推薦理由:GPT-6.2 Astra 與 Sol 在多項評測的名次和價格效率各有表現,也出現編碼評分停滯或下滑,便於比較不同用途的取捨。
#多模態
RSS 訂閱#多模態
RSS
Artificial Analysis@ArtificialAnlys精選品質評分8383
ChatGPT@ChatGPT品質評分5555
aihot精選品質評分7979 Google 讓 Gemini 免費代辦電話預約、付款與日常任務
打電話預約、查帳單和安排購物都要花時間,Google 開放 Gemini 的任務功能,讓它代為處理這些日常雜事。Gemini 可以查詢使用者授權的資料、聯絡商家預約,也能透過 Google Pay 付款,或把商品加進 Instacart 訂單;目前已連線 60 多款應用。付款前,它會先請使用者確認,也能設定消費上限。功能正免費向美國、日本、韓國、加拿大、澳洲和印度的使用者推出;Google 也提醒,任務仍可能失敗,部分網站操作可能需要使用者完成最後一步。
推薦理由:Gemini 把電話預約、帳單查詢與購物結帳串進日常流程,也在付款等關鍵步驟要求確認,可看出任務功能如何介入個人事務。
Hacker News (official RSS)精選品質評分9494 OpenAI 推出 GPT-6.2 Astra 與 Sol,分別主打複雜工作和日常任務
OpenAI 推出兩款新模型,讓使用者能依工作難度和成本選擇。GPT-6.2 Astra 主打複雜專業任務,能製作更貼近範本的簡報、試算表和檔案,也能寫程式、操作設計工具;GPT-6.2 Sol 則主打日常工作,能處理多步驟任務,API 價格沿用 GPT-6.1 Sol。兩款模型都已提供給部分 ChatGPT Work 和 Codex 方案使用,也能透過 OpenAI API 呼叫。OpenAI 表示,模型的資安能力提升,因此加強了高風險資安協助的限制;GPT-6.2 Astra 也達到 AI 自我改進能力的 High 門檻。
推薦理由:GPT-6.2 Astra 與 Sol 分別瞄準複雜專業工作和日常任務,文中以基準測試與每項任務成本比較兩者表現。
aihot精選品質評分6767 Suno 推出 Visuals,讓歌曲變成影片和圖片
想替歌曲配上影片或封面,過去可能需要另外找工具製作。Suno 推出 Visuals,讓使用者把曲庫中的歌曲拖進網頁,就能生成最長 15 秒的影片或圖片;影片可以跟著歌曲段落和節拍,呈現歌詞並配合口型,也能延長、編輯或用文字調整。Visuals 另設文字和畫面過濾器,檢查生成內容,並提醒使用者確認上傳素材的權利;影片或圖片分享到平臺外前,會加上看得見的水印。
推薦理由:Visuals 把歌曲轉成短片、歌詞影片或封面,也說明瞭生成前後的內容檢查與權利提醒如何配合運作。
LMSYS Org Blog精選品質評分7676 SGLang Summit 發表 SGLang v1.0 與 Miles v0.2,擴大推論和訓練支援
AI 模型越來越大,AI 助理也會累積大量工作紀錄,讓推論和訓練更難在不同硬體上順利進行。SGLang Summit 發表 SGLang v1.0,聚焦提升正式環境的效率與擴充能力;Miles v0.2 則支援 NVIDIA 和 AMD GPU、Google TPU,並將強化學習擴充套件到圖片、影片和音訊。大會也分享多個部署案例,例如 Meta 表示,改用 SGLang 後 GPU 用量減少超過 2 倍。這些更新與案例呈現了團隊如何把實際部署需求帶回開源工具的開發中。
推薦理由:SGLang 與 Miles 的更新涵蓋推論和強化學習,也整理了不同硬體與實際部署的經驗,可看出開源工具如何回應現場需求。
Perplexity@perplexity_ai品質評分5454
NVIDIA Newsroom Press Releases精選品質評分7979 NVIDIA 推出 Nemotron for Science,讓 AI 助理協助規劃科學實驗
研究人員要做科學實驗,得安排模擬、執行程式,再確認結果,過程常需要反覆操作。NVIDIA 推出 Nemotron for Science,結合 Nemotron 3.5 Super VL、化學資料集和生命科學與化學的訓練方法,研究人員可在自己的 DGX Spark、工作站或超級電腦上執行。在 Argonne National Laboratory,一個用這套工具打造的 AI 助理從一句提示詞開始,規劃並測試假設、挑選模擬,找出兩個新的結合位點。這讓研究人員能在自己的系統上使用模型與資料來協助研究。
推薦理由:Nemotron for Science 可在研究者自己的系統上運作,並結合實驗規劃與模擬,文中案例呈現 AI 助理協助科學研究的方式。
Tom’s Hardware AI & Computing品質評分6767 Xreal Aura 評測:戴上輕巧眼鏡,用手勢操作 Android XR
想在眼前使用多個視窗、看影片或玩遊戲,卻不想戴笨重的頭戴裝置,Xreal Aura 提供了另一種做法。它把顯示畫面和追蹤手部動作的功能放進眼鏡,主要運算則交給一臺可放進口袋的 Computing Puck;使用者能用手勢操作 Android XR,也能接上 MacBook、Windows 電腦或遊戲裝置。評測者認為它可以應付工作、娛樂和日常多工,但隨附鍵盤折起來的接點不夠穩,價格也從 $1,099 起,適合願意為這類 XR 體驗付出高成本的人。
Dev.to Top Tech品質評分7070 yooo.games 作者分享如何讓 3D 保齡球跑在舊電視瀏覽器上
讓多人遊戲在舊電視上順暢執行,麻煩往往不只在遊戲本身,還可能出在電視的瀏覽器和硬體。作者用一臺搭載 Chromium 79 的 LG 電視測試 yooo.games,發現 2D 畫面用 CPU 繪製反而比 3D 遊戲慢;改用 WebGL 負責擺放預先畫好的影像後,射擊遊戲仍因每格重複上傳頂點資料而只有 6–10 fps,改成每格上傳一次後達到 58 fps。作者也整理了預先準備材質與著色器、減少畫面上的文字重排等做法,並用自動化指令碼比較效能。指令碼數字不等於電視實測,作者仍建議在目標裝置上測量。
fal@fal品質評分5656
Dev.to Top Tech品質評分3838 AI Aware 用一個 API 檢查文字、圖片、影片和音訊是不是 AI 生成
收到使用者上傳的文章、照片、影片或語音時,開發者常得找好幾種工具,才能檢查內容是不是 AI 生成。AI Aware 做了一個 API,只要送出內容,就會拿到工作編號,再等檢查結果;文字檢查通常幾秒內完成,較長的檔案和影片可能要幾分鐘。文字結果還會標出哪些段落看起來像 AI 寫的;圖片、影片和音訊則會得到 0 到 100 的分數和判定,影片也能一次檢查畫面和聲音。最新測試中,圖片和影片的準確率是 99.4%,文字是 98.6%,音訊是 97.6%。這讓產品能用同一個入口檢查四種內容,但這些數字是 AI Aware 自己公佈的測試結果。
Unsloth AI Releases精選品質評分7676 Unsloth 0.1.919-beta 加入電腦操作,並更新模型選擇與圖片模型支援
AI 助理要操作電腦或接上創作軟體,常得另外處理許可權和連線。Unsloth 0.1.919-beta 加入測試版電腦操作,讓本機視覺模型或已連線的服務檢視螢幕、控制滑鼠和鍵盤;第一次操作、切換應用程式和部分可能有風險的動作都要先核准,也能隨時接手。更新還能透過 MCP 連線 Unity、Unreal Engine、Godot、Blender 和 Roblox。MiniMax-H3-Image 新增多種硬體支援與 LoRA 訓練;原文表示,在 A100 80GB 上解碼 2048px 圖片從 2.82 秒縮短到 0.28 秒。
推薦理由:這次更新把螢幕操作、創作軟體連線和本機圖片模型支援放進同一套工具,能看出 Unsloth 正擴大本機 AI 助理的使用範圍。
Dev.to Top Tech品質評分6868 Wan 3.0 和 Kling 4.0 長影片評測:比較畫面控制、測試結果和價格
要做 30 秒影片時,Wan 3.0 和 Kling 4.0 都能輸出 1080p,但整理素材和控制畫面的方式不同。Wan 3.0 可把圖片、影片、音訊或檔案當作參考素材;Kling 4.0 則能用最多 10 個關鍵畫面安排鏡頭移動。文中整理的排行榜把 Wan 3.0 列在文字生成影片第 1 名,但 Kling 4.0 當時還沒有自己的排行榜成績,兩者不能直接用這項排名比較。價格方面,30 秒 1080p 影片的公開 API 費用約為 Wan 3.0 的 $6.00、Kling 4.0 的 $7.05;社群測試也提到,Wan 3.0 要產生角色說話聲,通常得另外使用對嘴功能。
數字生命卡茲克@Khazix0918品質評分3636
ModelScope@ModelScope2022精選品質評分6868
推薦理由:Duo 把即時影音互動中的理解、發言時機與影音生成串在一起,呈現模型如何參與雙向交流的研究方向。
MarkTechPost品質評分7575 Liquid AI 推出 d1.2 和 d1.2-ultra,讓決策模型讀取文字、圖片和音訊
一般模型會直接寫答案,Liquid AI 的 d1.2 系列則會替每個選項算出機率,讓使用者知道模型有多確定。新版能讀取文字、圖片和音訊,也新增讀取欄位、找出文字片段、定位物件、估算數量和多選等回答方式。d1.2-ultra 在 Artificial Analysis Decision Index v2.1 得 75 分,d1.2 得 69 分;Liquid AI 自行測試的校準誤差分別是 0.8 和 1.2 個百分點。兩款目前只能透過 Liquid API 使用,尚未提供模型權重。
Dev.to Top Tech品質評分4343 UMM-JEPA 如何讓多模態模型用同一套線索理解和生成圖片
多模態模型有時會畫圖畫得不錯,卻沒有因此更會看圖回答問題,因為兩種工作各自學不同的圖片線索。UMM-JEPA 改成讓模型先猜圖片中代表意思的線索:從粗略的大畫面開始,再逐步補上更細的部分;訓練時也會遮住一些線索,讓模型練習推測。這樣,理解圖片和生成圖片就能用同一套線索來學。舉例來說,模型可以先掌握「紅色腳踏車在磚牆前」的大意,再補出更細的畫面。這種做法可能讓兩種能力互相幫忙;不過,要把猜出的線索變成真正的圖片,還需要另外的解碼器,而文章提供的摘要沒有說 UMM-JEPA 實際怎麼做。
Dev.to Top Tech品質評分4343 如何替 HubContent 的 AI 影片寫好需求,讓產品每個場景看起來都一致?
AI 影片是每個場景分開生成的,所以即使從同一張照片開始,商標、標籤文字、商品數量或瓶蓋細節還是可能跑掉。HubContent 會把商品照片放進專案,讓各場景以同一張照片為起點;要減少出錯,先準備清楚、完整的商品照,再寫明廣告要給誰看、傳達什麼訊息、場景氣氛,以及哪些細節不能變。像是瓶蓋顏色、正面商標和畫面裡只能有一個瓶子,都要寫進每個相關場景。生成後,逐幕對照實品檢查;有錯就只重做那一幕,並一次修改一個地方。小字不一定能生成正確,最好改用實拍照片或後製加字。
Dev.to Top Tech品質評分3535 聖誕舞蹈影片怎麼做出來?從照片預覽到動作轉換的流程解析
想跟上短影片裡的聖誕舞蹈,傳統上得學舞、架相機,還要反覆重拍;現在只要一張照片,也能做出大家一起跳舞的影片。流程分兩步:先把照片放進聖誕場景,讓你免費預覽畫面;確認人物和衣服看起來合適後,再把熱門舞蹈的動作套上去,並加回原本的音樂。 照片拍得好不好,幾乎決定成品效果。像是一張從頭到腳都拍進去、臉看得清楚、光線明亮的合照,模型比較容易做出自然的舞蹈;如果照片只拍到上半身,模型得自己猜腿和腳,畫面就容易變得模糊或不像本人。文章介紹的工具每支影片收費 $9.99,成品約 12–16 秒,付款前可以先看照片預覽。
Dev.to Top Tech品質評分3838 一個人如何打造 AI 饒舌影片生成器:上傳照片,讓照片裡的人跟著新歌對嘴饒舌
想用自己的照片做出饒舌影片,得處理歌詞、音樂、畫面和對嘴,作者便把這些步驟串在一起,做成一個人也能用的工具。使用者上傳一張照片(雙人模式可上傳兩張),選場景和節奏,再輸入主題;Anthropic 的 Claude 會寫歌詞,ByteDance 的 Seedance 2.0 family 則一次生成音樂、歌聲和對嘴影片。成品是 5–15 秒的 MP4,製作約需 2–4 分鐘;生成失敗時,系統會自動退回點數。作者也發現,讓兩張臉都留在畫面裡、又不多生出其他人,需要花不少心力調整提示詞。
Dev.to Top Tech品質評分6868 Llama 4 Scout 如何用多模態和長上下文處理產品需求
評估多模態模型時,團隊得同時考慮它能處理什麼資料,以及部署和授權是否合適。這篇文章整理 Meta 的 Llama 4 Scout:它能處理文字與圖片,宣稱的上下文視窗最高可達 10 million tokens;採用 Mixture-of-Experts,每次推論會啟用 17B 引數,但總共有 109B 引數需要記憶體。作者提醒,長上下文不保證能準確找回資料,實際品質、延遲和成本都要用自己的資料測試。模型權重可以公開下載,但使用者須接受 Llama 4 Community License,規模超過每月 700 million 活躍使用者的組織還有額外條件,因此採用前也要確認授權是否符合產品規劃。
少數派 (sspai)品質評分7171 Qwen4-Max、Hy4 flash 等模型與科技訊息整理
這期派早報整理了多項新品與科技訊息。阿里推出 Qwen4-Max,主打視覺理解和較長的上下文視窗;騰訊推出 Hy4 flash,主打降低使用成本,並支援多模態。日本理化學研究所也通報,超級電腦「富嶽」的相關執行系統遭到非法訪問,目前已向主管部門報告,公告尚未說明是否有機密資料外洩。其他訊息包括高德在北京近百個路口試點雲控紅綠燈,以及工信部通報 46 款被用於電信網路詐騙的 App。
Rohan Paul@rohanpaul_ai品質評分5252Latent Space品質評分7575 Black Forest Labs 為什麼讓 FLUX 3 一起學影像、影片和聲音
一張圖片能看出物體在哪裡,卻看不出它怎麼移動;Black Forest Labs 認為,影片和聲音能補上這些線索。對談中,Andreas Blattmann 用接球說明,人可以在球碰到手前就開始接,不必先算出球的完整路線;影片能呈現球怎麼飛來,撞擊聲也能提示它何時碰到東西。團隊因此主張讓 FLUX 3 一起學影像、影片和聲音。對談也談到影片放大時要讓每一格畫面保持一致,免得細節播放起來閃動,並分享有人用 FLUX 修復老舊的家庭照片。
Vercel Blog品質評分5858 Vercel AI Gateway 開放使用 Seedance 2.5 Flash 生成影片
想用文字或現有素材生成影片時,Seedance 2.5 Flash 現在可透過 Vercel AI Gateway 使用。它是 Seedance 2.5 的較快、較低成本版本,可生成帶同步音訊的影片,也能參考圖片、影片或音訊,或編輯和延長既有影片。影片長度為 4 到 30 秒,最高 720p、每秒 24 格,並支援橫向、方形和直向畫面。使用者可透過 AI SDK 7 呼叫這個模型。
Dev.to Top Tech品質評分4242 PulseVerse 用心跳和呼吸打造會變化的星空與花園
一般健康追蹤器常用圖表和警示呈現身體狀況,看起來有點冷冰冰,也可能讓人緊張。PulseVerse 用普通網路攝影機和 Presage SmartSpectra SDK 感應心跳與呼吸,再把節奏變成會跟著身體變化的 3D 星空和花園:心跳會讓星星向外震動,吸氣時花朵展開,吐氣時花園慢慢收回。使用者也能選不同風格的場景,或把心跳畫成星圖並匯出作品。它讓人用比較輕鬆、有趣的方式感受身體節奏,也要求使用者先同意才會開啟攝影機。
Thurrott品質評分5454 Audible 推出 AI 有聲書探索功能,先聽簡短介紹再找新書
想找下一本有聲書時,光看書名不一定知道內容合不合胃口。Audible 推出 Audio discovery,會把有聲書試聽、主題簡介、聽眾喜好和作者或 Audible 編輯的評論剪成一段短音訊,並由 AI 生成語音朗讀。作者評論取自過去的 Audible 訪談錄音。這項功能先在美國提供給部分英文有聲書;Audible 也將推出精選書單。Ask a Question 會在 12 月向所有美國使用者推出,讓聽眾針對符合資格的有聲書提出具體問題。
Dev.to Top Tech品質評分4242 BeeBuzz:用蜜蜂的嗡嗡聲辨認種類,提早留意蜂群變化
蜜蜂如果在某個地方變少或不再出現,等到花園變得冷清才發現,可能就來不及調整養蜂計畫。BeeBuzz 正在嘗試用蜜蜂的嗡嗡聲辨認種類:目前把錄音交給系統,幾秒後就會看到種類和信心分數。它用 200 段實驗室錄音測試,辨認正確率是 80%;其中 Centris cinza 的成績較弱,還需要更多資料。 這些錄音還沒有戶外環境的雜音,接下來也要到野外測試。信心分數目前容易顯得過高;另一個分類結果雖然達到 100%,卻是因為檔名開頭就透露答案,不能代表系統真的聽懂了蜜蜂。BeeBuzz 還在製作中,現在可以上傳 wav 檔檢視波形、頻率和辨認結果。
Vercel Blog精選品質評分6666 Vercel AI Gateway 開放使用 Hy4 Flash,限時享 5 折
使用大型語言模型時,功能和費用常要一起考量。Vercel AI Gateway 現在提供 Tencent 的 Hy4 Flash,這是 Hy4 系列中價格較低的模型,保留推理、工具呼叫、結構化輸出、提示詞快取和圖片輸入,也有相同的 1M-token 上下文視窗;不需要推理的請求則可關閉這項功能。透過 AI Gateway 使用時,輸入、快取輸入和輸出 token 到 2026 年 11 月 29 日都有 5 折優惠,適合留意大量程式開發、AI 助理或檔案處理工作所需的成本。
推薦理由:Hy4 Flash 保留 Hy4 系列功能並大幅降低每個 token 的價格,文中也交代限時折扣,能看出成本與功能之間的取捨。
NVIDIA AI@NVIDIAAI品質評分5252
The Decoder精選品質評分7777 Alibaba 發布 Qwen4-Max,以較低成本挑戰 Opus 5.5、GPT-6 和 Kimi K3.1 Pro
長時間工作和大量資料會讓 AI 模型花更多時間與費用,Alibaba 推出 Qwen4-Max,主打用較少 token 處理長內容和專業任務。它能直接看圖片,並提供一百萬 token 的上下文視窗;在 Alibaba 的 Work360 測試中,平均每項任務成本從 $4.43 降到 $1.67,分數也從 47.74 升到 52.69。外部評測結果不一:它在長時間 AI 助理任務表現突出,但在部分考試和程式開發測試落後競品。新功能 Live Delivery 會先交出可用的初版,讓使用者途中介入調整。Qwen4-Max 已可透過 QwenCloud 等服務使用,Alibaba 表示之後會開放較小型 Qwen4 模型。
推薦理由:Qwen4-Max 在自家工作任務中以較少 token 降低成本,外部評測表現則有高有低,可看出效率與不同能力之間的取捨。
OpenRouter@OpenRouter精選品質評分7272推薦理由:Hy4 flash 保留 Hy4 的 1M 上下文視窗與圖片輸入,並提供較快、較便宜的選擇,文中也列出限時價格。
Dev.to Top Tech精選品質評分8585 Alibaba 發布 Qwen4-Max,模型很大但 API 價格更低
高階 AI 模型通常很貴,讓個人開發者和小團隊難以長時間使用。Alibaba 發布 Qwen4-Max,背後有 2.4-trillion-parameter,但每個 token 只啟用 71 billion parameters,還能看圖片和影片,單次提示最多容納一 million tokens。透過 QwenCloud API,輸入每 million tokens 收費 $1.50,輸出收費 $4.50。Alibaba 也說它在程式開發和安全測試上有進步,但這些數字還沒有外部團隊驗證。模型權重則不開放下載,只能使用雲端或相關 App。
推薦理由:Qwen4-Max以較低 API 價格提供大型模型能力,但權重未開放,效能與安全數字目前仍只來自 Alibaba 自家測試。
fal@fal品質評分3737
The New Stack精選品質評分7777 阿里巴巴推出 Qwen4-Max,模型權重目前只能透過線上服務使用
想使用 Qwen4-Max 的開發者,目前得透過線上服務或第三方 API,阿里巴巴還沒有宣佈提供這款模型的下載權重。這款新模型可處理文字和圖片,支援 1M-token 上下文視窗;阿里巴巴表示,它在自家工作任務測試中比前代少用 24% 到 35% 的 token,平均任務成本從 $4.43 降到 $1.67。外部評測則給它 43 分,在 81 款模型中排名第 38。阿里巴巴表示,較小型的 Qwen4 模型會開放權重,但尚未公佈型號和時間。
推薦理由:Qwen4-Max 沒有公佈可下載權重,文章也對照阿里巴巴自家與外部評測,呈現模型表現、使用成本和開放方式的差異。
Dev.to Top Tech品質評分7575 Samsung 把 Gemini 放進智慧眼鏡,開發者可以先留意什麼
Samsung 和 Google 推出內建 Gemini 的智慧眼鏡,主打不用拿出手機,就能用說話的方式詢問眼前景物、聽翻譯或導航。眼鏡沒有鏡片顯示畫面,靠相機、麥克風和耳邊喇叭工作,售價從 $395 起,預計先在美國和南韓販售。Samsung 表示,錄影時會亮起指示燈,Gemini 透過相機取得的影像不會用於訓練模型或投放廣告;不過語音請求沒有相同說明,指示燈防遮蔽功能也尚未經獨立測試。對開發者來說,目前還沒有公開 SDK 或 API,文章建議留意 Android XR,並思考如何設計簡短、適合用聽的語音互動。
The Decoder精選品質評分7676 Claude 能把可互動的網頁元素放進畫布影像裡
一般網頁元素容易點選和閱讀,卻不容易做成扭曲或立體效果;畫布雖能畫出各種造型,裡面的文字和連結又不能直接使用。Claude 現在能用 HTML-in-Canvas,把文字、按鈕等真正的網頁元素放進畫布影像,仍可點選、選取文字,也能供螢幕閱讀器讀取。示範網站把網頁做成編織圖樣、立方體等造型,文字仍可複製。這項功能需在提示詞中明確提出;Chrome 和 Edge 從 157 版起支援,Claude 桌面應用程式則需 5.11492 版,Safari 和 Firefox 尚未支援。
推薦理由:HTML-in-Canvas 把可互動的網頁元素放進複雜影像中,也保留文字選取與無障礙功能,文中列出不同瀏覽器的支援情況。
aihot精選品質評分8585 Google 發布 Gemini 4 Carbon、Hydrogen,並推出 Decisions API 和自託管 AI 助理沙箱
Google 一次推出 Gemini 4 Carbon、Hydrogen、Gemini Decisions API 和自託管 AI 助理沙箱。Carbon 面向較難的推理、除錯與安全稽核;Hydrogen 適合日常寫程式和快速工作流程,兩者都有 100 萬 token 的上下文視窗。Decisions API 可用文字、圖片、影片、PDF 或音訊,依問題回傳機率或評分。自託管沙箱則讓 AI 助理在 Google 的服務中運作,並在使用者自己的計算環境執行指令和編輯檔案。材料也介紹多模態基準、機器人與基因組模型,以及 AI Studio 的 Cloud 額度功能。
推薦理由:這次更新同時提供不同用途的模型與統一的上下文視窗,並列出價格和選型方向,方便依工作難度、速度與成本安排模型。
NVIDIA Newsroom Press Releases精選品質評分6565 NVIDIA 發布 Rubin HPC GPU,加速科學與工程模擬
科學家和工程師要比較更多材料、分子和設計時,需要大量模擬來測試想法,但運算速度會影響探索進度。NVIDIA 在 SC26 發布 Rubin HPC,這款 GPU 將用來加速科學、工程和資料分析工作。它有超過 50,000 個 CUDA 核心,並加快資料傳送和 GPU 之間的連線,讓核心能持續運算。Rubin HPC 預計於 2028 年推出。
推薦理由:Rubin HPC 把資料搬移與運算能力一起擴充,能幫助理解科學模擬為何需要兩者配合,並加快研究人員測試想法的回饋流程。