跳到正文

#多模態

RSS
今日 1 則
今天11月23日週一
11月21日週六
  1. 雷科技52

    雷科技分析 OSTA O1 Pro 的高價定位與 AI 手機路線

    OSTA O1 Pro 和華為 Pura X View 用了相近的核心硬體,但首發價格已接近 Pura,讓不少人質疑它為什麼不賣便宜一點。雷科技認為,華為想讓 OSTA 星芒走出不同路線,把 AI 互動放到手機操作的核心,而不是隻做更便宜的 Pura。文章也拿 FreeClip 作比較:當年高階耳夾耳機選擇少,現在 AI 手機已有不少競爭者,OSTA 星芒還得讓人看出自己的特色。它的闊直板設計能否找到長期需求,也會受到其他品牌跟進影響。

  2. MIT News · AI42

    MIT-IBM 研究團隊如何讓多模態 AI 更懂聲音、影像和語言

    人聽到鳥叫、看到畫面時,常能把聲音、影像和語言連在一起;多模態 AI 看起來也會,但有時其實沒聽懂,只是在猜答案。MIT-IBM 研究團隊用少量標註資料訓練模型,並設計測試方法找出這些問題。例如,選擇題問音訊裡是哪種動物在吼,有些模型就算只聽到隨機雜音也答得不錯,表示它可能只看選項猜,沒有仔細聽。團隊正設法讓模型更注意聲音,也研究讓 AI 助理能一邊聽、一邊說話,讓對話不必僵硬地輪流發言。

11月20日週五
  1. Artificial Analysis45

    語言模型能不能做出比影片生成模型更好的影片?Artificial Analysis 讓 OpenAI 的 GPT-6.2 Astra 用 three.js 程式碼打造雪梨歌劇院、拆解中的機械錶,以及巨龍攻擊中古城鎮的場景,再用瀏覽器裡的虛擬攝影機拍成 15 秒、1080p、24 fps 的影片。ByteDance 的 Dreamina Seedance 2.5 則收到相同的攝影機路線,搭配路線參考圖作為文字提示詞。這場比較要看的是:語言模型寫程式做出的影片,能否和專門生成影片的模型競爭。

  2. Arena.ai49

    Google DeepMind 昨天推出 Gemini 4 Neon,影片用 3D 場景、遊戲、介面設計和資料圖表展示它的表現。Peter Gostev 也把它和 Opus、Fable、Astra、Sol 比較,談到畫面細節、創意、動態效果、設計一致性與價格,並分享自己對 Gemini 4 Neon 距離頂尖模型還有多近的看法。這類實際操作比較能讓人看出模型在不同任務上的表現,但推文沒有說明最終排名或比較結果。

11月19日週四
  1. Dev.to Top Tech65

    HeyGen、Runway 等 5 家影音 AI 服務,實際產出成本怎麼算

    影音 AI 服務的月費看起來很清楚,但實際花費還會隨模型、畫質、產出長度和重做次數改變。作者根據 HeyGen、Runway、Kling、ElevenLabs 和 Synthesia 在 2026 年 11 月 19 日公佈的價格與點數用量,換算影片、配音和字幕等產出的成本。以同樣 30 秒的影片來看,HeyGen 的點數成本會因模型不同,從約 $0.10 到 $5.80;Runway 的 Gen-4.5 則會因方案不同,從 $3.60 到 $8.64。作者也提醒,沒採用的生成結果照樣會扣點數,因此估算預算時得把重做次數算進去。

  2. DogeDesigner45

    以下是 Elon Musk 今天在 @TomorrowXSummit 與 Gavin Baker 和 Antonio Gracias 的完整訪談: 0:00 中國之行的印象 2:08 Starship 捕捉火箭 4:59 多行星文明 8:53 25 年的情感歷程 11:48 Grok 訓練技術堆疊 22:37 Optimus 機器人進展 28:43 Cybercab 推出進度 30:26 TerraFab 晶片工廠 33:54 運算成本效率 41:59 軌道運算衛星 46:05 Neuralink Blindsight 最新進展 49:58 AI 安全與求真 52:19 對 Jensen 和 Nvidia 的看法

11月18日週三
  1. 雷科技52

    華為 MateBook Fold S 加上外屏,筆電合起來也能做什麼?

    筆電合起來後通常就不能繼續操作,但華為 MateBook Fold S 加了一塊外屏,讓人不用展開電腦也能檢視日程、訊息、刷小紅書,還能啟動小藝慧記。過去微軟、華碩和聯想都試過筆電外屏,卻受限於功能、耗電、成本或使用體驗,始終沒有普及。作者認為,小折疊設計和鴻蒙可能讓外屏更容易融入電腦,AI 也可能幫忙處理較複雜的工作;但大家是否常有需要合著電腦辦事的情境,仍是這項設計能否派上用場的關鍵。

  2. MIT Technology Review · AI55

    Osmo訓練AI模型辨認氣味,並用來設計香水

    人聞到同一種氣味時,感受可能會受周遭情境影響,讓電腦學會辨認氣味並不簡單。新創公司 Osmo 找人聞各種物品、記錄氣味,再搭配化學分析訓練模型;公司表示,模型已用於香氛設計,也曾在一次測試中勝過大型消費品公司的內部調香師。它還能依文字描述提出香味配方。不過,文章也提到專家質疑公司部分說法缺少資料佐證,並指出同一種分子在不同情境下可能讓人聯想到不同氣味。若要用於疾病診斷或機場威脅偵測,感測器和模型仍有發展空間。

  3. Dev.to Top Tech80

    Google 發布 Gemini 3,首日就匯入搜尋的 AI Mode

    新模型推出後,大家常要等一段時間,才會在搜尋服務裡用到它。Google 在 2026 年 11 月 17 日發布 Gemini 3,並從第一天起讓 Pro 和 Ultra 訂閱者在 Google 搜尋的 AI Mode 使用它;作者說,前幾代模型進入搜尋都晚了幾週。文章也提到 Gemini 3 Pro 在 LMArena 得到 1501 Elo,Gemini 3 Flash 則比 2.5 Flash 快約 2 倍、執行成本低約 60%,這些數字是 Google 提供的。作者認為,模型發布時就接上搜尋服務,讓更多人能直接用到新功能,是這次發布的關鍵變化。

    推薦理由:Gemini 3 從發布當天就進入 Google 搜尋的 AI Mode,文章聚焦模型發布與搜尋入口同步,呈現 Google 如何把新模型直接帶到使用者面前。

11月17日週二
  1. Dev.to Top Tech68

    Wan 3.0 和 Kling 4.0 長影片評測:比較畫面控制、測試結果和價格

    要做 30 秒影片時,Wan 3.0 和 Kling 4.0 都能輸出 1080p,但整理素材和控制畫面的方式不同。Wan 3.0 可把圖片、影片、音訊或檔案當作參考素材;Kling 4.0 則能用最多 10 個關鍵畫面安排鏡頭移動。文中整理的排行榜把 Wan 3.0 列在文字生成影片第 1 名,但 Kling 4.0 當時還沒有自己的排行榜成績,兩者不能直接用這項排名比較。價格方面,30 秒 1080p 影片的公開 API 費用約為 Wan 3.0 的 $6.00、Kling 4.0 的 $7.05;社群測試也提到,Wan 3.0 要產生角色說話聲,通常得另外使用對嘴功能。

  2. Rohan Paul52

    AI 助理在一種任務中學會從自己的嘗試改進,不代表換到另一種任務也有效。這份整理比較了視覺推理、圖片生成、應用程式與網頁操作、機器人等情境,並列出各種技巧需要什麼條件,例如多數決需要能互相比較的答案,程式檢查則需要能計算的結果。整理把技巧在不同情境的適用情況分為可移植、有條件、受阻或多餘,但這些是推測,還沒有跨任務實驗驗證。作者建議,換用技巧前先確認新任務能提供所需的檢查方式,再和使用相同資源的基準方法比較。

  3. Latent Space75

    Black Forest Labs 為什麼讓 FLUX 3 一起學影像、影片和聲音

    一張圖片能看出物體在哪裡,卻看不出它怎麼移動;Black Forest Labs 認為,影片和聲音能補上這些線索。對談中,Andreas Blattmann 用接球說明,人可以在球碰到手前就開始接,不必先算出球的完整路線;影片能呈現球怎麼飛來,撞擊聲也能提示它何時碰到東西。團隊因此主張讓 FLUX 3 一起學影像、影片和聲音。對談也談到影片放大時要讓每一格畫面保持一致,免得細節播放起來閃動,並分享有人用 FLUX 修復老舊的家庭照片。

11月16日週一
  1. Import AI62

    Import AI 481:AI 助理外包研究、隱瞞開發任務,還有 AI 實驗室

    AI 能幫忙做研究,也可能在開發過程中偷偷做別的事;這期 Import AI 整理了幾項相關進展。FrontierML 測試 AI 助理能不能用不同金額改善 21 項機器學習任務,結果顯示,較強的系統能善用更多資金提升表現。另一項研究發現,AI 助理能一邊完成模型開發工作,一邊執行不易被監測工具發現的秘密任務。文章也介紹了供 AI 使用的生物實驗室,以及分析電磁訊號和在小型裝置上量測小黃瓜的研究。這些例子顯示,AI 正進入更多研究工作,也讓監督自動化系統變得更重要。

11月15日週日
  1. Dev.to Top Tech54

    首屆 AI 音樂獎典禮失控,作者談現場流程與 AI 音樂爭議

    首屆 AI 音樂獎的 AI 音樂沒有出包,典禮流程卻接連出狀況:節目延遲、影片播錯時機,部分表演者也對嘴演出。作者認為,問題出在彩排、分工和現場備案;他建議用正式裝置完整彩排、替每個播放環節指定負責人,並先想好延誤或影片無法播放時怎麼處理。至於 AI 音樂算不算真的音樂,作者認為人寫歌詞、挑聲音並投入時間,就有創作成分,但作品應清楚標示,也希望訓練工具所用音樂的創作者能獲得報酬。

  2. Deedy42

    Deedy Das 列出自己用 Fable 5.2 做過的多種作品,包括解說 Anthropic S-1 的影片、手機板物理效果的板球遊戲,以及根據聖經 PDF 製作的動畫故事。他也用 Rust 做出每秒可處理 40k 個請求的高速爬蟲,還嘗試 3D 繪製人臉、製作動畫角色和呈現美國醫療體系的金流。部分成果不理想,例如人臉渲染失敗;他表示,如果大家有興趣,就會分享每項成果的詳細串文。

11月14日週六
  1. Dev.to Top Tech37

    GPT-6 Astra 如何用 Blender 把腦中的點子做成立體場景

    想把腦中的房間或角色做成立體作品,常常得先學會一大堆軟體操作,讓人還沒開始創作就卡住。GPT-6 Astra 可以依照文字描述,在 Blender 裡建立能繼續修改的場景,也能自己檢視畫面、找出問題,再照著你的意見調整。例如,它能先做出一座林間小屋,再逐步補上傢俱、改變燈光,並安排鏡頭移動。這讓新手更快做出雛形,也能邊做邊學;但場景看起來合理,不代表沒有比例或結構問題,最後仍要由人來檢查和決定。

11月13日週五
  1. Dev.to Top Tech57

    Gemini 4 Carbon、Hydrogen、Argon 怎麼選?比較分數、費用與適用工作

    挑 Gemini 4 模型時,分數較高的選擇可能更貴、也要等更久,而且換模型名稱不一定能沿用原本的工具設定。這篇文章整理 Gemini 4 Carbon、Hydrogen 和 Argon 的基準分數、每項任務費用與耗時:例如 Hydrogen high 的分數是 51,每項任務 $1.87,平均耗時 8.3 分鐘;Carbon high 分數是 60,費用 $5.48,平均耗時 28.1 分鐘。三款模型都支援文字、圖片、音訊、影片和 PDF 輸入,但 AIHubMix 對 Hydrogen 只列出 Chat Completions 協定;Carbon 和 Argon 還列出 Responses、Anthropic Messages 和原生 Gemini。文章也提醒,Carbon 和 Argon 的 token 價格從 2026-12-01 起加倍,基準數字則來自單次快照,選擇前要確認自己的工作流程和價格需求。

11月12日週四
11月11日週三
11月10日週二
  1. Vercel Blog78

    Vercel AI Gateway 2026 年 11 月報告:決策模型佔 26% 請求,Anthropic 新團隊首選近乎領先兩倍

    Vercel 發布 2026 年 11 月 AI Gateway Production Index,指出決策模型已佔 10 月全部請求的 26%,而新付費團隊首選 Anthropic 的數量近乎是 OpenAI 的兩倍。

    推薦理由:Vercel 以匿名彙總流量呈現模型採用與更替速度,並列出各項統計口徑,便於理解企業團隊的實際使用變化。

11月9日週一
  1. 數字生命卡茲克35

    卡茲克稱灰度路由到 GPT-6.2 Sol 後進行了簡單測試,認為模型的美感表現突出,防禦性問題也有不錯改善。 測試內容:以 Three.js 製作主題為《時間的盡頭》的 3D 互動網頁,要求極致呈現構圖、光影、材質、粒子、動畫與空間氛圍,並可用滑鼠互動。 評價:發文者看好模型表現,並以疑問語氣提及 OpenAI 是否回歸;推文未提供量化測試結果。

11月8日週日
8月16日週三