的 AI”升级成了“有人给它配好工作环境、工具箱和安全护栏的数字员工”，所以开发者不用从零搭脚手架，就能更快做出会自己行动的 AI 应用。

• 托管代理架构： 与直接调用模型的 Messages API 不同，Managed Agents 提供一个预先配置好的“代理框架”，包括模型、系统提示、工具库、MCP服务器和技能管理等。
• 自动环境管理： 开发者可以创建定制化环境，配置容器的软件包和网络权限；启动会话后，代理会在云端持续运行，并根据用户事件异步执行任务。
• 内置工具支持： 托管代理内置 Bash 命令、文件读写、网页搜索和抓取等工具，未来还将接入代码执行、内存管理等更多工具。

官方定位为适合长时间运行、多次调用工具的任务，例如代码评审、文档生成或复杂数据分析；所有会话状态保存在云端，可随时查看或中断。

备注：Claude Managed Agents 目前处于测试阶段。

🌟阅读更多：

https://platform.claude.com/docs/en/managed-agents/overview

🤖️AI 3D

SP‑6M ：人脸扫描数据集，通过一张照片快速进行3D人像重建

Ten24 团队推出 SP‑6M 数据集（高分辨率人类头部扫描库），包含超过 115 万张 RAW CR2 图像和 1.6 万套 3D 扫描数据。研究者利用该数据集探索从单张图片到高保真 3D 人像的重建技术。

亮点：

1. 1. 超大规模数据集： SP‑6M 提供超过 1,158,411 张未压缩 RAW CR2 图像和 16,297 个 3D 扫描，涵盖 7,632 名参与者，每人拍摄 11 种表情，用于支持高质量面部表情建模。
2. 2. 重拓扑网格： 数据集包括重拓扑的中性人脸模型和完整配套纹理，可用于训练生成式和几何网络。
3. 3. 3D 人像重建探索： Ten24 展示了基于 SP‑6M 的早期研究，能够从单张照片恢复头部几何和纹理。这项工作借助 3D 高斯散射及深度学习，实现了自然发型、光照等条件下的高保真重建。

⭐项目地址：

https://www.sp-6m.com/

🤖️AI 创作

Runway: 支持自定义AI角色语音

Runway 为其视频生成工具引入了自定义语音功能，用户现在可以根据文本提示或参考音频设计独特的语音。用户可以在 Generative Audio 中训练专属声音并为虚拟角色配音。

• 文本驱动语音设计： 用户只需输入描述性文字（如“带有沙哑感的低沉男音”），即可生成全新的、从未存在过的音色，支持调整语调、语速和情感表现力。
  
• 训练自己的声音： 用户上传 10 秒到 5 分钟的语音样本，或录制官方提供的脚本，即可为声音命名并提交训练。

• 角色与语音匹配： 生成的语音可以完美同步到视频中的 AI 角色上，实现音画合一的沉浸式体验。
• 每个自定义声音需要 300 积分训练，仅供上传者本人或经授权的声音使用，保障版权和隐私

⭐阅读详情：

https://docs.dev.runwayml.com/characters/custom-voice/

HeyGen 发布 Avatar V：15 秒视频打造数字分身

HeyGen 推出下一代视频生成模型 Avatar V，用户录制 15 秒视频即可生成数字分身，模型可保持面部身份和动作一致性，并支持不同服装、背景等外观变化

• 15 秒录制即可生成： Avatar V 通过一次 15 秒的手机录制就能捕捉用户真实的面部几何、微表情和动作模式。
• 身份一致性： 相比以往仅在短片段里保持效果的模型，Avatar V 通过深度训练解决了“身份漂移”问题，使长视频中人脸在各种角度和动作下始终保持用户本人的形象。
• 多角度和多外观生成： 模型将“表演”与“外观”分离；用户只需录制一次，就可以在后续生成不同服装、场景或风格的视频，而人物动作仍来自真实录制
• 多语言支持： 支持 175 种以上语言，让数字分身能进行全球化表达。

使用说明：

⭐使用地址：

https://www.heygen.com/avatars/avatar-v

Black Forest Labs 发布 FLUX.2 Small Decoder：更轻、更快的高质量图像生成

Black Forest Labs 推出 FLUX.2 Small Decoder，这是一个经过蒸馏的 VAE 解码器，旨在不牺牲图像质量的前提下，显著优化生成效率。

• 解码速度提升： 相比完整版解码器，解码速度提升了约 1.4 倍，显著缩短了图像生成的最后一步耗时。
• 显存占用降低： 显存需求降低约 1.4 倍，使得在显存受限的设备上生成更高分辨率的图像成为可能。
• 参数量大幅精简： 通过优化通道宽度，参数量从 50M 减少到 28M，更适合资源受限的环境部署。
• 无缝替换： 作为标准 FLUX.2 解码器的“即插即用”替代品，与 FLUX.2-klein 等系列模型完全兼容，图像质量几乎无损。

⭐项目地址：

https://huggingface.co/black-forest-labs/FLUX.2-small-decoder

🤖️AI 模型/应用

腾讯云：发布 AI 浏览器QBotClaw

腾讯云在 QQ 浏览器中上线智能助手 QBotClaw。用户无需安装额外软件，只需在 QQ 浏览器侧边栏启用即可免费使用，还支持通过微信 Clawbot 扫码与电脑端浏览器直连。Mac 版已上线，Windows 版即将推出。

• 精准网页操作： 内置自研 Skill 库，能精准识别动态网页元素，支持购物比价、跨平台发帖等复杂自动化任务。
• 深度上下文记忆： 基于浏览器运行，能感知当前页面内容、登录账号和打开的文件，无需反复交代背景。
• 兼容开放技能： QBotClaw 完全兼容 OpenClaw 技能，用户可配置不同国内大模型的 API Key，灵活调用多家模型能力

⭐相关信息：

说句话就能干活的 AI 浏览器来了

字节跳动发布 Seeduplex：全双工语音大模型，交互更自然

字节跳动发布了原生全双工语音大模型 Seeduplex。相比早期半双工端到端语音模型，Seeduplex 基于“边听边说”的新框架，能够在用户讲话的同时持续聆听，大幅提升交互自然度和流畅度。目前该模型已在豆包 App 全量上线，旨在提升实时语音助手的对话能力并支持更拟人化的用户体验

• 精准抗干扰： 具备持续倾听能力，能精准忽略背景噪音和无关人声。在复杂环境下，误回复率和误打断率减少了一半。

• 动态判停： 综合语音和语义特征判断用户意图。面对用户思考时的犹豫，它会耐心倾听；用户说完后，响应极快，抢话率下降 40%。

• 超低延迟： 相比传统半双工方案，接话延迟降低约 250ms，在快问快答或飞花令等高频互动场景中表现极佳。

⭐信息来源：

https://seed.bytedance.com/zh/seeduplex

Liquid AI 发布 LFM2.5-VL-450M：专为边缘设备设计的轻量级视觉语言模型，能够在极低算力下实现复杂的场景理解。

Liquid AI 发布 LFM2.5-VL-450M，这是一款专为边缘设备设计的轻量级视觉语言模型，能够在极低算力下实现复杂的场景理解。这是其 LFM2‑VL‑450M 的增强版，新模型通过扩大预训练数据量和强化学习优化，提升了多语言理解、目标检测和指令遵循能力。

• 训练规模和功能改进： 新模型的预训练语料从 10 万亿 token 扩大到 28 万亿，并通过偏好优化和强化学习提高了视觉‑语言对齐能力。
• 新增功能： 增加对象检测和边界框预测（RefCOCO‑M 指标从 0 提升到 81.28），并加入函数调用能力，以便将视觉输出转换成结构化指令。
• 多语言支持： 在 MM‑MBench 多语言基准中，模型对阿拉伯语、中文、法语、德语、日语、韩语、葡萄牙语、西班牙语等语言的理解分数由 54.29 提升至 68.09。
• 实时性能： LFM2.5‑VL‑450M 在 Jetson Orin 等边缘设备上处理 512×512 图像时延约 240 毫秒，适用于每秒 4 帧的实时视频流，手机 SoC 上在小分辨率下也能保持秒级响应。

⭐来源：

https://www.liquid.ai/blog/lfm2-5-vl-450m

⚠️部分内容由AI生成，可能存在偏差

💗有任何疑问，请提前联系邮箱：alolg@163.com