跳到正文
目前篩選:模型
10月29日週四
  1. DEV Community27

    Meta 發佈首個前沿模型 Muse Wonder

    Meta 發佈首個前沿模型 Muse Wonder,文章指出它在程式碼和推理 benchmark 的分數較高。文章亦以 VR 視覺訓練應用 AmblyoPunch 為例,介紹其治療弱視的四階段流程及按表現調整訓練的方式。

  2. DEV Community43

    畫面中的鬼影:我用 2001 年的機械人視覺技巧對比兩款本機視覺模型

    作者重寫 2001 年的機械人視覺方法,並與兩款本機視覺模型比較,傳統方法在測試中更準、更快。Intel N100 上的 72 個影格測試中,加入中值濾波和迴音消除器的方法平均誤差為 0.1 px,每個影格需時 37.5 ms;Qwen2.5-VL 3B 在 37 個完整回覆影格上的誤差為 1.3 px,每個影格需時 146 s,Gemma 3 4B 的誤差則為 177.8 px。

  3. DEV Community47

    建構阿爾及利亞 Darija 語音合成:LoRA、語碼轉換與 Natiq-dz-ARG

    Natiq Studio 開放權重發佈 Natiq-dz-ARG,這款 LoRA 適配器以 Higgs TTS 3.4B 為基礎,針對阿爾及利亞 Darija 語音合成。模型以 300 小時以上、來自 100 多位講者的語音微調,支援阿拉伯語與法語語碼轉換及零樣本聲音條件控制,生成 24 kHz 音訊。適配器採用 CC BY-NC 4.0 授權,商業用途須另行取得授權。

  4. Hacker News 熱門(buzzing.cc 中文翻譯)72

    Google 宣佈推出 Gemini 4 Carbon,主打網絡安全與長時程任務能力

    Google 宣佈推出 Gemini 4 Carbon,稱其為旗下最強模型,並強調其網絡安全及長時程任務能力。它在 SEC-bench Pro、ExploitGym 和 CWE-bench 分別取得 88.2%、54.8% 和 71.0%,對應漏洞發現、利用驗證及修補。Google 表示本週起會向部分網絡防禦人員開放,逐步擴至其他可信合作夥伴,並在完善防護措施後盡快向開發者、企業及消費者提供。

  5. Unite.AI78

    NVIDIA 發佈 Nemotron 3.5 Transcribe 開放權重語音模型及 Granary v2 數據集

    NVIDIA 於 2026 年 10 月 28 日發佈開放權重語音模型 Nemotron 3.5 Transcribe,並同步推出 Granary v2 語音數據集及整理流程。

    推薦理由:Nemotron 3.5 Transcribe 將多語轉錄、説話者標註、翻譯與音訊問答整合於單一檢查點;Granary v2 公開清單涵蓋 48 種語言及 463,062 小時,呈現模型功能與數據集範圍。

  6. Ai2 / Allen Institute for AI49

    研究人員如何調整 olmOCR 2,處理歷史與考古檔案

    研究人員調整 Ai2 開源模型 olmOCR 2,將歷史檔案照片及考古手寫記錄轉為可搜尋文字,並讓檔案機構可按研究需要在本地運行和微調模型。考古團隊以 LoRA 在 57 份記錄上微調模型後,在另外 450 份測試記錄上的轉錄錯誤率由 15.58% 降至 1.11%。團隊希望將方法擴展至 Carnuntum 約 70,000 份陶器記錄。

10月28日週三
  1. Hugging Face Blog76

    NVIDIA 推出 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程

    NVIDIA 推出開放權重的 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程。模型支援 40 種語言轉錄,其中 31 種可與英文互譯,並支援 13 種語言的説話者標註;Granary v2 公開清單涵蓋 48 種語言、463,062 小時及 16 個來源語料庫。醫療語音案例中,微調令留出説話者的 WER 較最佳提示詞基線相對下降 45.8%。

    推薦理由:文章串連提示詞控制、資料整理與微調流程,並以留出説話者的醫療語音評估呈現 WER 相對下降 45.8% 的結果。

  2. TechCrunch · AI63

    Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重音訊轉錄模型

    Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重模型,可轉錄最多 40 種語言的音訊,並推出開源語音數據集 Granary version 2。Nvidia 表示,模型可將 31 種語言與英文互相翻譯、處理最長一小時的錄音,並分辨最多 8 位説話者。Nvidia 稱這個 30 billion parameters 模型可在單一晶片上運行,但只支援錄音、不支援即時串流。

  3. DEV Community61

    ChatGPT、Gemini 和 Claude 掃描表格轉 Excel 評測

    ChatGPT、Gemini 和 Claude 在收據、財務報表及兩頁美國製造業普查表的掃描轉 Excel 測試中,儲存格準確度得分介乎 9.33/10 至 10/10。各文件類型的最高分不同,評分只衡量預先選定儲存格的抽取準確度;測試仍發現漏值、小數錯誤及代碼替換。文章建議對照原件、核對欄列並重算總數,按資料的重要程度驗證活頁簿。

  4. 新浪科技31

    AI進化速遞|谷歌推出大模型 Genie 4

    谷歌推出大模型 Genie 4。其他科技消息包括豆包就「15萬名羣演肖像聲音餵給大模型」傳聞闢謠,宇樹將與紅杉中國成立「杉宇·創計劃」,智元升級 Genie Sim 仿真平台;豪威集團發布 OG05D 傳感器,大眾中國發布 VEGA 技術矩陣,山大華天軟件與阿里雲達成合作。

  5. 第一財經30

    谷歌推出大模型Genie 4

    谷歌推出大模型Genie 4。速遞亦報道豆包就「15萬名羣演肖像聲音喂給大模型」一事闢謠,以及宇樹與紅杉中國成立「杉宇·創計劃」、智元升級Genie Sim模擬平台等消息。

  6. MarkTechPost68

    Google DeepMind 發佈 Genie 4 即時世界模型研究預覽,支援原生音訊

    Google DeepMind 已向受邀測試者提供 Genie 4 研究預覽,這款即時世界模型可根據文字和圖像提示生成可探索環境。它同時生成環境聲、音樂及角色對話,Gemini 3.8 Flash 則在模擬循環中規劃步驟、檢查畫面並修訂計劃。互動每次僅持續數分鐘,複雜提示詞編輯後可能出現物件漂移;Google DeepMind 未公開參數、解像度、幀率或基準測試數據。