#多模態
RSS 訂閱#多模態
RSS
@levelsio@levelsio品質評分5757
Dev.to Top Tech精選品質評分8282 Google 推出 Gemini Decisions API,以多模態判斷處理控制流程
Google 推出 Gemini Decisions API,以 Gemini Decision 1 在單次前向運算中處理多模態控制流程判斷,回傳校準後的機率,不產生文字 token。
推薦理由:Gemini Decisions API 將多模態輸入與平行判斷整合在單次呼叫中,並提供信心分數與明確定價,呈現其在路由控制流程中的實作方式。
Claude@claudeai品質評分3939
Artificial Analysis@ArtificialAnlys品質評分5353Artificial Analysis 比較模型在 VIALS-AA 使用工具與單次作答時的表現,工具使用下各模型平均分數約從 25% 提升至 47%。
AWS What's New精選品質評分6666 DeepSeek-V4-Pro、DeepSeek-V4-Flash 和 DeepSeek-V4.1-Flash 登上 Amazon SageMaker JumpStart
想在雲端使用大型模型時,團隊得依工作內容和運算成本挑選合適的模型。AWS 將 DeepSeek-V4-Pro、DeepSeek-V4-Flash 和 DeepSeek-V4.1-Flash 加入 Amazon SageMaker JumpStart,客戶可從模型目錄或使用 SageMaker Python SDK 部署。三款模型都支援 100 萬 token 上下文視窗;V4-Pro 面向複雜推理和高品質文字生成,V4-Flash 著重較低運算成本,V4.1-Flash 則支援多模態,並針對 AI 助理、程式開發和視覺工作調整 KV 快取用量。
推薦理由:三款模型在啟用引數量、上下文視窗與多模態支援上各有差異,可用來比較推理、程式開發和視覺工作負載的部署選擇。
Hacker News (official RSS)品質評分6262 作者用 AI agents 重找已測繪的馬雅遺址,並向 INAH 通報
作者使用 48 個 AI agents 檢視墨西哥約 1,200 km² 的 NASA 雷射雷達資料,找到一處尚未列入 INAH 登記的馬雅遺址,並向該機構提交報告。
MarkTechPost精選品質評分7777 Google 推出 Gemini Decisions API 與 Gemini Decision 1,輸入價格為每百萬 token $0.10
Google推出由 Gemini Decision 1 驅動的 Gemini Decisions API,可對共用輸入中的最多 1,000 個問題評分,回傳校準機率,且不產生文字輸出。
推薦理由:Gemini Decision 1 以校準誤差和多項基準呈現其決策能力,也列出價格與競品差距,可供評估代理程式中的分支判斷需求。
Google Gemini@GeminiApp精選品質評分6767推薦理由:Gemini 登上 Apple CarPlay,並可延續手機上的對話或透過 Gemini Live 進行語音交流,呈現其在車載介面中的使用方式。
NVIDIA AI@NVIDIAAI精選品質評分6969
推薦理由:Déjà View 以 117M 引數在五項基準上比肩或超越大上至 10 倍的模型,並可調整迴圈次數以配合運算預算,呈現模型規模與計算量的取捨。
The Decoder精選品質評分8282 Google 推出 Gemini Decisions API 與 Gemini Decision 1,單次處理 1,000 個問題
Google DeepMind 推出 Gemini Decisions API,供快速處理是非題、選擇題與量表評分;底層模型 Gemini Decision 1 單次可處理 1,000 個獨立問題,並在 150 至 250 毫秒內回傳選項機率與信心值。
推薦理由:Gemini Decision 1 將封閉式判斷整合為單次批次處理,並提供延遲、價格與校準誤差資訊,可用來比較此類 API 的適用情境。
Dev.to Top Tech品質評分4545 Wave Forcing 以交錯去噪實現每輪串流輸出一個影片區塊
Wave Forcing(WF)結合區塊因果注意力與交錯去噪流程,在管線填滿後,每個並行前向輪次可輸出一個影片區塊。 - 基準表現:在 Wan2.1-T2V-1.3B 上,五步版本的 VBench Total 為 81.64,高於五步 Rolling Forcing 的 81.15;研究也測得 WF 的動態幅度明顯增加。
Higgsfield AI 🧩@higgsfield_ai品質評分4747
Dev.to Top Tech品質評分4747 Atlarix 15.16 修正圖片讓聊天上下文估算暴增至 80 萬 token 的問題
Atlarix 在 15.16 修正圖片工具結果被當成一般文字計算,導致聊天上下文估算暴增的問題;這項錯誤未出現在任何已發布版本。
Dev.to Top Tech品質評分7575 Google 推出 Gemini Decisions API,單次評分最多 1,000 個封閉集合選項
Google 推出 Gemini Decisions API 與新模型 Gemini Decision 1,透過單次前向運算為封閉集合選項評分,回傳機率與信心分數。
aihot精選品質評分8484 Google 推出 Gemini Decisions API 與 Gemini Decision 1,提供快速多模態封閉式決策
Google 推出由 Gemini Decision 1 驅動的 Gemini Decisions API,可在文字、影像、音訊、影片與 PDF 輸入上,單次評估最多 1,000 個是/否、多選或評分問題,並回傳機率與信心分數。
推薦理由:原文提供延遲、定價與基準比較,並說明單次請求可評估多個問題,可據此衡量此決策介面是否符合路由或分類需求。
Vercel Blog品質評分5454 Vercel AI Gateway 開放使用 Google Gemini Decision 1
Vercel AI Gateway 現已提供 Google Gemini Decision 1,這款多模態決策模型可處理文字、圖片、音訊、影片與 PDF,並回傳布林機率、選項或分數。
elvis@omarsar0品質評分3737好快!Google 現在推出了自家的決策模型。 它支援文字、圖片、音訊、影片和 PDF。 很想看看它在我的研究基準測試中的表現。很快會分享結果。
aihot精選品質評分7272 Google 推出 Gemini Decision 1 模型與 Gemini Decisions API
Google 推出由 Gemini Decision 1 驅動的 Gemini Decisions API,在 Google AI Studio 中提供以評估方式產生判定的能力。 輸入與處理方式:可處理文字、影像、音訊、影片和 PDF,並針對最多 1,000 個問題進行評估,在單次處理中給出決策。 計費方式:不按輸出 token 計費。
推薦理由:Gemini Decision 1 以多種輸入對照最多 1,000 個問題並直接產生判定,且不按輸出 token 計費,呈現評估式模型的使用方式與計費差異。
OpenAI News品質評分5252 JioStar 首席架構師談如何為 5 億使用者打造 AI 內容探索體驗
JioStar 使用 OpenAI API,為 JioHotstar 打造對話式影片與板球資料探索助理,支援多語言,讓觀眾以語音或文字查詢影視內容、賽事片段與統計資料。
Google AI Official Blog精選品質評分8080 Google 推出 Gemini Decisions API 與 Gemini Decision 1,支援快速多模態決策
Google 推出 Gemini Decisions API,由 Gemini Decision 1 驅動,可在單次推論中處理多模態輸入與最多 1,000 個是非題、選擇題或評分問題。
推薦理由:Gemini Decisions API 將多模態輸入與最多 1,000 個封閉式問題放進單次請求,並提供延遲、價格與信心分數,便於評估路由和分類工作流程。
🚨 AI News | TestingCatalog@testingcatalog品質評分6161
Logan Kilpatrick@OfficialLoganK品質評分4848
Google@Google品質評分6363
Philipp Schmid@_philschmid品質評分5454
Dev.to Top Tech品質評分4848 Enigma Ray:開源 AI 創意工作空間整合影像、影片與音訊工具
Enigma Ray 是一款開源 AI 創意工作空間,將影像生成、影片製作、音訊、唇形同步、視覺化工作流程與創意AI 助理整合到同一個應用程式,目前包含 17 個專用工作室。
Sundar Pichai@sundarpichai精選品質評分7373
推薦理由:Gemini Decisions API 將封閉選項判斷延伸至文字、影像、音訊、影片與 PDF,並列出定價和基準表現,便於評估其適用情境。
Dev.to Top Tech品質評分5757 VisionVix World 推出可在瀏覽器操作的 3D 人體器官模擬器
VisionVix World 推出可在瀏覽器使用的 3D 人體器官模擬器,讓使用者旋轉器官、檢視標示,並播放動畫或跟隨導覽瞭解器官運作。 - 互動內容:可檢視肺部呼吸、腎臟過濾血液、食物通過約 9 公尺消化道等示範;模型依需求載入,支援手機瀏覽器。
Unsloth AI Releases精選品質評分6969 Unsloth Studio v0.1.917-beta 推出 Dynamic v3.1 GGUFs 與多項效能更新
Unsloth Studio v0.1.917-beta 推出 Qwen3.8-27B Dynamic v3.1 GGUFs,並更新聊天效能、影像與影片生成及程式代理功能。
推薦理由:此版本同時涵蓋本機模型執行、影像與影片生成及程式代理,並列出多項效能變化,呈現 Unsloth Studio 的更新範圍。
ElevenLabs Official Blog精選品質評分7272 ElevenLabs 與 NVIDIA 擴大合作,將語音AI 助理部署拓展至企業與政府
ElevenLabs 與 NVIDIA 擴大合作,將 NVIDIA 模型與運算基礎架構匯入 ElevenAgents,支援企業與政府大規模部署語音AI 助理。
推薦理由:Nemotron 3.5 Super VL 在 ElevenAgents 的客服基準中以低 70% 的成本達到領先任務完成準確率,可供企業評估語音AI 助理的模型選擇。
Dev.to Top Tech品質評分3535 如何用 AI 將整部漫畫章節翻譯成英文:CBZ 工作流程
LingoManga 作者分享以 AI 翻譯整部漫畫章節的工作流程,說明如何整理 CBZ 頁面、選擇翻譯方式,並透過預覽檢查譯文。 - 翻譯方式:可將 OCR 翻譯後的文字排回清理過的對話方塊,保留原圖;或用影像模型直接翻譯整頁,但可能稍微重繪線稿或網點。
The Verge · AI品質評分3939 Adobe AI 實驗展示可探索 3D 照片、對話設計角色與複製編輯
Adobe 公開多項仍在測試中的 AI 創作實驗,涵蓋可轉換並探索照片的 3D 場景、透過對話塑造 AI 角色,以及將照片編輯複製套用到其他人物或物件。 - Project Screen Test:使用者可與 AI 角色對話,設定個性、聲音與背景,再生成角色的動畫試鏡片段;目前是獨立的創作實驗,尚不清楚是否會整合進 Adobe 現有的 AI 影片工具。
OpenBMB@OpenBMB品質評分5858Dev.to Top Tech品質評分4242 Infinite 的 L-system 程式化 3D 分枝與分形生成
Infinite 透過原生 L-System 節點,將 Lindenmayer 系統的平行重寫文法轉換為即時 3D 分枝幾何,並可依輸入音訊頻率調整生長引數。
ModelScope@ModelScope2022品質評分6363Nex-AGI 推出開源權重多模態AI 助理模型 Nex-N2.6,供電腦操作、程式開發與長時間任務使用,採用 GLM-5.3-Flash 為基礎。
vLLM Official Blog精選品質評分8484 vLLM 如何以 EPD 分離多模態服務中的編碼、Prefill 與 Decode
vLLM 說明如何以 Encoder/Prefill/Decode(EPD)分離多模態推論流程,並整理中繼資料轉送、編碼器執行、嵌入傳輸、快取與路由的工程進展。
推薦理由:文章整理 vLLM EPD 的媒體中繼資料、遠端嵌入傳輸與跨編碼器快取,並以不同工作負載的測試資料呈現效能差異。
Dev.to Top Tech品質評分5858 作者以 three.js 製作從地球飛往仙女座的真實尺度太空模擬器
作者以 three.js 0.170 和 Vite 製作可在瀏覽器執行的太空飛行模擬器,從地球經過行星與鄰近恆星,延伸至銀河系外的仙女座星系,場景距離採真實尺度。
Dev.to Top Tech品質評分5353 Show DEV:RemixFlick 一鍵將 1-2 張照片轉成即時 AI 影片
RemixFlick 是一款 AI 影片生成工具,使用者只需上傳 1-2 張照片,即可得到可重複的影片,無需寫 Prompt。 - 核心特性:提供預先設計的模板,包含參考剪輯、固定 Prompt 與模型設定,確保結果可重複。
Dev.to Top Tech品質評分6666 Google AI Classroom 第9部:Gamified「Bingo」活躍在場驗證與零信任監考模式
Google AI Classroom 在第9部介紹了 Gamified 「Bingo」活躍在場驗證與零信任監考模式,結合 Gemini 4 及 Google Cloud 進行多模態驗證與完整監考。
MarkTechPost品質評分7272 MBZUAI IFM 發布 PAN 2:開源 29B 世界模型,專注物理 AI
PAN 2 是 MBZUAI IFM 推出的 29B 引數開源世界模型,能以文字指令模擬場景變化並輸出 704×1248 24fps 影片,適用於機器人與代理開發。
🚨 AI News | TestingCatalog@testingcatalog品質評分4444GOOGLE 🔥:Gemini 模型第二天發布即將到來!Google 可能推出 Gemini 4 Hydrogen(Flash)的機會很大。 很快 👀 https://t.co/KDeTxMisoJ