跳到正文

#多模態

RSS
今日 4 則
11月15日週日
  1. The Decoder85

    美團發布 LongCat-2.5,這款 1.6 兆引數模型以中國晶片訓練

    要讓 AI 助理自己完成寫程式等多步驟工作,需要模型處理長對話、看懂圖片,也要能在實際任務中找出答案。美團開放 LongCat-2.5 的模型權重;它能處理文字、圖片和影片,也能讓使用者開關推理功能。美團公佈的測試顯示,它在不同程式任務的表現有高有低,部分專案接近 Claude Opus 5,較難的終端機任務則落後。美團也提供用 194 顆華為昇騰晶片部署的指南,沒有提供 NVIDIA GPU 的部署指南。

    推薦理由:LongCat-2.5 的測試成績在不同任務間有落差,搭配部署配置與硬體限制,可看出它的適用情境和自架需求。

  2. llama.cpp Releases66

    llama.cpp 加入 Inkling 2 文字與影像支援

    llama.cpp 原本還不能處理 Inkling 2,這次更新加入文字模型轉檔與推論,也支援影像模型轉檔和讀取圖片。量化權重會分批處理,避免轉檔時一次展開整層資料;測試中的合成權重解碼結果和 vLLM 一致,CPU 推論結果也符合發布說明列出的誤差範圍。不過,Inkling 2 的真實模型檔尚未完成轉檔測試。

    推薦理由:這次更新補上 Inkling 2 文字與影像支援,也說明量化權重分塊處理的記憶體需求與測試結果。

  3. Dev.to Top Tech45

    PopNow API 圖片、影片和音訊生成功能使用指南

    想用程式生成圖片、影片或音訊,常會碰到工作要等多久、會花多少錢,以及結果要去哪裡拿的問題。PopNow API 把這些功能放在同一個入口:送出工作後,可以等結果或接收通知,再用有期限的下載連結取回檔案。像生成一張圖片時,可以先查詢價格,再送出工作;如果影片還沒完成,則可用工作編號稍後檢視。這讓開發者能把生成服務接進自己的程式,也能先掌握費用;不過 API 使用的是帳戶餘額,正式使用前要確認價格和限制。

  4. Deedy42

    Deedy Das 列出自己用 Fable 5.2 做過的多種作品,包括解說 Anthropic S-1 的影片、手機板物理效果的板球遊戲,以及根據聖經 PDF 製作的動畫故事。他也用 Rust 做出每秒可處理 40k 個請求的高速爬蟲,還嘗試 3D 繪製人臉、製作動畫角色和呈現美國醫療體系的金流。部分成果不理想,例如人臉渲染失敗;他表示,如果大家有興趣,就會分享每項成果的詳細串文。

  5. Dev.to Top Tech36

    SeeHere 如何用 AI 語音描述,讓教育影片更方便視障者學習

    教育影片常把重要資訊放在圖表、標籤和示範畫面裡,視障或低視能的學習者光聽老師講解,可能還是不知道畫面上發生什麼事。SeeHere 是一個無障礙專案:它會找出課程影片中值得說明的畫面,用 Gemini 理解內容,再用 Tesseract OCR 讀取圖上的文字,接著安排語音描述出現的時間,避免蓋過老師講課,最後把文字轉成語音並和影片同步。比如影片出現葉綠體圖時,語音可以補充圖中的構造和彼此關係。這套做法希望讓學習者更容易掌握影片中的視覺資訊;描述是否準確、時機是否合適,仍有改善空間。

  6. Dev.to Top Tech39

    HushGPT 是什麼?用 Python 和 Flask 打造可自行架設的 AI 工作空間

    開發者想把 AI 聊天、檔案處理、圖片分析、語音互動和資料搜尋放進同一個地方,卻得面對模型、檔案和耗時工作各自不同的處理方式。HushGPT 是用 Python 和 Flask 打造的開源 AI 工作空間,可以自行架設,也能搭配 Hugging Face 模型或選用 Ollama 在本機執行模型;像是處理檔案或圖片這類較花時間的工作,還能放到背景執行並檢視狀態。它也能儲存聊天紀錄、搜尋相關資料,或透過網路補充資訊。不過,自行架設不代表資料一定不會傳出去:使用外部服務或網路搜尋時,資料可能會送到其他服務,因此仍要留意設定和安全。

  7. Dev.to Top Tech66

    Gemini API CLI 實作教學:串起圖片、影片、配音與字幕流程

    AI 助理處理圖片、影片和音訊時,常得面對互動式操作,也可能把大量檔案內容塞進工作脈絡。作者實際測試 gemini-api CLI,示範如何用命令列產生分鏡、圖片、影片、雙人配音、音樂和字幕,再檢查畫面是否符合分鏡。文章也提醒,試跑指令只能檢查送出的內容,不能確認帳戶能否使用服務;實際製作時,音樂檔的副檔名和格式可能不一致,語音轉字幕也可能聽錯,因此發布前要檢查字幕。

  8. Dev.to Top Tech48

    作者如何把辨識樂譜的模型縮小 21 倍,讓照片轉成音符快得多

    把樂譜拍成照片,再轉成能播放的音符,原本很方便,卻可能等上 13.6 分鐘,讓人以為手機當掉了。作者用原本的辨識模型當老師,做出一個更小的模型,教它看大量樂譜範例,也把範例轉歪、弄模糊、加雜訊,模擬拍照和掃描的樣子。新模型只有 1.8 MB,比原本小 21 倍;在同一臺筆電上,辨識同一頁的一部分從 7 秒縮短到 0.3 秒,手機處理整頁則變成 33 秒。 測試中,新模型在模糊歪斜的模擬掃描上,音高辨識率比原模型高;但測試只有 14 頁,作者也還沒好好測過真正拍下來的樂譜照片。轉出的結果仍要人工修正,例如補回拍號或改正譜號。這次嘗試顯示,訓練模型也能成為讓一項功能變好用的小步驟。

  9. Dev.to Top Tech58

    文章整理 iOS 27.3 的 Siri 新功能與 App Intents 開發預覽

    用 Siri 處理事情時,過去常得自己開啟 App、一步步找到功能。文章整理 iOS 27.3 的更新,提到 Siri 能在多款系統 App 執行操作,例如在 Mail 取消訂閱、在 Safari 關閉重複分頁,也新增繁體中文、越南文、土耳其文和挪威文。文章還介紹開發者預覽版中的 App Intents,讓第三方 App 描述可供 Siri 呼叫的操作;Siri 可追問不清楚的資料,再把使用者的要求交給相應操作處理。

  10. Dev.to Top Tech36

    用 Readdy AI、Supabase 和 Resend,1–5 天做好四種語言的網站

    小商家常需要趕快把網站改成韓文、英文、日文和中文,卻不想把四個網站分開重做。WebFreesia 的做法是用 Readdy AI 先排出頁面,再用 Supabase 存放內容和各語言譯文;每個頁面要等四種語言的資料都備齊,才會上線。網站會依訪客選的語言顯示內容,詢問通知也會帶上對方使用的語言。 工作室依網站規模安排時程:簡單的介紹頁約 1–2 天,企業網站約 3 天,含購物車和結帳的商店約 5 天。價格從 $300 起,額外語言每種 $350。作者也提醒,AI 排出的版面只是起點,字型、間距和手機畫面仍要人工調整;真正花時間的常是準備和確認譯文。

  11. The Decoder67

    Anthropic 建議使用 Claude Opus 5.5 時調整提示詞習慣

    使用 Claude Opus 5.5 時,沿用舊模型的提示詞習慣,可能讓回答變慢,卻沒有更好。Anthropic 建議拿掉「think hard」和「think carefully」,先用預設的 Medium effort;公司表示,內部測試中,Opus 5.5 用 Medium 的表現和 Opus 5 用 High 相當,較高設定也不一定帶來更好的結果。交代目標、輸出格式和何時需要追問,並直接附上圖表或要求完成品,也有助於模型一次完成工作。這些是 Anthropic 根據自身測試提出的建議。

  12. Dev.to Top Tech57

    如何用 React、Three.js、Node.js 和 Tauri 2 打造 3D AI 助理 Wemmbu

    一般 AI 助理多半隻靠打字對話,作者想讓角色也能做動作、說話,並記住之前的資訊,因此打造了 3D 桌面 AI 助理 Wemmbu。程式用 Three.js 顯示角色和裝備,透過 OpenRouter 對話、Fish Audio 把文字轉成語音,並用 SQLite 儲存可搜尋、修改和刪除的記憶。角色動作由共用的動作清單管理,語音播放時嘴巴會跟著音訊活動動起來,但還沒有做到逐字對嘴。作者也分享用 Tauri 2 管理桌面程式和本機 Node.js 服務的做法,並提醒 Windows 安裝程式已在本機測試,Linux 和 macOS 套件仍需實際測試。

11月14日週六
  1. Dev.to Top Tech57

    VisionVix 3D 植物模擬器讓你切開植物,看見莖內構造

    課本上的植物圖有標出各個部位,卻不容易看出根、莖和種子裡面是什麼樣子。作者做了一個免費的 3D 植物模擬器,在瀏覽器裡就能轉動、放大或切開 10 種植物,也能用 X 光模式看藍點代表水分往上流、綠點代表糖分往下流。模擬器還有近看部位的標籤,並提供較精細和較輕量的模型,方便不同裝置使用。不過植物不會隨時間生長,模擬器也不能取代種植和觀察真實植物。

  2. Dev.to Top Tech37

    GPT-6 Astra 如何用 Blender 把腦中的點子做成立體場景

    想把腦中的房間或角色做成立體作品,常常得先學會一大堆軟體操作,讓人還沒開始創作就卡住。GPT-6 Astra 可以依照文字描述,在 Blender 裡建立能繼續修改的場景,也能自己檢視畫面、找出問題,再照著你的意見調整。例如,它能先做出一座林間小屋,再逐步補上傢俱、改變燈光,並安排鏡頭移動。這讓新手更快做出雛形,也能邊做邊學;但場景看起來合理,不代表沒有比例或結構問題,最後仍要由人來檢查和決定。

  3. Dev.to Top Tech82

    DeepSeek API 加入網頁搜尋、檔案與語音功能,並分項收費

    DeepSeek 把原本在自家 App 裡的搜尋、讀取網頁、檔案和語音功能開放給開發者透過 API 使用,模型會依設定搜尋網頁、讀取連結或把檔案內容放進對話,也能處理語音。除了模型 token 費用,各項工具還會另外收費,例如搜尋與讀取網頁每 1,000 次成功請求 US$0.75,掃描頁面辨識文字每 1,000 頁 US$0.225。安全設定可檢查輸入和輸出;若服務對外提供,開發者也要負責內容安全檢查、模型登記與 AI 生成內容標示。示範聊天工具會把 API 金鑰和對話存在使用者的瀏覽器,文章提醒不要拿它處理敏感資料。

    推薦理由:DeepSeek 把搜尋、讀取網頁、檔案與語音功能接進 API,並分項計價,文中也整理了公開服務需要留意的安全責任。

  4. Dev.to Top Tech63

    如何在 Android 手機離線使用 LFM3 聊天和看照片

    想在手機上用 AI,卻不想把訊息和照片傳上網,可以用 Off Grid AI Mobile 在 Android 手機離線執行 LFM3。文章示範如何安裝 App、下載模型並開始聊天:LFM3 1.7B 可處理文字,LFM3 VL 2B 還能讀照片中的收據、圖表和檔案。兩款模型都列出至少需要 4 GB 記憶體,首次下載約 1.0 到 1.4 GB;下載完成後,可開啟飛航模式繼續使用。若照片功能無法使用,文章提醒要確認目前選的是 VL 版本。

  5. Dev.to Top Tech61

    作者示範如何讓 React Three Fiber 和 8th Wall 共用 WebGLRenderer

    把 React Three Fiber 和 8th Wall 接在一起時,如果各自建立畫布和 WebGLRenderer,畫面更新、尺寸和點選就可能互相干擾。作者開源了一套入門範例和可選的 npm 套件,讓兩者共用一個畫布和 WebGLRenderer:XR8 負責相機畫面與每一幀的更新,React Three Fiber 負責場景內容。這樣開發者仍能用熟悉的 JSX 元件寫 AR 場景,也可把同一個場景放進一般的 React Three Fiber 畫布中測試。用手機測試時,頁面需要透過 HTTPS 開啟,才能使用相機。

  6. Vercel Blog76

    Vercel Token Pass 開放使用 Kimi K3.1 Pro

    團隊使用 AI 助理寫程式時,可能需要切換不同模型或工具。Vercel 的 Token Pass 現在加入 Moonshot AI 的 Kimi K3.1 Pro,可用於寫程式和 AI 助理工作流程,也支援看圖、使用工具,並提供 1M 上下文視窗。這項早期訂閱每隊每月 $30,會提供每月 $80 額度,可用於連線 AI Gateway 的程式開發工具或用 AI SDK 建立的 AI 助理;透過 Token Pass 處理的請求不會保留資料。

    推薦理由:Token Pass 把 Kimi K3.1 Pro 加入團隊訂閱,並列出月費、可用額度與資料保留方式,方便評估是否符合開發需求。

  7. Dev.to Top Tech41

    Google 推出 Gemini 4 Hydrogen,主打日常寫程式又快又省力

    寫程式時,不是每件事都需要很會深度推理的模型,有時候更需要快速處理日常工作。Google 推出 Gemini 4 家族的新成員 Gemini 4 Hydrogen,主打寫程式、除錯和處理多步驟的 AI 助理工作,也能讀文字、圖片、音訊和影片,輸入與輸出的內容合計最多可達 1 million tokens。它和專注複雜推理的 Gemini 4 Carbon 分工,讓開發者能依工作挑選模型。

  8. Dev.to Top Tech58

    AI 影像放大後變難看?文章教你依劣化狀況挑選預設

    把低畫質影片放大後,畫面有時反而更糊、更假,常見原因是預設不適合原本的劣化狀況。文章比較五種影像處理預設:人物與寫實照片適合 Natural HD,乾淨但模糊的素材可試 Ultra Crisp,布料紋理可用 True Texture,想加強色彩可選 Cinema Vivid,來源不明或混合多種問題時則可用 Clear Reality。若畫面有區塊或雜訊,應先輕度降噪,再放大;分兩次放大也能在每一步檢查結果。放大能改善觀看時的清晰感與壓縮痕跡,但無法找回原本沒有拍到的細節。

  9. Dev.to Top Tech70

    Google Gemini 推出 Personal Intelligence,連線選定服務提供個人化回答

    每次問 AI 助理問題,都要重新找資料、補上背景,常讓人多花時間。Google 推出 Gemini 的 Personal Intelligence 測試版,使用者可以自行連線 Gmail、Photos、YouTube 和 Search,讓 Gemini 在回答時參考相關資訊;連線功能預設關閉,也能隨時取消。這項功能目前在美國逐步開放給符合資格的 Google AI Pro 和 Google AI Ultra 訂閱者,可在網頁版、Android 和 iOS 使用。Google 表示不會直接用 Gmail 收件匣或 Google Photos 相片庫訓練模型,但提示詞和回答可能用來改善功能;Drive 和 Google Sheets 尚未列入目前支援的服務。

  10. MarkTechPost79

    2026 年 AI 影片模型評測:畫質分數、每秒價格和開放權重一次比較

    挑 AI 影片模型時,分數高不一定最省錢,開放權重也可能有限制。MarkTechPost 依 Artificial Analysis 的盲測偏好分數,整理文字轉影片與圖片轉影片的模型排名,再對照每秒價格和權重是否開放。榜首 Wan 3.0 的文字轉影片分數最高;Seedance 2.5 的圖片轉影片分數最高,但價格也偏高。MiniMax H3 是榜上排名最高的開放權重模型,不過授權限制部分地區部署,解析度上限為 768p。文章也提醒,排名第 3 到第 8 的模型分數接近,較適合看成同一群,而非嚴格分出高下。

    推薦理由:文章把盲測偏好分數、每秒價格與權重開放狀態放在一起比較,也提醒名次接近的模型不宜看成明確勝負。

  11. Thurrott82

    Google 推出 Gemini 4 Hydrogen,讓所有人都能在搜尋中使用

    Google 推出 Gemini 4 Hydrogen,讓所有人都能在 Google 搜尋的 AI Mode 使用,也會逐步加入 Gemini app。Google 表示,這款模型著重快速處理各種日常工作,在 Gemini app 中更能照著使用者的指示操作、選用合適工具,減少來回修正;它有四種思考層級,預設為 high。在搜尋中,它也能處理較複雜的問題、提供更多影像內容和相關來源連結。Google Sheets 與 Google Antigravity 的訂閱使用者也能使用;Google 另表示,模型加強了對化學、生物、放射性與核能,以及網路安全濫用的防護。

    推薦理由:Hydrogen 同時進入 Gemini app 與 Google 搜尋,並提供四種思考層級;文章也整理了它在日常任務、搜尋回答和安全防護上的用途。

11月13日週五
  1. elvis51

    把一段文字變成有旁白和圖表的解說影片,通常需要花不少時間。Elvis Saravia 用 pi 當作 AI 助理的工作框架,請百度的 ERNIE 5.5 Flash Preview 製作一支解釋遞迴自我改進的短片;模型寫出指令碼、圖表程式碼並完成影片,旁白則由 ElevenLabs 提供,整個過程約 8 分鐘。他表示,用前沿模型做同一支影片會多花 2 到 5 倍時間,也提醒自己還沒測試需要長時間維持連貫性的影片。

  2. aihot78

    DeepSeek API 開放網路搜尋、檔案輸入與閱讀連結等功能

    開發者要讓 AI 助理搜尋網頁、讀取連結或處理檔案,過去得自行串接相關功能。DeepSeek 現在讓 deepseek-flash 在 Messages、Responses 和 Chat Completions API 中使用這些能力,開啟對應工具或引數後,服務端會處理工具呼叫與對話內容整理。模型能依問題搜尋網頁或圖片、讀取訊息中的連結,也能解析 PDF、Office 和圖片檔案;另外還有 Search、Fetch、OCR、ASR 和 TTS 等獨立介面。對外提供服務時,DeepSeek 建議開啟安全校驗,並提醒開發者需負起內容安全審核等責任。

    推薦理由:DeepSeek 把搜尋、讀取連結與檔案處理等能力接進 API,並由服務端處理工具呼叫與上下文整理,方便開發者評估整合方式。

  3. Hugging Face Transformers Releases76

    Hugging Face Transformers 發布 v5.23.0,更新模型匯出與多模態支援

    模型要在不同執行環境使用,匯出、分享和重新載入往往得處理不同流程。Hugging Face Transformers v5.23.0 把這些步驟整合到 ExportedModel,支援 Dynamo、ONNX Runtime、OpenVINO 和 ExecuTorch;匯出的模型可以推送到 Hub,再由對應環境載入。這版也加入多個模型支援,修正視覺、音訊、快取和分散式運算問題。效能比較顯示,在列出的測試中,ONNX Runtime 和 OpenVINO 都比 eager PyTorch 快,但實際差異會依硬體和設定而變。

    推薦理由:這次更新把模型匯出、分享與載入整合成相近的操作方式,也列出不同執行環境的速度比較,可看出部署流程有哪些變化。

  4. aihot78

    Apple HomeView 開始販售,桌面款和壁掛款售價都是 299 美元

    家人共用一臺裝置時,如何各自檢視行程和訊息,又不讓個人內容被別人看到,是 HomeView 想處理的問題。這臺有 7 英吋螢幕的家庭裝置分為桌面款和壁掛款,兩款在美國售價都是 299 美元,可用來播放音樂、打 FaceTime 電話和管理智慧家庭;Siri AI 也能辨認最多六位使用者,顯示各自的內容。若要取得個人化回答,還得配對支援 Apple Intelligence 的 iPhone 或 iPad。HomeView 首批在澳洲、加拿大、印度、紐西蘭、新加坡、英國和美國販售;因 Siri AI 目前在歐盟的 iOS 上無法使用,這款裝置暫不在歐盟上市。

    推薦理由:HomeView 把影音、視訊通話和智慧家庭管理放在同一臺裝置上,個人化回答還需要搭配支援 Apple Intelligence 的 iPhone 或 iPad。

  5. Apple Newsroom82

    Apple 推出 HomeView,讓 Siri AI 在家中螢幕上回答問題並操作 App

    在家裡檢視行事曆、聯絡人和裝置狀態,常得在不同 App 之間切換。Apple 推出 HomeView,裝置可用臉部辨識最多六位使用者,顯示各自的訊息、FaceTime、行事曆、提醒事項和尋找內容;Siri AI 也能回答問題,或依螢幕上的內容採取行動。搭配支援 Apple Intelligence 的 iPhone 或 iPad,還能參考使用者的行事曆、訊息和其他 App 資訊,提供更個人化的回覆。HomeView 已在美國等七個市場開賣,價格為 $299(美國);Siri AI 目前僅支援英文,且 HomeView 尚未在歐盟販售。

    推薦理由:HomeView 結合臉部辨識與個人行事曆、訊息等內容,也能透過 Siri AI 回答問題並操作 App,呈現居家裝置與個人資訊整合的用法。

  6. Dev.to Top Tech42

    在 Apple Silicon 上打造本機 AI 影片工作流程:Whisper、Qwen/Gemma 和 Maya1 TTS

    剪輯長影片時,先把好幾 GB 的影片上傳到雲端才能開始處理,改字幕還可能一直消耗雲端額度。Wonek Video Studio 把語音轉文字、降噪、找精彩片段、字幕翻譯和配音放在 Apple Silicon 的 Mac 本機執行;Whisper 負責抓準每個字的時間,Qwen 或 Gemma 幫忙挑片段、翻字幕,Maya1 TTS 則能直接在時間軸上重做配音。像是隻改一句旁白,就能在本機重做那一句並更新時間軸。想用 Veo 3.1、LTX 或 OpenAI 的雲端影片生成服務,也能自行提供 API 金鑰。這種做法能少等上傳、少受雲端額度限制,也讓創作者選擇哪些工作留在自己的電腦處理。

  7. OpenBMB39

    現場攝影機拍到畫面後,通常還需要人檢視、整理,才能用來處理工作。CamThink 把 NeoEyes 邊緣攝影機、NG4500 AI Box 和 NeoMind 平臺接在一起:攝影機拍下照片後,會觸發 AI 助理,讓內建的 MiniCPM-V 4.7 1B 依照提示詞清點人數、找出安全違規、檢視垃圾桶裝了多少,或讀取儀表數字。結果會整理成資料,顯示在儀錶板,也能用來發出異常提醒或連線其他系統。照片和分析結果會留在現場網路內;辨識效果則會受提示詞、照片清晰度和模型能力影響,重要工作仍應由人確認。

  8. Linus ✦ Ekenstam 🔜 Adobe MAX Miami 202672

    機器要在真實世界試錯,可能會造成損壞;PAN 2 提供一種先在模擬世界練習的方式。MBZUAI 的基礎模型研究所推出這個世界模型,只要給它一個場景和一個動作,它就會模擬接下來可能發生的事。像是從疊高的積木中抽出中間一塊,模型會模擬積木倒下;換成慢慢抽出靠近頂端的一塊,積木則可能站住。AI 助理可以反覆嘗試、檢視模擬結果,再調整動作。研究團隊表示,測試中的 AI 助理也曾透過模擬互動發現看不見的世界特性。PAN 2 的模型權重、訓練程式碼和推論程式碼以 Apache 2.0 授權開放。

  9. Dev.to Top Tech57

    Gemini 4 Carbon、Hydrogen、Argon 怎麼選?比較分數、費用與適用工作

    挑 Gemini 4 模型時,分數較高的選擇可能更貴、也要等更久,而且換模型名稱不一定能沿用原本的工具設定。這篇文章整理 Gemini 4 Carbon、Hydrogen 和 Argon 的基準分數、每項任務費用與耗時:例如 Hydrogen high 的分數是 51,每項任務 $1.87,平均耗時 8.3 分鐘;Carbon high 分數是 60,費用 $5.48,平均耗時 28.1 分鐘。三款模型都支援文字、圖片、音訊、影片和 PDF 輸入,但 AIHubMix 對 Hydrogen 只列出 Chat Completions 協定;Carbon 和 Argon 還列出 Responses、Anthropic Messages 和原生 Gemini。文章也提醒,Carbon 和 Argon 的 token 價格從 2026-12-01 起加倍,基準數字則來自單次快照,選擇前要確認自己的工作流程和價格需求。

  10. Vercel Blog54

    Vercel AI Gateway 開放使用 Thinking Machines 的 Inkling 2 Small

    Thinking Machines 的多模態推理模型 Inkling 2 Small 已在 Vercel AI Gateway 上提供,可用於程式開發AI 助理、視覺理解與專業知識工作。 輸入與輸出:支援文字和影像輸入,並產生文字輸出;可處理較長的程式開發任務、使用工具蒐集資訊,再整理成檔案、試算表等成果。 視覺能力:可讀取影像中的文字、解讀圖表與資訊圖表、檢視介面;在視覺開發流程中,能根據截圖檢查程式碼產出並引導後續修改。 接入方式:模型名稱為 thinkingmachines/inkling-2-small。安裝最新版 Vercel CLI 並執行設定後,可在 Claude Code、Codex、Cursor 等程式開發AI 助理中選取該模型;詳情見 coding agents guide,也可在 model playground 試用。 AI Gateway 服務:提供統一 API、用量與成本追蹤、重試與故障轉移設定及效能最佳化;另有自訂報表、Zero Data Retention 支援、API 金鑰預算和路由規則。 費用:AI Gateway 依照供應商定價,不加價;推論不收平臺費,包含 Bring Your Own Key(BYOK)請求。

  11. ollama52

    需要 AI 助理看懂圖片、檔案或財務資料時,使用者會在意模型能處理哪些內容,以及資料是否會被保留。Ollama 宣佈可在 Ollama Cloud 使用 Thinking Machines 的 Inkling 2 Small,並表示不會保留資料。這款 594B 混合專家模型的上下文視窗為 1M,原文列出的用途包括 OCR、資訊圖表理解、視覺推理、透過 MCP 呼叫工具,以及分析財務試算表、申報檔案和其他檔案。