跳到正文

#多模態

RSS
今日 1 則
11月4日週三
  1. llama.cpp Releases82

    llama.cpp v0.9.0 發布:新增 FP8 E4M3 量化與多序列 KV 快取最佳化

    llama.cpp v0.9.0 正式發布,新增 FP8 E4M3 量化、flash_attn_ext_rows 等多項功能,並擴充多模態與音訊支援。 - 量化:加入 OCP FP8 E4M3 tensor type,提供轉換輔助,提升量化模型效能。

    推薦理由:此版本新增 FP8 E4M3 量化與多序列 KV 快取最佳化,並支援多種新架構與音訊功能,能顯著提升多模態推理效能與跨平臺部署彈性,為開發者帶來更高效能與更低延遲。

  2. Vercel Blog45

    Tencent Hy4 登上 AI Gateway,年底前享 5 折優惠

    Tencent 的 Hy4 已在 AI Gateway 開放使用,並提供至 2026 年 12 月 31 日止的 5 折優惠。 模型功能:Hy4 支援推理、工具呼叫、結構化輸出與影像輸入,具備 1M-token 上下文視窗,可用於跨程式碼庫或大量檔案的工作。它是 Hy 系列首款具備視覺能力的模型,能辨識影像細節並讀取複雜圖表,也支援在命令列與圖形介面中操作電腦。 相較 Hy4 Preview:Hy4 更能遵循指令,處理長上下文、長時間執行任務與深度研究的表現也有所提升。 使用方式:模型名稱為 tencent/hy4。安裝最新版 Vercel CLI 並執行設定後,可在 Claude Code、Codex、Cursor 等代理程式中選用;也可在模型 playground 試用。 AI Gateway:提供統一 API,可呼叫模型、追蹤用量與成本,並設定重試、故障轉移及效能最佳化。平臺依供應商定價、不加價,推論不收平臺費,包含 BYOK 請求。

  3. OpenAI News42

    OpenAI 加速 AI 模型應用於實體產品工程設計與製造

    OpenAI 分享模型協助工程師設計、模擬與製造實體產品的進展,涵蓋機械、電機工程及端到端系統設計,並正與業界合作,在實際工程工作流程中評估這些能力。 - Astra 設計裝置:OpenAI 使用 GPT‑6 設定功能需求,並由 Astra 設計外殼、PCB、介面與軟體整合,製作可用來與 Codex 對話的裝置。

11月3日週二
  1. Vercel Blog57

    LongCat 2.5 開放於 Vercel AI Gateway 使用

    LongCat 2.5 已在 Vercel AI Gateway 開放,可供 AI 助理執行複雜程式碼庫與完整專案建置任務。 模型能力:結合原生視覺理解、程式開發與多步驟工具使用;Meituan 表示,模型在視覺程式設計、創意設計與 3D 任務上有所改善,也支援從規劃到執行的較長AI 助理工作流程。 輸入與上下文:支援文字和影像輸入,提供 1M-token 上下文視窗,可用於程式碼、檔案與延伸任務紀錄。 使用方式:模型名稱為 meituan/longcat-2.5。安裝最新版 Vercel CLI 並執行 setup 後,可在 Claude Code、Codex、Cursor 等AI 助理中選用;也可在模型 playground 試用。 AI Gateway:提供統一 API 以呼叫模型、追蹤用量與成本,並設定重試、故障切換與效能最佳化。依原文說明,定價比照供應商,不加價,也不對推論收取平臺費用,包含 BYOK 請求。

  2. Google AI Official Blog79

    2026 年十月 Google AI 重大更新:Gemini 4 系列與 Genie 4 推出

    Gemini 4 Argon 於 10 月全球發布,支援複雜程式碼、財務分析、法律流程與機器人物理推理。 Gemini 4 Carbon 以長期工程與網路安全為核心,現於美國政府及安全合作夥伴進行預發布測試。

    推薦理由:Google 在十月推出 Gemini 4 系列與 Genie 4,展示前沿推理與即時模擬能力,並提供安全防護與健康追蹤功能,讀者可評估其對開發者與科研的實際效益。

11月2日週一
10月31日週六
10月30日週五
10月29日週四
  1. Apple Newsroom79

    Apple 推出搭載 PROLED XDR 螢幕的 MacBook Pro,加入觸控操作與 M5 Pro、M5 Max

    Apple 推出搭載 PROLED XDR 螢幕的新款 MacBook Pro,讓使用者能直接觸碰螢幕操作,也能透過 Dynamic Island 檢視搜尋、即時更新和 Siri AI。新機有 14 吋和 16 吋兩種尺寸,搭載 M5 Pro 或 M5 Max,螢幕最高亮度為 2000 nits,並支援 120Hz 更新率;部分專業工作者也能在裝置上執行大型語言模型。新款 MacBook Pro 已開放預購,起價為 $2,899(美國),預計 11 月 6 日開始供貨。

    推薦理由:新款 MacBook Pro 把觸控螢幕、Dynamic Island 和新款 M5 晶片放進筆電,並列出創作與專業工作會用到的顯示和連線功能。

10月28日週三
  1. Hacker News (official RSS)73

    亞馬遜因 Nova 模型失敗削減 AI 團隊

    亞馬遜 近期宣佈削減其 AI 研究團隊,將多個 Nova 大型語言模型停用或降級,僅保留基本支援。 這一舉措是對 Nova 模型「能源需求高、投資回報低」的回應,並將資源重新投入由 Pieter Abbeel 領導的前沿模型與機器人研究。 亞馬遜同時關閉了舊金山的 80 人 AGI 研究辦公室,顯示其正從 AI 熱潮中抽身,聚焦於可實際應用的自動化技術。

  2. Google Gemini70

    Google 在 Gemini 提供 SynthID 偵測,讓使用者檢查圖片、影片或音訊是否由 Google AI 生成。 使用方式:向 Gemini 詢問「Is this AI generated?」即可進行檢查。 說明:原文指出,此功能可協助使用者更有信心地瀏覽網路。

    推薦理由:Gemini 的 SynthID 偵測涵蓋圖片、影片與音訊,並提供直接詢問的檢查方式,呈現這項功能支援的媒體型別與使用入口。

10月27日週二
  1. ElevenLabs Official Blog62

    打造符合品牌的 AI 語音助理:完整開發指引

    ElevenLabs 提供完整的 AI 語音助理開發指南,說明如何從語音辨識、LLM 生成到語音合成構建低延遲、可擴充且安全的客服機器人。 - 核心技術:使用 ElevenLabs Scribe v2 Realtime 低延遲語音辨識(<150 ms),GPT‑4o mini 產生回應,ElevenLabs v4 Turbo 文字轉語音(≈100 ms)。

  2. Apple Newsroom39

    Siri AI 開放更多語言使用

    Siri AI 現在以測試版形式支援英文、法文、日文、韓文、葡萄牙文和西班牙文,使用者需要配合支援的語言,以及能使用 Apple Intelligence 的裝置。它目前不適用於歐盟的 iOS、iPadOS 和 watchOS,也不提供給未滿 13 歲的使用者。部分功能每天有使用上限,日後可能會收費提供更多使用額度。

  3. Hugging Face Transformers Releases80

    Hugging Face Transformers v5.21.0 發布新模型與功能

    Hugging Face Transformers v5.21.0 釋出,新增多款模型與功能,為開發者帶來更豐富的多模態與語音處理選擇。

    推薦理由:新版本提供多種文件與語音模型,涵蓋 OCR、視覺檢索與 TTS,讓開發者能快速整合多模態功能,並享受最新的量化與 FP8 加速最佳化。

10月26日週一
10月24日週六
  1. Google Research82

    Google 研發基礎模型推進結核篩檢前線

    **Google 研究團隊推出 MedGemma 多模態模型與 MedSigLIP 影像語言模型,並將其應用於結核病篩檢,實現在離線環境下快速診斷,已在多國醫療機構部署。

    推薦理由:本篇闡述 Google 釋出的 MedGemma 多模態模型與 MedSigLIP 影像語言對接,可在離線環境下進行 TB 篩檢與診斷,為全球醫療資源不足地區提供可擴充的 AI 解決方案。

10月23日週五
  1. Hugging Face Diffusers Releases84

    Diffusers 0.42.0 釋出 FLUX.3、Fibo 2.0、Kandinsky 6 等多款模型

    Diffusers 0.42.0 釋出多款新模型與功能,包括 FLUX.3、Fibo 2.0、Kandinsky 6、SANA‑WM、RFD4‑Proteína 以及 Qwen‑Image 2.1。

    推薦理由:本次釋出新增 FLUX.3、Fibo 2.0、Kandinsky 6 等多款高效影像生成模型,並支援硬體加速與模組化工作流程,對開發者快速部署多模態應用具有重要參考價值。