跳到正文

#多模態

RSS
今日 5 則
11月12日週四
  1. Dev.to Top Tech82

    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。

  2. AWS What's New66

    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。

  3. MarkTechPost77

    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。

  4. NVIDIA AI69

    Déjà View 能將不同角度拍攝的照片轉換為 3D 幾何與相機位置。 模型與基準:這個 117M 引數的模型透過重複執行單一 Transformer 區塊,在五項基準上比肩或超越大上至 10 倍的模型,使用相當或更少的運算量。 運算彈性:研究者可調整迴圈次數,以配合運算預算。 論文與程式碼:NeurIPS 2026 口頭論文,程式碼連結:https://t.co/4jiCRA71Oo

    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。

  5. The Decoder82

    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。

  6. aihot84

    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。

  7. aihot72

    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。

  8. Google AI Official Blog80

    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。

  9. Philipp Schmid54

    Google 宣佈推出 Gemini Decisions API,由 Gemini Decision 1 模型驅動,可回答是非題、選擇題與評分規準題。 輸入與容量:支援文字、圖片、音訊、影片與 PDF;每次請求最多 1,000 題,上下文長度為 256k。 速度與價格:端到端延遲為 150–250 ms;每 1M 輸入 tokens 收費 $0.10,輸出免費。 回答資訊:每個答案都附有信心分數。 API 連結

11月11日週三
  1. The Verge · AI39

    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。

  2. vLLM Official Blog84

    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。