支持真人、动漫与动物驱动，美团开源多风格音频驱动视频生成框架 LongCat 1.5；百万级图表理解数据集 ChartNet，提升 VLM 图表重建与表格提取能力

4 小时前

LongCat-Video-Avatar 1.5 由美团 LongCat 团队于 2026 年 5 月推出，是一款全新的开源音频驱动视频生成（AI2V）框架。用户仅需提供一张静态参考图和一段音频，即可生成口型精准同步的动态化身视频。该模型采用 Whisper 驱动的语音特征提取；步数蒸馏技术将 DiT 生成过程压缩至极速的 8 步，不仅保证高保真画面，还能生成长视频内容。其全领域泛化能力覆盖真实人像、 2D/3D 动漫角色及动物化身，为多场景视频生成提供高效、可靠的解决方案。

目前，HyperAI 超神经官网已上线了「LongCat-Video-Avatar 1.5 数字人模型」，快来试试吧~

在线使用：https://go.hyper.ai/NROTv

欢迎登录官网查看更多内容：

https://hyper.ai

6 月 06 日- 6 月 12 日，hyper.ai 官网更新速览：

* 优质公共数据集：6 个

* 优质教程精选：3 个

* 社区文章解读：3 篇

* 热门百科词条：5 条

* 7 月截稿顶会：5 个

访问官网：hyper.ai

公共数据集精选

1. ChartNet 图表理解多模态数据集

ChartNet 是由 MIT 联合 IBM Research 等机构于 2026 年发布的大规模高质量多模态数据集，旨在解决现有模型在几何视觉模式、结构化数值与文本描述联合推理上的不足。该数据集包含 420 万合成图表样本、 94,643 人工验证的图表样本和 3 万真实世界图表，覆盖 24 种图表类型与 6 种绘图库。

在线使用：https://go.hyper.ai/0CNr7

2. OpenSAL360 全景视频显著性数据集

OpenSAL360 是目前最大规模的全方位视频显著性数据集，旨在支持视觉注意力、显著性预测以及多模态视频分析的研究。该数据集包含 500 段来自 YouTube 的多样化全景视频，平均时长 18.1 秒，由超过 2,000 名观察者完成数据标注。

在线使用：https://go.hyper.ai/u7NqD

3. Movie Feelings 电影情感特征数据集

Movie Feelings 是一个电影情感特征数据集，旨在系统刻画电影所引发的细粒度情绪（feelings）特征，突破传统仅基于正负面情感或基础情绪分类的局限。该数据集包含 1,500 部具有代表性且具有文化影响力的电影，时间跨度为 1920 年至 2024 年，覆盖 50 种情感状态。

在线使用：https://go.hyper.ai/b4m71

4. FigureBench 科学插图生成基准数据集

FigureBench 是由西湖大学文本智能实验室于 2026 年发布的科学插图生成基准数据集，旨在解决从长篇幅科学文本中自动生成高质量科学插图的任务，为自动科学插图生成研究提供了具有挑战性且多样化的测试平台。

在线使用：https://go.hyper.ai/Agaku

5. AI Student Impact AI 辅助学习影响数据集

AI Student Impact Dataset 是涵盖多维度变量的大规模教育行为数据集，旨在系统分析生成式 AI 工具在高校学习场景中的真实影响。该数据集包含 50,000 名学生样本，共 16 个结构化特征字段，覆盖学生的学术背景、 AI 使用行为、学习行为、机构背景、心理健康状态、应用场景等数据。

在线使用：https://go.hyper.ai/zWoGM

6. Noisy Medical Document 含噪医疗文档图像数据集

Noisy Medical Document 是一个面向 OCR 与医疗文档理解任务的噪声增强医疗文档图像数据集，旨在模拟真实医疗场景中扫描文档所面临的复杂噪声干扰问题，提升 OCR 模型与文档理解模型在真实环境下的鲁棒性与泛化能力。该数据集包含 1,000 张高保真合成医疗文档图像，其中医院账单 500 张、出院小结 500 张。

在线使用：https://go.hyper.ai/kL7gc

公共教程精选

1. LongCat-Video-Avatar 1.5 数字人模型

LongCat-Video-Avatar 1.5 由美团团队于 2026 年 5 月发布的，是一款全新升级的开源音频驱动视频生成（AI2V）框架。仅需一张静态参考图和一段驱动音频，即可生成高度逼真、口型完美同步的动态化身视频，且能够轻松应对复杂的真实世界场景以及动漫、动物等风格化领域。

在线运行：https://go.hyper.ai/NROTv

2. dots.tts：全连续自回归文本转语音系统

dots.tts 由 rednote-hilab 于 2026 年 6 月发布，是一个 2B 参数的全连续、端到端自回归文本转语音系统。它的主干结构由语义编码器、 LLM 和自回归 flow-matching 声学头组成，基于 48 kHz AudioVAE 直接建模连续音频表示，不使用离散语音 token 。

在线运行：https://go.hyper.ai/YT3g3

3. Gemma4 12B-it：图文音统一多模态模型

Gemma 4 12B-it 是 Google DeepMind 发布的 Gemma 4 系列统一多模态模型，采用 encoder-free 架构，将图像和音频直接投影到 LLM 的嵌入空间中，无需独立的编码器即可处理文本、图像和音频三种模态，在 12B 参数量级实现了强大的推理、编码和多模态理解能力。

在线运行：https://go.hyper.ai/0713z

💡我们还建立了 Stable Diffusion 教程交流群，欢迎小伙伴们扫码备注【SD 教程】，入群探讨各类技术问题、分享应用效果~