跳到正文

#多模態

RSS
今日 5 則
11月11日週三
  1. Hacker News (official RSS)79

    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。

  2. The Decoder74

    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%。

  3. Rohan Paul66

    MBZUAI 基礎模型研究所(IFM)發布開放式物理智慧世界模型 PAN 2,讓AI 助理在採取行動前先推演可能發生的情況。 - 兩種推理分工:概念推理由 LLM 判斷事件發展、時間順序與鏡頭移動,並寫成文字;感知推理由從頭訓練的 29B 擴散模型將文字轉換為視覺內容。

    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。

  4. Google Developers Blog82

    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。

  5. Google AI69

    Google 宣佈 Gemini 4 Carbon 開放使用,主打複雜長流程工作,涵蓋知識工作、軟體工程與網頁開發、資安及科學推理。 - 適用定位:Google 表示,Gemini 4 Argon 適合多數軟體工程與知識工作;Carbon 則用於更具挑戰性的任務,例如多步驟除錯與開放式科學研究。

    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。

11月10日週二
  1. aihot82

    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。

  2. Google DeepMind83

    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。

  3. Hacker News (official RSS)69

    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。

  4. Google AI Official Blog62

    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。

  5. Dev.to Top Tech86

    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。

  6. Dev.to Top Tech41

    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。