#多模態
RSS 訂閱#多模態
RSSthehypedotnews twitter@thehypedotnews品質評分4343 888Embody品質評分4040 每日論文雷達|2026-10-20 具身智慧研究精選
summary_zh: 本期《每日論文雷達》精選 18 篇具身智慧領域高價值研究,其中「Ropedia W0」突破跨本體動態操作,並「四足機器人解巨型魔方」展示足部操作新境界。
AWS Machine Learning Blog品質評分6868 Amazon SageMaker JumpStart 2026 年度回顧:新增 100+ 模型
Amazon SageMaker JumpStart 於 2026 年上半年已新增 100+ 模型,涵蓋多模態、創意與高效模型,並提供一鍵部署與 Hugging Face 深度連結,顯著降低模型上線成本。
deepseek_ai twitter@deepseek_ai品質評分6363 deepseek_ai twitter@deepseek_ai品質評分7070 Hugging Face Blog品質評分6464 TorchNeuron:在 AWS Trainium 上執行 Hugging Face 模型更輕鬆
TorchNeuron 是 Hugging Face 推出的 PyTorch 外掛,為 AWS Trainium 提供原生後端。\n- 部署與訓練:可直接使用 Transformers、Accelerate、PEFT、TRL 等 HF 庫,支援 eager、torch.compile、FSDP、TP 等分散式 API。
The Decoder品質評分5454 MiniMax M3.1 Flash 展示中國 AI 價格競賽無底線
MiniMax M3.1 Flash 以 42 分在人工分析智力指數上超越前作,同時將任務成本降至約 $0.22,展示了低成本高效能的 AI 推理能力。
The Decoder品質評分6363 Kling AI 推出 4.0 版,加入立體音訊、多語言口型同步與輕量 Flash 變體
Kling AI 於 2026 年推出 4.0 版,提供立體音訊、多語言口型同步及輕量 Flash 變體。 - 生成長度:單次可產生 30 秒影片,支援 10 張關鍵畫面作場景鎖定。
Hacker News (official RSS)精選品質評分8585 Mercury 3:擴散式 LLM 的規模化
Mercury 3 是目前最強大的擴散式 LLM,速度可達 1,068 tokens/s,並支援 1M token 上下文。 - 效能對比:在多項基準上優於 GPT‑6 Luna 與 Claude Haiku 5.5。
推薦理由:Mercury 3 以 diffusion 模型突破規模與速度,提供 1M 上下文及 1,068 tokens/s 的高效推論,對需要低延遲、長上下文的即時應用具備實際價值。
AWS Machine Learning Blog精選品質評分7979 TwelveLabs Pegasus 1.5 現已於 Amazon Bedrock 上線
Pegasus 1.5 現已在 Amazon Bedrock 上線,為長影片提供時間標記式結構化資料與多模態提示功能。 - 功能亮點:支援 2 小時長影片、即時處理,並可從 S3 直接讀取或以 base64 內嵌傳送。
推薦理由:Pegasus 1.5 以時間標記與多模態提示提升影片分析效率,支援 2 小時長影片、即時處理,讀者可直接從 S3 讀取、支援 JSON 輸出,降低開發門檻,並可依此調整工作流程。
Meta Engineering品質評分6060 GenRecs Tokenization:Meta 透過穩定模型詞彙改造廣告推薦
GenRecs Tokenization 讓 Meta 以 LLM 驅動的語義詞彙,將廣告、產品、頁面等專案以 token 形式表徵,提升推薦精準度。 - 提升轉換率:與 Meta 的 GEM 與 Adaptive Ranking Model 配合,實驗資料顯示提升 +0.35% 轉換率。
Hacker News (official RSS)品質評分4949 Show HN:我重新閱讀 175 款 AI 工具條款兩次;15 週內 60% 變更
summary_zh: 我在 15 週內重新閱讀 175 款 AI 工具的使用條款,發現 60%(105/175) 的工具至少改變一次,影響創作者是否能合法商業化其輸出。
opencode twitter@opencode品質評分7070 Ollama Blog品質評分7070 Clef 27B 多模態決策模型可於 Ollama 雲端與本機使用
Clef 是一款 27B 的多模態決策模型,支援文字、JSON 與影像輸入,並可在本機或 Ollama 雲端執行。 - 模型基礎:從 Qwen3.8‑27B 微調,採用 Apache 2.0 授權。
vLLM Releases精選品質評分8686 vLLM v0.32.0 正式發布:多項推理最佳化與多模態功能升級
vLLM v0.32.0 正式發布,包含 814 次提交與 363 位貢獻者的新功能。 - 新增 /v1/systemone 端點,可處理結構化決策與分數查詢,並支援 Cloudflare/clef-omni、LiquidAI/d1-3B、DiffusionGemma 等模型。
推薦理由:vLLM v0.32.0 引入多項高效推理最佳化與多模態支援,使用者可直接提升模型部署效能與功能擴充。
MIT News · AI品質評分4242 讓 AI 具備「晶瑩剔透」的材料世界視角
summary_zh: MIT 研究人員開發出一個多模態 AI 模型,結合 3D 原子結構與自然語言描述,能為材料科學提供更準確的材料設計。 - 模型特點:使用對比學習將結構與文字對齊,學習到幾何表示,超越僅以文字訓練的模型。
TechCrunch · AI品質評分4545 Elorian 首款 AI 模型 Glimpse:不只是描述影像,而是與影像一起推理
summary_zh: Elorian 推出其首款 AI 模型 Glimpse,主打影像推理而非僅描述影像。 - 核心特性:在推理過程中,Glimpse 可透過「visual scratch space」再次裁剪、拉取影片幀或執行程式碼,實現多次回到影像源頭的推理。
Latent Space品質評分7373 Meta 推出 Muse Spark Open:美國開源權重模型 816B 引數、1M 上下文視窗
Meta 推出 Muse Spark Open:Meta 於 2026 年發布的 Muse Spark Open 是目前美國最強的開源權重模型,擁有 816B 引數、42B 活躍引數、1M 上下文視窗,支援文字、影像、影片與音訊輸入。
ComfyUI Blog品質評分5151 Krea 3 透過合作節點在 ComfyUI 上線
Krea 3 透過合作節點已在 ComfyUI 上線,提供參考驅動的影像生成與編輯。 - 核心特性:可從多張參考圖指定「保持」與「變更」元素,支援多次快速迭代。
Hugging Face Blog精選品質評分7272 Granite Switch 4.1:一端點整合聊天、決策與語音功能
Granite Switch 4.1 透過整合決策、語音與聊天功能,提供單一端點多工能力。 - Granite‑Switch‑4.1‑8B / 30B:內建 Decision aLoRA、Guardian aLoRA 及 Granite‑Speech‑5.0‑Turbo‑CTC(OpenASR 榜首 ASR),可即時切換對話、決策與轉錄。
推薦理由:Granite Switch 4.1 透過整合決策、語音與聊天功能,提供單一端點多工能力,讀者可評估其在實務流程中的效益。
TechCrunch · AI品質評分6464 Meta 推出可在 Mac 本地執行的 Muse Spark Open 大模型
Meta 推出 Muse Spark Open,為 Mac 本地執行的多模態編碼 AI 提供新選擇。 - 模型規格:816 B 引數、1 M token 上下文視窗,具備多模態能力。
The Verge · AI品質評分6969 Meta 與 Apple 合作 推出 Muse Spark Open 可於 Mac Studio 本地執行
Muse Spark Open 是 Meta 推出的 816B 引數多模態模型,首次能在 Apple M5 Ultra Mac Studio 上本地執行。
AWS Machine Learning Blog品質評分6969 Meta Muse Spark Open 於 Amazon SageMaker JumpStart 上線
Meta Muse Spark Open 已於 Amazon SageMaker JumpStart 上線,可直接部署至 AWS 帳戶,支援 1M token 上下文與多模態輸入。
ollama release精選品質評分7777 NVIDIA Nemotron 3.5 Super 與 Bolt 0.40.5 版發布
NVIDIA Nemotron 3.5 Super 與其緊湊版 Nemotron 3.5 Bolt 於 0.40.5 版正式發布,提供 1M token 上下文、工具呼叫及雲端決策模型支援。
推薦理由:此版本新增 1M token 上下文、工具呼叫等功能,適合需要大規模文件理解的場景。
Hugging Face Transformers Releases精選品質評分9292 Transformers v5.20.0 釋出多模態模型與分散式加速功能
Transformers 5.20.0 釋出,新增多模態模型並加強分散式推理與量化支援。 - Muse Spark Open:Meta 816B 引數,1,048,576 token 上下文,支援文字、影像、音訊、影片輸入,專為代理編碼任務設計,提供 BF16 / NVFP4 檢查點。
推薦理由:新版本提供多模態模型與高效分散式支援,開發者可直接整合至現有工作流程,並享受改進的量化與推理加速。
Hugging Face Blog精選品質評分8282 Meta 發布 Muse Spark Open:開源權重多模態混合專家模型
Meta 推出 Muse Spark Open,816B 引數的多模態混合專家模型,支援文字、影像、音訊與影片輸入,並具備程式設計與工具呼叫能力。 - 模型規模:總引數 816B,每個 token 活躍 42B,可使用 1M token 上下文視窗。
推薦理由:Meta公佈的 Muse Spark Open 816B 引數模型,支援多模態程式設計與長上下文,對開發者可直接整合,並提供多種推理與工具呼叫介面。
Hacker News (official RSS)品質評分7777 Muse Spark Open 在 Apple M5 Ultra Mac Studio 上實機部署
Muse Spark Open 在 Apple M5 Ultra Mac Studio 上實機部署,提供 816B 引數、1M token 上下文視窗的多模態推理能力。
Hacker News (official RSS)品質評分5454 Sygal 推出本機 PDF、掃描與網頁轉 Markdown 工具
Sygal 於本機即時將 PDF、掃描檔、網頁與 YouTube 連結轉為乾淨 Markdown 與結構化 JSON,無需訂閱。 - 價格:一次性 €25,無訂閱,提供 14 天免費試用。
The Decoder品質評分7878 Nvidia 推出 Nemotron 3.5 Super VL 開源模型,專為企業 AI 代理設計
Nemotron 3.5 Super VL 是 Nvidia 推出的 120B 引數開源多模態模型,專為持續執行企業 AI 代理而設計。 - 模型特點:採用 Mixture-of-Experts,單次 token 只啟用 12B 引數,支援文字、影像、檔案與影片處理。
Hugging Face Blog精選品質評分8080 FLUX.3 Image Klein 進入 Diffusers:多功能影像生成模型
FLUX.3 Image Klein 是 Black Forest Labs 推出的多功能影像生成模型,可在 Diffusers 直接使用。
推薦理由:模型提供多功能生成與佈局控制,可直接整合至 Diffusers 生態,適合快速原型與 LoRA 微調,且支援 FP8、NVFP4 量化與單檔案載入,提升部署靈活性。
The Verge · AI品質評分6363 明星 AI deepfake 風險:Mia Goth 與其他藝人案例揭露平臺治理缺失
Mia Goth 的 AI deepfake 事件在 Instagram 上引發風波,該假圖被一個被藍勾驗證的粉絲帳號發布,短時間內獲得近 50 萬個讚。
Hacker News (official RSS)品質評分5151 MirrorMD:面部整形醫師打造的 AI 第二意見
MirrorMD 以面部照片提供無銷售壓力的 AI 第二意見,幫助使用者在決定整形治療前先了解哪些方案適合自己的臉型。 - 報告時效:兩張照片即可,3‑5 分鐘生成完整報告。
Hugging Face Blog精選品質評分7777 Apertus 1.5 釋出跨模態、四倍長上下文與思考模式新功能
Apertus 1.5 於 2026 年 7 月 24 日在 Hugging Face 以 Apache 2.0 授權釋出,新增跨模態理解、四倍長上下文、思考模式及工具使用最佳化。
推薦理由:Apertus 1.5 以四倍上下文、跨模態能力及思考模式提升推理與工具使用,讀者可評估其在多模態任務與長文本推理中的應用潛力。
Apple Newsroom精選品質評分8080 Apple 推出可摺疊 iPhone Duo,展開後螢幕比 iPhone 18 Pro Max 大 50%
手機摺起來好收納,開啟後又能有更大的畫面,是 iPhone Duo 想解決的需求。Apple 推出這款可摺疊 iPhone,展開時內側螢幕比 iPhone 18 Pro Max 大 50%;摺起來時,外側螢幕是 5.4 吋,並採用雙電池設計。iPhone Duo 搭載 A20 Pro 與 iOS 27,也支援在畫面上並排顯示 Siri 和 Mail。Siri AI 會隨 iOS 27 以測試版推出,初期支援英文,且不會在歐盟首發。
推薦理由:iPhone Duo 把大螢幕與可摺疊機身結合,文中也交代了展開、摺起時的螢幕尺寸,以及 Siri AI 的推出限制。
NVIDIA Blog品質評分7171 北歐國家與 NVIDIA 展示區域投資 AI 先進計算的可能性
北歐國家與 NVIDIA 合作,打造歐洲最具影響力的 AI 生態系,從創業熱潮到基礎設施建設,涵蓋多項實際案例。 - 創業環境:北歐人均超過 $1B 的創業公司,2026 年上半年募資 $2.8B,預計全年達 $5B。
Modal Engineering Blog品質評分7171 Meta Muse Spark Open 現已於 Modal 上架
Muse Spark Open 已於 Modal 平臺開放使用,具備 1M-token 上下文視窗、Agent 程式碼協作與多模態理解,並在 Terminal‑Bench 2.1 及 DeepSWE 1.1 上分別取得 76.4 與 60 分。
Together AI Official Blog精選品質評分7474 Meta Muse Spark Open 模型在 Together AI 正式上線
Meta Muse Spark Open 現已於 Together AI 正式上線,作為 Day 0 發表夥伴提供完整支援,專為長時間執行的AI 助理程式設計、電腦操作與多模態任務而設計。
推薦理由:原文給出模型核心能力與價格,讀者可據此評估是否將其整合至現有的長上下文或AI 助理工作流程中。
vLLM Official Blog精選品質評分8282 vLLM 宣佈推出 Meta Muse Spark Open 模型 Day 0 支援
vLLM 宣佈與 Meta Superintelligence Labs 合作,於 vLLM 實現對開源稀疏混合專家(MoE)模型 Muse Spark Open 的 Day 0 支援。
推薦理由:原文詳細說明模型的架構設計與硬體部署優勢,讀者可藉此評估大規模混合專家模型在跨硬體平臺上的執行效率與整合方式。
Apple Machine Learning Research品質評分6161 選擇式結構化推理:打造更高效的多模態搜尋代理
SSR 以選擇式結構化推理取代自由形式推理,顯著降低多模態搜尋代理的推理延遲。 - 延遲降低:每回合推理延遲減少超過 90%,整體每題推理延遲下降 28–54%。
Elon Musk (@elonmusk)@elonmusk品質評分4343