#多模態
RSS 訂閱#多模態
RSS
Bilawal Sidhu@bilawalsidhu品質評分4242
雷科技品質評分5252 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。
MIT News · AI品質評分4242 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。
Artificial Analysis@ArtificialAnlys品質評分4545
Arena.ai@arena品質評分4949
Dev.to Top Tech品質評分6565 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。
DogeDesigner@cb_doge品質評分4545
雷科技品質評分5252 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。
MIT Technology Review · AI品質評分5555 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。
Dev.to Top Tech精選品質評分8080 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。
Dev.to Top Tech品質評分6868 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。
Rohan Paul@rohanpaul_ai品質評分5252Latent Space品質評分7575 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。
Import AI品質評分6262 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。
Bilawal Sidhu@bilawalsidhu品質評分5858
Dev.to Top Tech品質評分5454 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。
Deedy@deedydas品質評分4242
Dev.to Top Tech品質評分3737 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。
Dev.to Top Tech品質評分5757 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。
Dev.to Top Tech品質評分4646 DeepSeek-V4.1-Flash-1017 評測:60 頁 PDF 的文字擷取遺漏了什麼
DeepSeek-V4.1-Flash-1017 在一次 60 頁 PDF 測試中,正確回答了檔案文字與表格的 20 題,但無法從 PDF 文書處理流程讀取只存在於點陣圖表中的數值。
elvis@omarsar0品質評分3737好快!Google 現在推出了自家的決策模型。 它支援文字、圖片、音訊、影片和 PDF。 很想看看它在我的研究基準測試中的表現。很快會分享結果。
Linus ✦ Ekenstam 🔜 Adobe MAX Miami 2026@LinusEkenstam品質評分5757
Dev.to Top Tech品質評分3838 Quest 2 與 Quest Pro 將結束支援,Meta 轉向新一代 VR 硬體
Meta 宣佈 Quest 2 與 Quest Pro 將結束支援:兩款裝置預計在明年初收到最後一次 OS 更新,Meta 也將把 HorizonOS 開發資源轉向新硬體,並預告 Meta VR Glasses 將於來春推出。
Dev.to Top Tech品質評分3939 Google DeepMind 的藥物研究工作流程與 NexoPeek VR 分子視覺化工具解析
Google DeepMind 發表以 Google Antigravity 為基礎的藥物化學工具文章,介紹可加速藥物研究工作流程、搜尋化合物並提出新型剛性化大環分子的 Skills;文章也探討如何用 NexoPeek 的 VR 分子視覺化輔助研究者檢視 AI 提出的結構。
Dev.to Top Tech品質評分3838 Gentle Monster Android XR 智慧眼鏡將於 12 月推出,帶動智慧眼鏡視覺訓練的想像
Gentle Monster 確認與 Samsung、Google 合作打造的 Android XR 智慧眼鏡將於 12 月推出;文章藉此探討智慧眼鏡能否支援雙眼視覺協調訓練,並以 Amblyotube 為例說明相關應用。
Rohan Paul@rohanpaul_ai品質評分3737
Dev.to Top Tech品質評分4646 Handshake 的三類評測場景:前沿模型需要什麼資料?
Handshake 展示金融建模、科研影像判讀與檔案操作安全評估三類AI 助理評測,說明評估不只看最終答案,也要檢查任務工作流程與實際操作紀錄。 - 金融建模:在 ATLAS-Finance 模擬銀行環境中,AI 助理須從郵件和交易檔案找出任務,並交付試算表工作簿。
Vercel Blog精選品質評分7878 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。
Dev.to Top Tech品質評分5454 NexoPeek 如何以 VR 探索蛋白質結構
NexoPeek 是面向 Meta Quest 的 VR 分子實驗室,提供蛋白質結構導覽、視覺化與分析工具,作者分享了以 VR 觀察血紅素及氧氣結合的經驗。
Dev.to Top Tech品質評分3535 Meta 的 Muse 即時語音 AI 虛擬化身,對照 Amblyotube 的 VR 視覺訓練設計
Meta 宣佈 Muse 可讓 AI 虛擬化身即時語音對話,並依說話內容同步虛擬化身、按需求調整語氣;文章以此對照 Seven Sports 開發的 Amblyotube,探討如何把 VR 影片觀看轉為弱視與視覺協調訓練。
數字生命卡茲克@Khazix0918品質評分3535
Dev.to Top Tech品質評分4242 Lenacapavir 年費降至 40 美元,NexoPeek 以 VR 呈現 HIV 藥物結構
Lenacapavir 將以每年 40 美元的價格提供給中低收入國家;文章並介紹 VR 應用程式 NexoPeek,讓使用者透過 Meta Quest 3 以沉浸式方式檢視 HIV 衣殼蛋白與藥物結合結構。
Dev.to Top Tech品質評分4343 NexoPeek VR 分子瀏覽器評測:以沉浸式互動呈現藥物作用與結構生物學
NexoPeek 是一款可在 Meta Quest 3 上使用的 VR 分子瀏覽器,讓使用者以手部操作檢視分子結構、藥物與蛋白質的結合,以及生物分子互動。
Dev.to Top Tech品質評分4949 AmblyoPunch 如何以 VR 遊戲進行弱視雙眼訓練
AmblyoPunch 是 Seven Sportz 為 Meta Quest 開發的 VR 訓練遊戲,透過分別控制呈現給雙眼的影像,讓玩家在遊戲中進行弱視相關的雙眼協調訓練。
Chip Huyen (AI Engineering)品質評分3535 LLM 研究中的開放挑戰
summary_zh: Chip Huyen 在 LinkedIn 與 Twitter 上討論了 LLM 研究的 10 大主要方向,並特別關注降低幻覺、最佳化上下文學習與多模態整合等議題。