#多模態
RSS 訂閱#多模態
RSS
Tencent Hy@TencentHunyuan品質評分4949MarkTechPost品質評分7171 Tencent WeVisOne-VL 開放發布,整合偵測、OCR、分割與去背
Tencent WeVisOne-VL 開放發布 2B 與 4B 版本,將偵測、指代、計數、指點、OCR、分割與 alpha 去背整合至單一視覺語言模型。
aihot品質評分7474 騰訊混元 Hy4 正式釋出,首次引入視覺與電腦操作能力
Hy4 正式版首次加入視覺與電腦操作能力,GameDev 與 GameLogic 評測分別提升 19.1% 與 9.8%。 - 核心特性:視覺、電腦操作、金融與科研場景評測。 - 評測提升:GameDev +19.1%,GameLogic +9.8%。 - 安全審計:官方提供攻防安全審計結果,可作參考。
Dev.to Top Tech品質評分7272 2026 年 14 個開源倉庫推動程式驅動影片:我們如何打造 3D AJ 貓
3D AJ 貓 是我們利用 14 個開源倉庫,結合 Three.js、Blender、FFmpeg 等技術,實現 deterministic 影片渲染的示範。
Dev.to Top Tech品質評分4646 Google DeepMind 推出 SynthID Bio,為 AI 生成蛋白質序列加上不影響功能的浮水印
Google DeepMind 公開 SynthID Bio 概念驗證,可在 AI 生成的蛋白質序列中嵌入浮水印,同時維持蛋白質的生物學功能,讓序列來源能在序列層級辨識。
Guillermo Rauch@rauchg品質評分3939
Alexandr Wang@alexandr_wang品質評分3939
OpenRouter@OpenRouter品質評分4343🥷 全新隱形模型:Crouton Alpha 一款高效率推理模型,可擴大處理AI 助理整天重複執行的工作。 免費使用 1M token 上下文 支援文字、影像、音訊與影片輸入 不使用資料進行訓練
Guillermo Rauch@rauchg品質評分3939TechCrunch · AI品質評分6969 AI 推論新創 Fal 完成 13 億美元融資,估值升至 160 億美元
Fal 在最新一輪融資中募得 13 億美元,估值升至 160 億美元,較 4 月的 80 億美元翻倍。
OpenAI News品質評分4242 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。
Dev.to Top Tech品質評分4343 AI 招聘於實際公司:代理填補漏斗,AI 面試標籤與在職人員不符
summary_zh: 在一家美國面向遠距醫療的公司,Claude agent 在五週內閱讀 1,973 份申請,並自行安排面試,取代人力招聘流程。 - 招聘代理:Claude agent 讀取 1,973 份申請,將 142 份錄入 CRM,預約 138 次面試;最終 81 次未出席,出席率 68.6%。
Dev.to Top Tech品質評分8080 Azure 的弱點:五項完整跨租戶攻擊
Azure 的跨租戶漏洞:一個根本控制平面缺陷,允許攻擊者橫跨租戶,造成五項完整攻擊。對依賴雲端的分子視覺化工具(NGL、Mol*、PyMOL、3Dmol.js、LiteMol)構成嚴重威脅。
AWS Machine Learning Blog品質評分6565 Amazon Bedrock 推出 Kimi K3 印度本地推理
Amazon Bedrock 推出 Kimi K3 印度本地推理,支援在 Mumbai、Hyderabad 兩區域內執行模型,滿足資料駐留與成本控制需求。
Dev.to Top Tech品質評分7575 OSWorld 80% 成功率背後:為何需要 VM 快照回滾
CUA‑Master‑27B 透過快照回滾與混合動作空間,於 OSWorld Verified 取得 80.2% 的成功率,顯示大模型在真實桌面任務上的可行性。
Dev.to Top Tech品質評分3737 《Fallout: Factions》下個月將登上 XREAL AURA,帶來沉浸式 PvP 桌上戰棋體驗
《Fallout: Factions》將於下個月推出 XREAL AURA 的 XR 版本,讓這款設定於 Fallout 世界觀、於 2024 年推出的 1 對 1 戰棋遊戲從實體桌面走進頭戴裝置。
elvis@omarsar0品質評分4646LongCat-2.5與Qwen3.8-Max使用相同提示詞製作可遊玩的《憤怒鳥》風格瀏覽器遊戲,兩者都完成任務,LongCat-2.5花費$0.28,低於Qwen3.8-Max的$0.82。

Mistral AI@MistralAI品質評分4040
雷科技品質評分4141 前迪士尼 AI 高管 Hans Ku 出任 Utopai Studios 首席產品官,加速 PAI 技術佈局
Utopai Studios 聘任前迪士尼 AI 與工程副總裁 Hans Ku 為首席產品官,由他統籌產品、工程、研究及業務拓展,帶領團隊與電影人共同開發長篇影視敘事引擎 PAI,並推進其在原創作品與產業合作中的應用。
Dev.to Top Tech品質評分5454 客戶端生物識別相片處理:HTML5 Canvas、MediaPipe Face Mesh 及零伺服器 ICAO 9303 合規
**本文說明如何利用 WebAssembly、MediaPipe Face Mesh 與 HTML5 Canvas,打造 100% 客戶端的生物識別相片處理管線,並符合 ICAO Doc 9303 標準,避免將敏感影像傳輸至後端。
Dev.to Top Tech品質評分7070 **GPT-6.1 Terra** 解說:定價、使用方式與 Claude Opus 5.5 的對比
GPT-6.1 Terra 是 OpenAI 於 2026‑10‑26 發布的第二便宜級別模型,提供 1,050,000 令牌上下文、影像輸入、文本輸出,並可關閉推理。
少數派 (sspai)品質評分7070 派早報:猛瑪探境 3 直播相機與美團 LongCat‑2.5 模型發布
導語 探境 3 直播相機 與 LongCat‑2.5 等多款產品近日釋出,涵蓋硬體、AI 模型與價格調整,滿足多樣化需求。
Vercel Blog品質評分5757 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。
Bilawal Sidhu@bilawalsidhu品質評分6666
Dev.to Top Tech品質評分4444 Halal Food Scanner:從手機照片讀取成分清單:裁剪錯誤、模型基準與 AI 為何不給出判斷
summary_zh: 作者開發了 Halal Food Scanner,一款 iPhone/Android 應用,透過拍照讀取食品成分清單並以人類審核的表格決定是否符合清真,並在過程中發現裁剪錯誤與模型誤讀問題,最終改用 Gemini Flash 取代 ML Kit,提升準確率並降低錯誤率。
Google AI Official Blog精選品質評分7979 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。
Dev.to Top Tech品質評分6060 Meituan LongCat‑2.5 以 0.30/1.20 進入 Claude Code,設定上限 200K
Meituan LongCat‑2.5 於 11 月 2 日發布,擁有 1.6 兆引數、48 B 活躍引數,並提供 1 M 令牌上下文視窗。 - 模型規格:多模態、W4A4 量化,訓練於中國本土 GPU。
🚨 AI News | TestingCatalog@testingcatalog品質評分6060ElevenLabs Official Blog精選品質評分6767 ElevenLabs 推出音效模型 SFX v3,改善多指令提示詞處理
ElevenLabs 發布音效模型 SFX v3,更新 Sound Effects API 中的模型,提升多指令提示詞的遵循度,並改善人聲與音樂處理。
推薦理由:SFX v3 相較 v2 改善多指令提示詞與人聲、音樂處理,並提供高頻聲音較不易削波的更新;文中也說明如何設定引數及比較兩版輸出。
Hacker News (official RSS)品質評分6363 LongCat‑2.5:原生多模態代理式任務模型發布
LongCat‑2.5 以 1.6 兆引數與 48 億啟用引數,推出原生多模態代理式任務模型,支援長期程式開發、3D 創作與多工具協同。 - 核心特性:多模態視覺與文字以多層離散 token 進行統一編碼,結合大規模長期強化學習,提升編碼與代理能力。
Apple Machine Learning Research品質評分4646 線上密集強化學習與規劃-基礎化代理在即時 iOS 應用程式上的 UI 導航
summary_zh: Apple Machine Learning Research 針對即時 iOS 應用程式提出一套線上密集強化學習框架,將代理拆分為規劃代理與 UI 基礎化模型,並利用 LLM‑as‑a‑Judge 產生步驟層級與終端獎勵,顯著提升 UI 導航表現。
Dev.to Top Tech品質評分6868 LongCat‑2.5 釋出 1M 上下文與原生多模態,提供思考鎖定與 OpenAI/Anthropic 相容端點
LongCat‑2.5 是美團推出的 1.6 T‑parameter MoE 多模態模型,主打 1 M 上下文、原生視覺理解與 agentic RL。 - 核心特性:1 M 上下文、128 K 最大輸出、思考鎖定(temperature 1.0/0.7)、OpenAI/Anthropic 相容端點、原生多模態。
Dev.to Top Tech品質評分5656 Anima 2.9B 在 ComfyUI:六大工作流程,從官方 T2I 到 Tiled Redraw 與 Smart Img2Img
Anima 2.9B 在 ComfyUI 中提供六種工作流程,涵蓋官方 T2I 基準、1.5 倍升級、三階段渲染、Tiled 重繪、面部/手部修復與 Qwen3-VL 文字提示的 Smart Img2Img。
Dev.to Top Tech品質評分5050 2026 年最佳 AI 工具:真正免費方案
summary_zh: 2026 年,六款 AI 工具提供真正免費方案,讓使用者能釋出、傳送或執行工作流程而不需付費。 - ChatGPT:免費方案包含聊天、檔案上傳與部分影像生成; - Catch:最新模型藏於 $20 的 Gemini Chat 及 Google App 整合後。
Mistral AI@MistralAI品質評分4545
Dev.to Top Tech品質評分5353 以角色、場景與預覽設計照片至影片工作流程:AI Baby Dance、Hotel Lobby AI 與 Tiny Desk AI
本文以 AI Baby Dance、Hotel Lobby AI Video Generator、Tiny Desk AI 與 Vikas Editor 為例,說明如何依照角色、場景與預覽來設計照片至影片的工作流程。
Dev.to Top Tech品質評分5050 生成架構:深入瞭解 Diffusion Transformers (DiTs)
summary_zh: Diffusion Transformers (DiTs) 取代傳統 U‑Net 架構,實現更高效的視覺合成與影片生成。 - 架構革新:DiTs 將 U‑Net 的卷積層換成 Transformer 主幹,允許整張影像或影片每個區域同時注意全域性資訊,提升一致性與細節。
Dev.to Top Tech品質評分4444 **title_zh:**
AI 影像提示語寫法:六項關鍵工作與五個實際範例 summary_zh: 作者說明如何撰寫 AI 影像提示語,透過六項關鍵工作與五個實際範例,提升生成影像品質。
🚨 AI News | TestingCatalog@testingcatalog品質評分3737888Embody品質評分4646 每日論文雷達|2026-11-02 具身智慧研究精選
summary_zh: 本期《每日論文雷達》挑選18篇具身智慧研究論文,聚焦人形機器人控制、擴散模型全身控制、跨本體動態規劃等領域的突破性進展。 - 選稿流程:共爬取 1,206 篇論文 → 966 篇候選 → 250 篇評估 → 18 篇高相關精選。