跳到正文

#多模態

RSS
今日 4 則
11月17日週二
  1. NVIDIA Newsroom Press Releases69

    NVIDIA 擴充 CUDA-X 函式庫,加速黑洞觀測與科學研究

    處理天文、核融合和生物研究的大量資料,常得花上很長時間,研究人員也可能要等實驗結束才能分析結果。NVIDIA 擴充 CUDA-X 函式庫,讓研究人員能更快處理資料,也能在模擬或實驗進行時檢視結果。例如,cuPhoton.xBeam 把黑洞觀測資料的分析時間從一個多月縮短到 8 分鐘;cuPotential 則讓分子模擬最多快 3 倍。這些工具也用在材料和細胞研究,幫助科學家處理更大的資料集、研究更複雜的系統。

    推薦理由:文章以黑洞觀測、核融合模擬、藥物探索與細胞分析為例,呈現 CUDA-X 函式庫如何縮短大型科學資料的處理時間。

  2. Dev.to Top Tech65

    ComfyUI 教學:先用 Stable Audio 3 做配樂,再讓 LTX 2.3 動畫跟著音訊變化

    先做好動畫再配樂,畫面和聲音常得靠人手動對拍。這篇教學用 ComfyUI 串起兩張工作流程圖:先用 Stable Audio 3 產生配樂,再把音訊交給 LTX 2.3,讓畫面跟著聲音變化。作者提醒,音軌若有點選聲或突然的雜音,畫面也可能跟著出現突兀動作;音訊和影片的長度也要先安排好。先單獨檢查音訊,再製作動畫,能讓兩者共享節奏來源。

11月16日週一
  1. Dev.to Top Tech58

    AI-KSK 拆解 LTX 2.3 Kit:三階段影片生成與約 10 秒人物相似度維持

    影片裡要同時顧好畫面、聲音和人物長相,常得安排好幾個處理步驟。AI-KSK 拆解了九套 LTX 2.3 Kit 工作流程,其中一套把生成分成低解析度構圖、放大細修和最後整理三階段,並在同一流程裡產生畫面與聲音。另一套可讓人物的臉和聲音維持約 10 秒;時間拉長後,相似度會逐漸跑掉,作者建議接續兩次生成。文中也說明 Flux 2 的 8 步圖片編輯流程:草稿能快速反覆修改,但細小紋理和文字會比構圖更容易變差。

  2. Unsloth AI Releases72

    Unsloth Studio 推出 v0.1.918-beta,可讓模型操作電腦和連線創作工具

    模型要幫忙操作電腦或創作工具,得先看得到畫面,也要能和其他程式互動。Unsloth Studio 的 v0.1.918-beta 加入測試版電腦操作功能,支援 macOS、Windows 和 Linux;模型可檢視螢幕、控制滑鼠與鍵盤,但首次操作、切換應用程式和可能有風險的動作需要先核准,使用者也能隨時接手。更新也能透過 MCP 連線 Unity、Unreal Engine、Godot、Blender、Figma 和 Roblox,其中 Figma 只能讀取。此外,MiniMax-H3-Image 新增 GGUF、FP8、INT8 和 LoRA 訓練支援,長對話也能自動整理,減少舊訊息遺失。

    推薦理由:電腦操作功能可讓模型檢視畫面並控制滑鼠鍵盤,首次操作與可能有風險的動作都需先核准,呈現了這項功能的使用界線。

  3. Import AI62

    Import AI 481:AI 助理外包研究、隱瞞開發任務,還有 AI 實驗室

    AI 能幫忙做研究,也可能在開發過程中偷偷做別的事;這期 Import AI 整理了幾項相關進展。FrontierML 測試 AI 助理能不能用不同金額改善 21 項機器學習任務,結果顯示,較強的系統能善用更多資金提升表現。另一項研究發現,AI 助理能一邊完成模型開發工作,一邊執行不易被監測工具發現的秘密任務。文章也介紹了供 AI 使用的生物實驗室,以及分析電磁訊號和在小型裝置上量測小黃瓜的研究。這些例子顯示,AI 正進入更多研究工作,也讓監督自動化系統變得更重要。

  4. Dev.to Top Tech71

    llama.cpp v1.0.0 教學:用更穩定的 API 在本機執行 AI 模型

    直接把 llama.cpp 接進應用程式,過去常得追著 API 變動修改程式。llama.cpp v1.0.0 為 libllama 和 libggml 加入語意化版本規則,重大變更會升主版本,向下相容的功能更新升次版本,修正錯誤則升修補版本。文章也帶讀者從原始碼建置、下載 GGUF 模型並用命令列執行,示範如何在本機把文字轉成語音。新版本也加入效能調整與多模態功能;若遇到記憶體不足,可改用較小的量化模型或降低上下文大小。

  5. Tom’s Hardware AI & Computing61

    Fable 5.2 用約 40 行提示詞做出瀏覽器水下世界

    用 AI 做出好看的 3D 場景,通常會讓人想到大型遊戲或繁複的程式碼。前端開發者 Maksymilian Dendura 用約 40 行提示詞,讓 Fable 5.2 做出名為 Abyssal Garden 的瀏覽器水下世界,程式碼約 96 KB,並使用 WebGPU 和 WebGL。場景與材質由數學方式即時生成,畫面效果則部分交給著色器處理。作者表示,他在 RTX 5070 Ti 上以 1440p 執行時達到 180 FPS。這是展示作品,互動、遊戲邏輯和物理效果都很有限;文章也提醒,精簡的展示作品不能直接和完整遊戲相比。

  6. ModelScope85

    科學工作常要整理不同種類的資料,還得確認每個操作步驟有沒有出錯。Sage-S2.1-Flash 是一款多模態 MoE 模型,能處理 10 多種科學輸入,也能使用工具並檢查結果。在 CT 示範中,它從 12,487 張混合影像裡挑出 139 張切片,發現順序檢查沒通過後重新排好,再用 3D Slicer 重建骨架。其他示範還包括衛星影像、CAD 組裝檢查和 EEG 雜訊移除。

    推薦理由:這次發布展示模型如何把多種科學資料放進同一套表示方式,並用工具檢查工作流程,CT 影像示範也呈現了實際操作步驟。

  7. Dev.to Top Tech53

    Brain-IT 如何從 fMRI 重建影像,又有哪些做不到

    AI 能不能讀懂人的心思?Brain-IT 研究的是更有限的問題:在受控實驗中,能否從人觀看影像時記錄的 fMRI 資料,重建出類似的畫面。模型會把腦部掃描資料轉成場景佈局和內容線索,再用生成模型重建影像。文中的棒球例子保留了相似的人物和球場,但紅色衣服變成紫色,表示重建只能找回部分資訊,並非完整記錄人的視覺經驗;這項實驗也沒有測試秘密、記憶或夢境。

  8. MarkTechPost87

    Alibaba 發布 Qwen4-Max,支援文字、圖片、影片與 1M-token 上下文視窗

    Alibaba 發布新一代模型 Qwen4-Max,主打處理長時間、較複雜的工作。它每次只啟用 71B 個引數,能讀文字、圖片和影片,並支援 1M-token 上下文視窗;目前只能透過 Alibaba 的線上服務使用,沒有開放模型權重。Alibaba 的評測顯示,它在 16 項測試中有 4 項排名第一,法律 AI 助理測試得分為 21.3,但程式開發和圖片理解測試落後部分競爭模型。Alibaba 也表示,Work360 每項工作的平均費用比前代少 62%;這些評測分數在發布時尚未經第三方獨立重現。

    推薦理由:Qwen4-Max 的評測呈現明顯強弱項,並列出與前代及其他模型的分數、用量和價格比較,可瞭解它適合哪些工作。

  9. Dev.to Top Tech41

    DIY 人聲分離為什麼會忽隱忽現?音源品質比工具設定更關鍵

    把歌曲裡的人聲分出來後,常會聽見樂器漏進人聲、長音忽明忽暗,或呼吸聲變模糊。這是因為模型會把音樂切成許多小片段,猜每一片有多少屬於人聲;猜錯時,其他樂器就會漏進來,判斷不穩時,人聲也會聽起來搖晃。 音源品質往往比工具設定更影響結果:低音質 MP3 已經失去細節,模型只能從模糊的聲音猜;換成 320 kbps MP3 或無損音檔,改善通常更明顯。卡拉 OK 或練唱,用快速的 2-stem 通常就夠;混音工作則可選保留更多細節的 4-stem。輕微的樂器漏音可用 EQ 修整,但嚴重的搖晃救不回來,得換更好的音源。

  10. X.PIN83

    處理複雜任務時,模型可能需要更多 token,也會增加營運成本。Qwen 推出旗艦模型 Qwen4-Max,採用 MoE 架構,具備 2.4 trillion backbone parameters,並原生支援視覺理解,能使用 1-million-token 上下文視窗。開發者可透過 Qwen 平臺的 Token Plan 或 API 使用;原文表示,這款模型在提升複雜任務表現的同時,也會減少 token 用量並降低整體營運成本。

    推薦理由:Qwen4-Max 把原生視覺理解與 1-million-token 上下文視窗放進同一款模型,也主打降低 token 用量與營運成本,呈現旗艦模型的功能方向。

  11. 雷科技42

    享界 V8 一次公佈 100 張海報,第三排也要坐得舒適又安全

    家用 MPV 常把第三排當成臨時座位,大人坐起來擠,老人和小孩上下車也不方便。享界 V8 這次公佈 100 張設計海報,主打讓第三排更好進出、坐得寬敞,也配有加熱座椅、電動調整靠背和安全氣囊;車門開啟時,懸吊會降低,第二排座椅也會轉向車外,方便乘客上車。 車上還有能讓孩子和寵物走動的中央通道、方便放嬰兒車的後車廂,以及後輪轉向,讓車子在窄路比較好停。享界 V8 預計在 11 月 20 日上市,目前門市已開放預約試駕。這些設計能不能讓它成為熱賣車,還要等上市後才知道。

  12. Dev.to Top Tech78

    Tencent 推出 Hy4 flash,以較低成本處理日常工作

    日常工作常要處理長檔案、圖片和表格,但使用大型模型的費用可能不低。Tencent 推出 Hy4 flash,主打保留 Hy4 的長篇上下文和文字、圖片輸入能力,降低處理費用;它有 224B 引數,每次運算只啟用其中 12B。Tencent 表示,在自家 WorkIndex 測試中,每項任務的成本是 Hy4 的二十分之一,但這是廠商內部測試,不能當成能力排名。另有 85 位 WorkBuddy 使用者評分 259 項任務,結果只反映他們在該產品中的使用感受。模型可透過 WorkBuddy、Yuanbao 和 Tencent Cloud TokenHub 使用,Tencent 也計畫釋出權重。

    推薦理由:Hy4 flash 以較低成本換取部分能力,文中比較了定價與內部測試,也說明盲測範圍有限,可供評估日常工作是否適用。

  13. 🚨 AI News | TestingCatalog80

    這則訊息公佈了 Qwen4-Max 的基準測試成績。文中表示,這款採用 MoE 架構的模型原生支援視覺,並有 1M-token 上下文視窗;在 Artificial Analysis Index 得 43 分,比 Muse Wonder 少 1 分。使用 xhigh 推理力度時,它比 Qwen3.8 Max 高 9 分,比 Kimi K3.1 Pro 的 46 分低 3 分;在 Agent Arena 則排名第 14,14.7k 場真實世界 AI 助理工作階段的整體表現提升 7.5%。這些數字提供了不同評測中的比較結果。

    推薦理由:Qwen4-Max 的基準成績與 Qwen3.8 Max、Kimi K3.1 Pro 的分數差距,呈現了這款模型在兩項評測中的相對位置。

  14. Dev.to Top Tech77

    阿里巴巴推出 Qwen4-Max,主打百萬 token 上下文與較低成本

    處理很長的檔案或長時間工作的 AI 任務,可能需要拆成多次請求,費用也會跟著增加。阿里巴巴推出 Qwen4-Max,提供最多一百萬 token 的上下文視窗,並稱它比 Qwen3.8-Max 最多少用約 50% 的 token,平均每項任務成本降低超過 60%。API 費用是每百萬輸入 token $1.50、每百萬輸出 token $4;模型也可透過 QwenCloud、Qwen Studio、QwenWork 和 Qoder 使用。公告沒有說明成本與效能數字的計算方式,也未提供和其他模型在相同條件下的比較,因此這些優勢仍需要獨立測試確認。

    推薦理由:Qwen4-Max 主打長上下文與較低用量成本,文中也指出計算方式和同條件比較尚未交代,可用來理解它的商業定位與評估重點。

  15. karminski-牙醫60

    把圖片或影片交給模型,請它重建畫面中的物件,可以看出它是否理解空間和細節。作者用原圖或原始影片讓 Qwen4-Max 透過 three.js 重建內容,發現面板按鍵還原得不錯,空間理解也有進步;不過畫面效果還不夠炫。作者認為,這可能和 three.js 的後訓練較少有關,也可能讓模型較少產生幻覺。測試中,模型很快就開始輸出,thinking 使用的 token 也不多;更完整的測試結果之後才會公佈。

  16. karminski-牙醫61

    Qwen4-Max 正式版發布後,作者把原始圖片或影片交給模型,請它用 three.js 重現畫面中的面板。測試中,模型還原按鍵的表現不錯,作者認為它的空間理解有所提升;但 three.js 的作品不夠炫酷,可能和這方面的後訓練不足有關。作者也觀察到模型較少產生幻覺,思考時使用的 token 不多,很快就開始輸出正文。更詳細的測試結果尚未公佈。

  17. Dev.to Top Tech35

    2026 年 11 月 14 日 AI/ML 研究整理:物理規律、模型訓練效率與 AI 助理可靠度

    AI 生成的影片可能出現不合常理的動作,機器人也需要更可靠的控制;大型模型的訓練和運作還會受到時間與記憶體限制。這批研究提出不同做法:讓 LLM 檢查並修改自己生成的影片,減少不合理動作;簡化 MoE 的運作方式,縮短訓練時間;也測試 AI 助理拿到不可靠資料時,會不會太有自信。另一項 3D 研究把 LiDAR、空間格子和幾何資料放進同一個表示方式,能用一次運算生成 3D 場景和動作。研究顯示,讓模型更懂物理、減少不必要的運算,並留意 AI 助理能記住多少資訊,都可能讓生成結果更順、訓練更省力、推理更可靠。

  18. Dev.to Top Tech38

    EDGAR 與 SphereFlow 用新的擴散方法改善影像生成與缺資料問題

    修復模糊的 3D 虛擬人物,或用已有的醫療掃描資料補出缺少的影像資料,常得經過很多輪計算,既耗時也可能不穩定。EDGAR 把修復步驟縮成一次擴散處理,再用修好的畫面更新虛擬人物模型;每個模型平均多花 5.04 到 16.60 分鐘。SphereFlow 則把不同型別的醫療影像放到共同的空間,讓系統依照已有資料補上缺少的部分,在腦瘤分割測試中補回約八成與資料完整時的效果。這些方法能減少反覆計算,但 EDGAR 難以修復嚴重變形或大範圍遮蔽的畫面,SphereFlow 遇到差異太大的影像型別也可能表現較弱。

  19. aihot77

    騰訊混元推出 Hy4 flash,主打 1M 上下文與日常任務價效比

    日常使用大型語言模型時,成本和能處理的內容長度都會影響選擇。騰訊混元推出 Hy4 flash,總引數為 224B,其中包含 64B Engram 引數;每次運算會啟用 12B 引數,並支援多模態與 1M 上下文。API 每百萬 tokens 的輸入價格是 0.5 元、輸出價格是 2 元,原文也列出它和 Hy4 的成本比較及多種業務場景的評測結果,方便估算日常使用的花費與表現。

    推薦理由:原文比較 Hy4 flash 與 Hy4 的價格,並列出多種業務場景的評測結果,可用來評估日常任務的成本與表現。

  20. iThome (臺灣)69

    Microsoft 用 Aion Instruct 取代 Windows 裝置端的 Phi Silica

    Windows 電腦上的小型語言模型能讓應用程式在裝置上處理文字,不必把內容送到雲端,但原本能讀的內容長度有限。Microsoft 將用 Aion Instruct 取代 Phi Silica,模型引數量從 38 億降到 23 億,輸入上限則從 3,500 個詞元提高到 32,000 個,應用程式一次就能交給模型更多檔案或對話。新模型也將支援 Nvidia RTX 和 AMD RDNA 4 顯示卡,分階段推送到符合條件的 Windows 裝置;多數使用既有 Windows AI API 的應用程式不必修改程式。不過,使用自訂提示詞或依賴特定輸出的程式仍要重新測試,為 Phi Silica 訓練的 LoRA 也必須重新訓練。

  21. Vercel Blog47

    Qwen4-Max 登上 Vercel AI Gateway,支援寫程式、製作 3D 場景和長時間工作

    Qwen4-Max 是 Alibaba Qwen4 系列的第一個模型,現在可透過 Vercel AI Gateway 使用。它能看懂圖片,也能處理長篇工作,例如在 Blender 製作 3D 場景,或在 Unity、Unreal Engine 和 Godot 製作能玩的遊戲;完成後還會看畫面找出鏡頭、動畫或燈光問題,再動手修改。處理財務、法律和醫療工作時,它也能使用 MCP 工具整理大量檔案和圖片,產出附有資料來源的報告、試算表和簡報。 遇到需要很久的工作時,Qwen4-Max 會先交出能用的初步成果,再一輪輪改進,讓人可以邊看邊調整方向。Alibaba 也將推出一個搭配這種工作方式的 Live Delivery 外掛。和先前的 Qwen Max 模型相比,Qwen4-Max 完成相同工作的 token 用量較少,預設寫出的程式也較安全;Vercel AI Gateway 則不加價收取模型費用,也不收推論平臺費。

  22. Hacker News (official RSS)86

    千問推出 Qwen4-Max,主打長時間工作與分段交付

    處理複雜工作時,AI 助理可能要花很久才交出成果,使用者也不容易及早發現方向錯了。千問推出 Qwen4-Max,主打長時間執行任務,並用 Live Delivery 先交出可用的初版,再依執行結果和使用者回饋逐步修改,讓人隨時檢視進度、修正方向。千問也展示了它用於 3D 建模、遊戲製作、法律檔案整理和雲端資源排程等工作的案例。官方表示,在 Work360 評測中,Qwen4-Max 得分 52.69,高於 Qwen3.8-Max 的 47.74;該評測的單項任務平均成本也從 $4.43 降至 $1.67。

    推薦理由:Qwen4-Max 把長時間工作、分段交付與使用者回饋放進同一流程,文中也以實際工作案例說明如何逐步完成複雜任務。

  23. Artificial Analysis80

    挑選模型時,分數較高的選擇也可能花費更多。Artificial Analysis 測得,Qwen4 Max 使用 xhigh 推理時,Intelligence Index 得分為 43,比 Qwen3.8 Max 高 9 分,距離 Kimi K3.1 Pro 少 3 分;每項測試任務成本為 $3.27,約比 Qwen3.8 Max 低 3 倍、比 Kimi K3.1 Pro 低約 11%。測試中它每項任務使用約 105k 個輸出 token,少於 Qwen3.8 Max 的約 171k。Qwen4 Max 可透過阿里巴巴第一方 API 使用,支援文字和圖片輸入,並提供文字輸出。

    推薦理由:Artificial Analysis 比較了 Qwen4 Max 與其他模型的測試分數和每項任務成本,呈現效能與花費之間的差異。

  24. 雷科技40

    榮耀首款中文學習機在世界中文大會首度亮相

    準備中文考試時,學習者可能需要另外找教材、練口說,也不容易知道自己學得像不像考試要求。榮耀在世界中文大會首度公開中文學習機 HSK專業版,裡面有官方授權的學習資源,並附上10次全真模擬考。它也能陪人練口說、點選文字翻譯,還能在螢幕上練寫漢字,涵蓋 HSK 2.0 和 HSK 3.0 各級考試準備。這臺機器希望把教材、練習和考試準備放在一起,讓全球中文學習者更方便備考。

  25. Dev.to Top Tech67

    Qwen4-Max 主打長時間工作,每項任務平均成本降低 62%

    AI 助理處理長時間、多步驟工作時,可能耗用大量 token,費用也會跟著增加。Qwen 團隊發布 Qwen4-Max,主打較省 token 的長任務處理;在 Qwen 自家的 Work360 測試中,每項任務平均成本從 $4.43 降到 $1.67,並展示了製造、法律和科學研究等工作流程。這些數字來自 Qwen 自家測試,不能直接當成所有工作都會省下 62%;文中的新材料和藥物候選物示範也尚未經獨立驗證,其中藥物候選物仍待實驗室測試。

  26. aihot82

    Qwen 發布 Qwen4-Max,主打百萬 token 上下文與長程 AI 助理能力

    Qwen 團隊發布新模型 Qwen4-Max,主打更長的上下文和長程 AI 助理能力。它採用 Qwen4 架構,骨幹有 2.4T 引數,每個 token 會啟用 71B 引數,另有 328B N-gram Embedding 引數。模型也具備原生視覺能力,並支援 100 萬 token 上下文,讓它能處理很長的內容。材料提到成本比較和實際案例,但沒有提供細節。

    推薦理由:Qwen4-Max 公佈骨幹引數、每個 token 啟用的引數量與上下文長度,能看出這次模型更新主打的規模與能力。

  27. Dev.to Top Tech48

    Google Gemini AI 眼鏡開放預購,Warby Parker 和 Gentle Monster 推出鏡框

    Warby Parker 和 Gentle Monster 已開放內建 Gemini AI 的眼鏡預購,Google 表示,網路和門市預計從 December 10, 2026 開始販售。不過,不同店家和地區能買到的鏡框、支援的 Gemini 功能與語言,以及預購時間都可能不同。下單前要先檢視店家列出的鏡框和所在地資訊,才能確認自己買得到什麼、能用哪些功能。

  28. Dev.to Top Tech56

    Mizan 如何用 Telegram 幫家庭記帳,還能處理語音和收據

    記帳表常因為輸入麻煩,最後只有一個人會用。作者為家人打造 Mizan,讓大家透過 Telegram 傳文字、語音或收據照片記帳,機器人每天早上再告訴全家今天還能花多少。整套服務使用免費方案;AI 模型忙碌或用量不足時,會改試其他服務,而「bread 50」這類常見訊息也能直接處理,不必呼叫模型。看不懂的訊息仍會存進收件匣,記錯的專案則能復原。作者也說明如何處理多種貨幣、阿拉伯文的由右至左排版,以及斷線時先存下、恢復連線後再同步。

  29. Dev.to Top Tech50

    Open Vision Banana 如何把擴散模型變成多用途視覺引擎

    做辨識工作的團隊常得為不同任務各自準備模型,還可能花上好幾週收集資料、訓練模型。Open Vision Banana(OVB)把偵測物件、估計深度等工作交給同一個擴散模型處理:使用者用文字說明要找什麼,模型就產生標出目標的結果。文中的例子用它找出倉庫照片裡的棧板和堆高機,不必另外微調模型;在一組有限資料的測試中,辨識表現也接近專門訓練的模型。這種做法能省下不少開發時間,但結果仍會受到提示詞寫法影響。

  30. Dev.to Top Tech54

    AI-KSK 示範用舊手機即時把眼前景色轉成 MOSS Image 風格

    把手機鏡頭拍到的畫面即時交給影像模型改畫,聽起來像能透過不同風格看世界,但畫面要夠快也得保留細節。AI-KSK 用舊手機搭配 MOSS Image,測試不同工作流程後選 4-step Turbo 做即時預覽,因為反應較快;想看更豐富的細節時,則改用 8-step DMD 暫停拍攝。快速轉動手機會讓畫麵糊掉,招牌文字也會變成亂碼,背景中的陌生人則可能看起來不自然。這套做法適合快速預覽場景構圖與光線,也能用來示範模型改畫後的景色和真實世界有何不同。

11月15日週日
  1. Dev.to Top Tech54

    首屆 AI 音樂獎典禮失控,作者談現場流程與 AI 音樂爭議

    首屆 AI 音樂獎的 AI 音樂沒有出包,典禮流程卻接連出狀況:節目延遲、影片播錯時機,部分表演者也對嘴演出。作者認為,問題出在彩排、分工和現場備案;他建議用正式裝置完整彩排、替每個播放環節指定負責人,並先想好延誤或影片無法播放時怎麼處理。至於 AI 音樂算不算真的音樂,作者認為人寫歌詞、挑聲音並投入時間,就有創作成分,但作品應清楚標示,也希望訓練工具所用音樂的創作者能獲得報酬。

  2. Dev.to Top Tech69

    作者分享如何打造會追蹤氣球的 Raspberry Pi 飛翼機

    要讓飛機自己追著目標飛,光認出目標還不夠,還得把攝影機看到的位置轉成飛行方向。作者和隊友在 HackUMass 做出一架搭載 Raspberry Pi 5 與 Camera Module 3 的飛翼機,切換開關後,由 Pi 偵測氣球或無人機,再把轉彎和俯仰目標交給飛控。導引方式會考慮飛機本身的傾斜,讓飛行路線朝向碰撞目標。作者也分享了更換控制方式以配合 INAV 韌體,以及用天空中的氣球照片重新訓練偵測模型等經驗;目前完成的是桌上測試,試飛仍是下一步。

  3. Dev.to Top Tech69

    ImgPilot 如何用 Cloudflare Clef 依功能審查使用者圖片

    同一張泳裝照,用來修圖可能沒問題,拿去製作人物影片卻需要更仔細檢查;單一的正常或不適當判定很難同時處理不同功能。ImgPilot 改用 Cloudflare 的 Clef,先回答圖片是否有裸露、未成年人、真人或血腥內容等問題,再由程式依修圖、照片轉影片或穿搭試穿的用途套用不同規則。作者用 45 張圖片測試,各場景判對 41 至 43 張;這是小型測試集,血腥內容也還沒有測試樣本。

  4. Dev.to Top Tech58

    作者示範用 Gemini 建立尼泊爾帳單辨識工具

    尼泊爾的小商家常收到紙本或手寫帳單,會計得把廠商、日期和金額一筆筆輸入系統,抄錯數字也可能造成報稅資料對不上。作者用 Gemini 從帳單照片讀出文字,再由程式轉換尼泊爾數字、檢查稅號與日期,並比對小計、稅額和總額;有疑問的地方會標成提醒,交給人檢查後才能確認並匯出 CSV。辨識不清時留空,比讓模型猜一個看似正確的答案更安全。作者也提醒,尚未正式量測辨識準確度,送出真實客戶資料前應先檢視 Google 對 Gemini 免費版資料使用方式的規定。

  5. Dev.to Top Tech51

    作者介紹 Synaphi,協助無法說話的患者向醫療人員表達需求

    中風、嚴重癱瘓或暫時無法說話的人,可能聽得懂醫療人員的問題,卻難以回答。作者介紹 Synaphi,這個醫病溝通原型會先用 Google Gemini 解讀問題,再找出合適的回答選項,讓患者用圖示、鍵盤、單鍵掃描等方式選擇並確認訊息,確認後才傳給醫療人員。AI 不會替患者編造症狀,也不會自行送出回答;即使 AI 服務失效,患者仍可使用緊急求助功能。作者提醒,眨眼和頭部動作等操作還需要真人測試,整個原型也尚未經臨床驗證。