#多模態
RSS 訂閱#多模態
RSS
OpenBMB@OpenBMB品質評分4242Dev.to Top Tech品質評分4242 Google AI Classroom 第 7 篇:以 Gemini 4 Argon 建置無伺服器 Map-Reduce-Map 影片分析與評分系統
Google AI Classroom 系列第 7 篇說明如何結合無伺服器影片處理、Cloud Tasks 與 Gemini 模型,分析學生實作課程錄影、整理全班裡程碑,並依評分規準自動評分。
ComfyUI Blog品質評分5656 Seedream 5.5 透過 Partner Nodes 登入 ComfyUI
Seedream 5.5 現已透過 Partner Nodes 在 ComfyUI 提供,可從文字生成影像,也能依參考圖進行編輯。 - 編輯與輸出:支援多輪區域性編輯,以及原生 RGBA 透明與半透明背景輸出。
Hacker News (official RSS)精選品質評分7979 Aircad 推出瀏覽器版 2D 製圖與 3D 建模工作區
Aircad 提供瀏覽器版 2D 製圖與 3D 實體建模工作區,整合 AI 助理、多人協作、版本紀錄與圖面檔案功能。 AI 助理:可用文字提問或描述編輯需求;變更會先以草稿呈現,使用者可選擇套用或捨棄,也能選擇模型。 檔案與協作:可開啟 DWG、DXF,並匯入 Rhino、STEP、glTF、SVG;支援多人編輯、留言、版本比較與還原。
推薦理由:Aircad 將 2D 製圖、3D 實體建模與 AI 助理整合在瀏覽器工作區,並以草稿確認流程保留使用者對圖面變更的控制。
Google@Google品質評分5858Dev.to Top Tech品質評分5959 Quantum Frequency Modulator 以頻率晶格實驗無注意力的下一個 Token 預測
Quantum Frequency Modulator(QFM)是一個在瀏覽器中執行的單檔 PWA,以頻率晶格進行下一個 Token 預測,並將預測過程轉為即時音訊與視覺效果。
Philipp Schmid@_philschmid品質評分5757Philipp Schmid 與 Artificial Analysis 推出 MKA(Multimodal Knowledge Agent),用來評估 AI 代理處理視覺複雜檔案與知識工作的表現。
Google@Google品質評分3535
llama.cpp Releases品質評分3838 llama.cpp b12259 支援 Kimi K3.1 Vision
llama.cpp b12259 為 mtmd 加入 Kimi K3.1 Vision 支援,並修正 K2.5 與 K3.1 的前處理及 projector MLP 命名問題。
PyTorch@PyTorch精選品質評分7676PyTorch 推出 ExecuTorch WebGPU 後,模型可透過 torch.export 匯出為 .pte 檔案,並在支援 WebGPU 的瀏覽器中使用 GPU 執行。
推薦理由:ExecuTorch WebGPU 將模型匯出與瀏覽器執行串成同一流程,並列出已支援的模型與裝置端微調能力,呈現其在地端部署的使用方式。
The Decoder品質評分7474 NVIDIA GR00T 2 從人類示範影片學習機器人動作
NVIDIA GR00T 2 透過預測機器人動作與未來影像,將人類示範影片中的動作轉移到機械手臂,研究目標是減少訓練時遠端操控的需求。 - 訓練與實驗:模型使用約 400,000 小時的人類任務影片訓練;實驗中,機器人能點燃火柴、切香蕉及將包裹丟上輸送帶,各任務成功率介於 10% 至 80%。
Rohan Paul@rohanpaul_ai精選品質評分6666推薦理由:PAN 2將語言模型的步驟規劃與擴散模型的視覺生成分工,並以多步任務結果呈現兩者結合的差異。
Artificial Analysis@ArtificialAnlys品質評分5656aihot精選品質評分7474 Google AI Edge Gallery 新增端側語音辨識與語音合成功能
Google 在 Google AI Edge Gallery 新增端側自動語音辨識(ASR)與文字轉語音(TTS),可搭配端側小型語言模型,打造離線語音互動應用。
推薦理由:文章比較 ML Kit、MediaPipe Tasks 與 LiteRT 的端側語音建置路徑,並提供延遲、語言涵蓋與模型規格,便於開發者評估平臺選擇。
aihot精選品質評分7575 OpenRouter 實測掃描檔案 OCR 模型:Claude Opus 5.5 最準,Mistral OCR 價效比最高
OpenRouter以 8 張自製掃描頁測試 15 個視覺模型、Mistral OCR 與 Tesseract;Claude Opus 5.5 的關鍵值辨識最準,Mistral OCR 的價效比最高。
推薦理由:測試以自製掃描頁核對關鍵值並比較準確率與成本,也整理推理設定和雙模型交叉校驗的做法,方便評估 OCR 流程。
Linus ✦ Ekenstam 🔜 Adobe MAX Miami 2026@LinusEkenstam品質評分5757
ElevenLabs Official Blog精選品質評分7373 ElevenLabs 推出 Scribe v3 與 Scribe v3 Live 語音轉文字模型
ElevenLabs 推出語音轉文字模型 Scribe v3 與 Scribe v3 Live,分別面向錄製音訊與即時音訊,並在其測試中降低轉錄錯誤率。
推薦理由:文章以相同資料集比較批次與即時轉錄模型,並拆解詞錯率、說話者辨識與即時辨識的差異,方便評估各自適用的場景。
Google Developers Blog精選品質評分8282 Google AI Edge Gallery 加入裝置端語音辨識與文字轉語音功能
Google於 2026 年 11 月 10 日宣佈,Google AI Edge Gallery 與相關開發工具加入裝置端語音辨識(ASR)和文字轉語音(TTS),可在離線情境下提供語音互動。
推薦理由:文章整理 Android 與跨平臺語音方案的模型、延遲及整合方式,方便開發者依裝置與部署需求比較選擇。
Google AI@GoogleAI精選品質評分6969
推薦理由:Google 將 Gemini 4 Carbon 定位為處理長流程與高難度工作的模型,並與 Gemini 4 Argon 區分適用範圍,同時列出多類使用者的取得方式。
fal@fal品質評分3737
Thurrott品質評分5353 Google 與 Adobe 擴大合作,整合雙方工具與 AI 模型
Google 與 Adobe宣佈擴大合作,將 Adobe 工具整合至 Google 產品,並把 Google 的 AI 模型帶入 Adobe 應用程式。
vLLM@vllm_project品質評分4343
BlockTempo 動區動趨精選品質評分7777 Google DeepMind 推出 Gemini Robotics 2.5,Apollo 2 在賓士產線零件分揀成功率達 96%
Google DeepMind 推出 Gemini Robotics 2.5,在 200 項任務中的成功率較先前基準提高 30% 至 100%,完成速度提高 20% 至 30%。
推薦理由:200 項任務測試與賓士產線概念驗證呈現不同場景下的操作結果,可比較模型基準與實際零件分揀的表現。
aihot精選品質評分8282 Gemini 4 Carbon 正式發布 GA,提供限期入門定價
Google 正式推出 Gemini 4 Carbon(gemini-4-carbon) GA,定位為其能力最強的推理模型,面向持續運作的AI 助理編碼、多模態知識工作、科學推理與網路安全防禦。 入門定價:2026 年 11 月 30 日前,每 1M input tokens 收費 $2.00,每 1M output tokens 收費 $10.00。
推薦理由:更新日誌列出 Gemini 4 Carbon 的模型定位、適用場景與限期 token 定價,提供評估接入成本的依據。
Ars Technica · AI品質評分6161 DeepMind 揭露 Gemini Robotics 2.5 與開放式安全基準 ASIMOV-jailbreak
Google DeepMind 揭露新一代 Gemini Robotics 平臺,將 VLA 模型更新至 Gemini Robotics 2.5,並表示其機器人已能在 Mercedes-Benz 工廠執行實際工作。
Google DeepMind精選品質評分8383 Google DeepMind 推出 Gemini Robotics 2.5,提升機器人靈巧操作能力
Google DeepMind 推出 Gemini Robotics 2.5,擴大機器人可學習的任務範圍,並提升執行速度、可靠度與安全性。 - 任務評估:模型在 200 多項任務中接受測試;相較先前基準,依任務型別成功率提高 30% 至 100%,完成速度快 20% 至 30%。
推薦理由:文章以 200 多項任務的評估與 Mercedes-Benz 生產線概念驗證,呈現模型在操作能力、作業可靠度及機器人安全上的進展。
Tripo@tripoai品質評分3737Hacker News (official RSS)品質評分6969 密西根大學研究發現,AI 用非英語回答可能更耗能、也較不準
AI 用不同語言回答同一類問題時,耗用的能源和答案準確度可能有明顯差距。密西根大學研究團隊測試三種開源模型,發現生成非英語文字最多可能比英文多用 180 倍能源;印度語和孟加拉語分別約多用 7.9 倍和 15.3 倍。研究者指出,部分文字需要更多 token,會增加運算負擔;耗能較高的語言,模型回答也往往較不準。團隊建議為不同語言調整模型,或先把問題翻譯成英文再交給通用模型,但前提是翻譯可靠。
Google AI Official Blog精選品質評分6262 Google 擴大與 Adobe 合作,將創意與生產力工具整合至 Google 產品
Google 宣佈擴大與 Adobe 的合作,將 Adobe 創意與生產力工具整合至 Google 產品,並把 Google 的 AI 模型匯入 Adobe 應用程式。
推薦理由:合作把 Adobe 工具接入 Google 的搜尋、郵件、雲端硬碟與 Gemini,並讓企業在 Gemini Enterprise 使用設計與行銷代理程式,呈現跨應用整合方向。
Thurrott品質評分6868 Adobe 擴大與 Microsoft 合作,將創作軟體帶到 Arm 架構 Windows 電腦
Adobe 在 Adobe MAX 宣佈擴大與 Microsoft 的合作,將多款創作軟體匯入 Arm 架構 Windows 電腦,並把 Adobe Express 整合至 Windows 11 相片。
OpenBMB@OpenBMB品質評分5454
Dev.to Top Tech品質評分5454 VisionPipe3D 更新加入螢幕錄製與浮動攝影機視窗
VisionPipe3D playground 新增螢幕錄製與浮動攝影機視窗,讓使用者在示範、簡報和教學中搭配手部追蹤與視覺特效。 - 螢幕錄製:可錄製分頁、視窗或整個螢幕,將特效攝影機畫面以圓形氣泡疊加,並選擇錄製麥克風及系統或分頁音訊;錄製結果儲存為影片檔,不需上傳或帳號。
Dev.to Top Tech精選品質評分8686 Claude Fable 5.2 分析:1,000 個AI 助理 30 小時完成費馬最後定理形式化,價格下調 20%
Claude Fable 5.2 開放給開發者使用,Anthropic 表示約 1,000 個AI 助理在 30 小時內以 Lean 形式化費馬最後定理;API 價格較 Fable 5.1 下調 20%。
推薦理由:文章以單次 Lean 證明演示和多項基準呈現 Fable 5.2 的長時程任務表現,並整理模型限制與快取成本對代理工作帳單的影響。
少數派 (sspai)品質評分5151 報名人數創新高,第十一屆「移動應用創新賽」落幕
第十一屆「移動應用創新賽」於 11 月 8 日在浙江大學紫金港校區完成決賽與頒獎,近 1.2 萬人報名,首次突破萬人。 - 參賽者與作品:近半數選手此前沒有程式設計經驗;進入決賽的團隊中,98% 深度使用大型語言模型,85% 使用 AI 輔助完整開發流程。
Silicon Republic品質評分6767 Anthropic 發布 Claude Fable 5.2 與 Claude Mythos 5.2
Anthropic 發布 Claude Fable 5.2 與 Claude Mythos 5.2,兩款模型在程式開發、推理與視覺能力上有所提升,且比 5.1 版本更快、價格更低。
Dev.to Top Tech品質評分4646 七款 AI 音樂生成器工作流程比較:依創作需求選擇合適工具
Dev.to Top Tech 的 Carol Luo 比較七款 AI 音樂生成器,依工作流程整理各工具的輸出、編輯能力、匯出與授權條件。 - 比較範圍:這是工作流程比較,並非受控音訊基準測試;作者依據產品檔案、定價與授權頁面整理,未在工具中生成曲目,也未以相同提示詞比較。
OpenRouter (@OpenRouter)@OpenRouter品質評分4242
ModelScope@ModelScope2022精選品質評分7878美團以 MIT License 釋出原生多模態 MoE 模型 LongCat-2.5 權重,模型總引數量為 1.6T,每個 token 約啟用 48B 引數,面向長程式開發與 AI 助理任務。
推薦理由:LongCat-2.5 的比較涵蓋程式開發、視覺程式設計與 3D 建模,也列出 NPU 上 INT4 推論的吞吐量變化,呈現其任務範圍與測試結果。
Dev.to Top Tech品質評分4141 AiRap.me:用一張照片製作對嘴 AI 饒舌影片
Peng Dai 打造 AiRap.me,讓使用者上傳照片、選擇風格,就能產生一支 AI 饒舌影片,通常約需 20–30 秒。 - 生成內容:AI 會創作原創歌詞、製作節拍、生成演唱人聲,並讓照片中的人物對嘴;可用一張照片,或兩張照片製作輪流饒舌的雙人影片,也支援寵物與卡通、動漫、3D 角色。
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。