本週 AI:進步的代價
本週 AI 進展揭示投資者對成本與多語言公平的擔憂,提示開發者需同時考量技術與經濟可持續性。 - 模型發布:Google 推出 Gemini 4 Carbon、DeepMind 先行展示 Genie 4 世界模型,Mistral 公佈 1.0 兆引數 Large 4(Le Chonk)權重。
本週 AI 進展揭示投資者對成本與多語言公平的擔憂,提示開發者需同時考量技術與經濟可持續性。 - 模型發布:Google 推出 Gemini 4 Carbon、DeepMind 先行展示 Genie 4 世界模型,Mistral 公佈 1.0 兆引數 Large 4(Le Chonk)權重。
ElevenAgents SDK 讓 Unity 開發者可在遊戲中即時為 NPC 加入語音互動,玩家可用麥克風對話,音訊由 SDK 直接播放。 - 跨平臺支援:支援 Editor、桌面、WebGL、iOS、Android、XR,並自動選擇適合的傳輸方式。
Inkling 2 Small 是 Thinking Machines 於 2026 年發布的多模態 MoE 模型,總引數 594B、啟用引數 17B,僅 68 小時預訓練完成。
推薦理由:Inkling 2 Small 以 594B 引數與 68 小時預訓練,顯示新一代多模態 MoE 模型的訓練效率與評測優勢,對開發者評估模型選型具有參考價值。
螞蟻百靈釋出原生多模態模型 Ling-3.2-flash,總引數為 560B、單步啟用 25B,支援 1M 原生長上下文。 任務能力:強化視覺反饋自檢與異常自適應恢復能力。
Alpie Seed 是一款 9 B 引數的開源編碼模型,能在筆電、手機甚至無 GPU 的 Windows PC 上離線執行。 - 模型規格:9 B 引數,5 GB 大小,Apache 2.0 授權,可商業使用。
本日 AI 產品更新速覽,涵蓋 GPT‑6 Cyber、Gemini Omni 1.2 Flash、Claude Personal Finance 等多項新功能。
AI 配音 的時長對齊問題,本文提供從語音合成到翻譯再到時間緊縮的完整流程與實用技巧。 - 語言差異:英德翻譯通常擴張 10-35%,日語/中文則縮短,導致 TTS 時長偏差。
RefVid 示範如何把 1–10 張商品照片製成短影片,並以 reference-to-video 流程讓商品外型與標籤在影片中維持一致。 - 流程差異:image-to-video 會以原照片作為首格,鏡頭移動後商品細節可能漂移;reference-to-video 則以照片描述商品,讓每一格都圍繞商品生成,也能讓同一商品的不同影片保持一致。
Kling 4.0 Omni Reference 於 2026‑10‑15 在 Kling 自家 App 推出,10‑23 開放 API,支援多張參考圖打造完整場景。
Thinking Machines Lab 發布第二代 Inkling 系列首款模型 Inkling 2 Small,這款稀疏 MoE 模型有 594B 總引數、17B 啟用引數,支援文字與影像輸入,並可調整推理強度。
Gemini Omni 1.2 Flash 是 Google 於 2026 年 11 月 5 日正式上線的影片生成與編輯模型。 - 影片長度:單一片段 3–15 秒,延伸可達 30 秒(API 30 秒,Agent 40 秒)。
本文說明瞭如何利用 Google Flow 與 Google Vids 兩條免費通道,快速試用 Gemini Omni 1.2 Flash 影片生成,並列出 API 付費結算方式與關鍵限制。
Gemini Omni 1.2 Flash 是 Google 於 2026‑11‑05 發布的影片生成與編輯模型,透過 Interactions API 呼叫,模型 ID 為 gemini-omni-1.2-flash。
本指南說明如何在多個 AI 影片中保持同一角色一致性,並提供七步實務流程與工具選擇。 - 七步流程:從角色簡介、建立參考包、選擇參考方法、審核每一鏡頭靜圖、逐步動畫、回到原始參考、最終檢查。
Gemini Omni 1.2 Flash 是 Google DeepMind 最新的多模態影片生成與編輯模型,支援一次生成或編輯長達 15 秒影片。 - 價格:720p 影片每秒 $0.07,15 秒影片約 $1.05。
NVIDIA 發布四款 Cosmos 3 開源模擬模型,提供多視角、LiDAR 與物理互動的模擬輸出,支援自動駕駛與機器人開發。 - 模型規格:四款 Cosmos 3 Nano 版本,16B 可訓練引數,包含 Transfer-Auto、Sim-Auto、Sim-Transfer、Sim-Bimanual。
Thinking Machines 推出第二代模型 Inkling 2 Small,採用 594B 總引數、17B 啟用引數的 MoE 架構,支援圖片輸入與可變推理投入程度;目前可透過 Tinker 使用,權重預計在完成外部安全測試與紅隊測試後於下週以 Apache 2.0 授權開放。
推薦理由:Inkling 2 Small 同時呈現長時程程式任務、視覺能力與安全評估結果,也交代權重開放前的外部測試安排,可據此瞭解模型能力與發布條件。
Inkling 2 Small 是 Thinking Machines Lab 於 2026 年 11 月 5 日發布的第二代混合專家模型,擁有 594B 引數與 17B 啟用,支援影像輸入與可變推理強度。
VeRL-Omni v0.3.0 擴充套件多模態強化學習的訓練配方與執行方式,將 V1 trainer 設為預設,並加入更多非同步 rollout、模型整合與硬體支援。
推薦理由:MiniCPM-o 4.5 的對照實驗顯示,非同步訓練的每提示詞耗時優勢會隨回應長度改變,可供依工作負載選擇執行配置時參考。
這篇教學示範如何利用 FLUX、Blender 與 Roblox API 建立一條 Python 管線,將文字提示轉化為可直接使用的 Roblox 模型。
NVIDIA 公開 Cosmos 3 Nano 權重檢查點與後訓練配方,支援自動駕駛與機器人團隊快速產生同步多感測器資料及互動模擬。 - 權重檔案:四個 Cosmos 3 Nano 版本,涵蓋 Transfer‑Auto、Sim‑Auto、以及兩個額外的駕駛與機器人模擬變體。
Baidu 發布 ERNIE 5.5 Flash Base,這款 280B 引數的稀疏 MoE 文字基礎模型,每個 token 啟用 14B 引數,權重僅經預訓練,未經中間或後續訓練。
summary_zh: 我使用 Switch AI、OpenCode 與 Wispr Flow 建置了一個自動化 SRE 戰鬥室,能在 2 分鐘內 從 SEV‑1 警報到根因定位、回滾及自動生成事後報告。
Hy4 是騰訊最新的大型語言模型,已被評為全球領先的開源 AI 模型之一。 - 多模態能力:首次加入影像理解、圖表分析、數學視覺推理與電腦使用功能,支援影像處理與 GUI/CLI 互動。
NVIDIA 為 Cosmos 3 模型家族新增四款開放權重檢查點,用於互動式世界模擬與多感測器、多視角駕駛場景生成。
推薦理由:四種檢查點涵蓋駕駛場景生成、相機與 LiDAR 串流、模擬器畫面轉換及雙臂機器人動作預測,並交代各自控制方式與訓練流程。
Gemini Omni 允許一次輸入文字、圖片、音訊與影片,整合編輯流程,為企業短影片製作帶來更高效率與一致性。 - 功能:支援文字、圖片、音訊、影片多媒體輸入,並可用自然語言指令進行編輯與重製。
Amazon Marketplace 利用 Amazon SageMaker AI 建立一套多模型融合系統,從整體頁面快照評估 A+ 內容品質。
Seven Sports 開發的 Amblyotube 將 Meta Quest 的左右眼獨立顯示用於弱視訓練,透過處理左右眼接收的影像,協助進行雙眼協調訓練。
導語:Google 於 11 月 6 日正式發布 Gemini Omni 1.2 Flash 影片模型,支援 15 秒原生影片、每秒 720p 價格 0.07 美元,並將 Gemini API 與 Google Cloud 開放給開發者。
Google DeepMind 推出 Gemini Omni 1.2 Flash,影片生成最長延長至 15 秒,並加入多輪對話編輯與更強的參考素材遵循能力。
推薦理由:Gemini Omni 1.2 Flash 將原生影片長度提高至 15 秒,並支援逐輪編輯與參考素材控制,適合評估大量影片生成工作流程的時間與成本變化。
AI-PPG-ACC-HTN 是 Google 研發的一套可於消費者智慧手錶上偵測高血壓的多模態 AI 系統,透過 PPG 與 ACC 兩種感測器,無需袖帶校正即可達到與傳統血壓測量相近的準確度。
推薦理由:此研究展示了利用手錶感測器偵測高血壓的可行性,並在臨床測試中達到與傳統袖帶相近的準確度,為全球健康監測提供新方法。
Hy4:騰訊最新 AI 模型,首次加入影像理解與自動操控軟體功能,並於公開測試中獲得「第二名」的評價。 - 多模態實務:能在影像中定位細節、編寫程式碼、協助遊戲開發及金融辦公軟體,實驗顯示在 600 個真實工作任務中勝過 Deepseek V4.1 Flash、Kimi K3.1 Pro 與 GLM‑5.3 Flash。