DeepSeek 將應用內工具開放至開發者 API
DeepSeek 已把原本只在自家應用提供的網頁搜尋、連結讀取、檔案輸入、語音及安全控制功能開放至開發者 API。這些功能由 deepseek-flash(API 對應 DeepSeek-V4.1-Flash-1017)提供,並可透過 Messages、Responses 和 Chat Completions 呼叫;搜尋及讀取頁面每 1,000 次成功請求收費 US$0.75。
DeepSeek 已把原本只在自家應用提供的網頁搜尋、連結讀取、檔案輸入、語音及安全控制功能開放至開發者 API。這些功能由 deepseek-flash(API 對應 DeepSeek-V4.1-Flash-1017)提供,並可透過 Messages、Responses 和 Chat Completions 呼叫;搜尋及讀取頁面每 1,000 次成功請求收費 US$0.75。
Off Grid AI Mobile(OGAM)可在 Android 手機上離線執行 LFM3 1.7B 文字模型及 LFM3 VL 2B 視覺模型,兩者均適用於 RAM 至少 4 GB 的手機。
本章探討自主移動機械人(AMR)檢查系統中的可見光與熱成像整合,説明兩種感測方式如何結合,以識別缺陷、異常和運作風險。整合設計涵蓋感測器選擇、機械安裝、視場重疊及校準,讓視覺特徵與温度分佈能夠互相配合。
CAD2SCAN AMR 的施工掃描架構整合機械人、激光掃描、電腦視覺、定位系統、BIM、雲端運算及人工智能,將實體施工現場轉化為持續更新的數碼表示。架構可自動擷取、處理、分析及分發現場資訊,接近實時地支援施工進度與工程模型的比較。
Hot51分享一套供印尼創作者直播前使用的影音同步檢查指南,透過可重複測試和影格記錄估算聲畫差距。在 30 fps 下,三格約等於 100 ms,但這只是計算示例,並非適用於所有裝置的偏移建議;可變影格率錄影則應使用編輯器的時間戳記。
AtollCare 使用 Presage SmartSpectra SDK,將智能手機變成緊急護理流程的首個監測點,連接家屬、急救人員與醫院,並延續患者紀錄。系統透過手機鏡頭量度心率和呼吸率,並保留讀數來源、時間及訊號穩定性;不符合穩定性檢查的讀數不會列作有效評分。家屬可提交事件影片及描述,急救人員補充臨牀資料,醫院則接收整理好的交接資訊。
Google 於 11 月 11 日推出 Gemini Decisions API,可對文字、圖像、音訊、影片或 PDF 中最多 1,000 項封閉式問題進行單次評估。
Perplexity 發佈 Decider v1.3 和 Decider Flash v1.3,兩款決策模型支援分類與評分,並可經 Hugging Face(Apache 授權)、OpenRouter 及 Perplexity Decisions API 使用。
阿里雲 2026 年雙 11 提供雲產品及大模型優惠,涵蓋阿里雲百煉、伺服器和儲存服務,活動至 11 月 30 日。Qwen3.8-Flash 支援原生 1M 上下文及圖片、影片影格輸入,節省計劃低至 4.5 折,Token Plan 夜間優惠為 4 折。文章並整理按量付費、訂閲及免費額度等方案的適用場景與優惠限制。
香港科技大學 MMSense Lab 提出視覺原生智能體框架,為圖像分配編號並存入同一圖像庫,讓不同工具在解題流程中接續調用同一張圖。團隊另提出 ODE,按模型 rollout 的解題紀錄修訂出題規則;在八項評測中,8B 模型平均準確率由 24.9% 升至 39.0%,30B 模型由 30.6% 升至 41.5%。
DeepSeek 發佈全家桶應用 API,向開發者開放聯網搜尋、讀取網址、文件輸入、語音及模型安全檢查等能力。目前只有 DeepSeek-V4.1-Flash(模型名 deepseek-flash)支援這些能力,並支援 OpenAI 和 Anthropic 兩種格式的 API;聯網搜尋每千次 5 元。作者實測指出,自行接入聯網問答時應在每輪加入日期等用戶元資訊,避免模型按錯誤日期搜尋。
推薦理由:文章實測 DeepSeek 全家桶應用 API 的搜尋、文件及語音能力,並呈現加入日期、所在地等用戶元資訊後,聯網問答結果的變化。
Google 推出 Gemini 4 Hydrogen,定位為面向日常編碼與智能體工作流程的快速、高效模型。它支援文字、圖像、音訊及影片,並提供輸入與輸出合計最多 1 million tokens 的上下文窗口。文章指出,Hydrogen 可處理程式碼庫層級編碼、問題修復及涉及工具、研究和執行的多步驟任務。
LogT 提出全自動 SFT 數據引擎,透過邏輯鏈引導推理,生成具挑戰性的視覺問題及結構化工具使用軌跡。以 Qwen2.5-VL-7B 為基礎的 LogT-SFT 使用的數據少 3.1 倍、GPU 時數少逾 120 倍,表現仍超越結合 SFT 和 RL 訓練的 SOTA 方法。只採用簡單 RL 配方且不作工具專用設計,模型表現亦較先前複雜 RL 設定高 9.59 分。
DeepSeek 於 13 日晚間開放全套應用 API,將 DeepSeek App 的多項互動功能整合至原有 API。V4.1-Flash(deepseek-flash)目前在 Messages、Responses 與 Chat Completions 介面支援聯網搜尋、深度思考搜尋、文件輸入、閲讀連結及安全校驗。
Perplexity 發佈 pplx-decider-v1.3 和 pplx-decider-flash-v1.3 兩款開放權重決策模型,並新增 Locate 功能。
受控實驗顯示,多模態語言模型不需要預訓練視覺編碼器;從零開始與主幹模型聯合訓練的編碼器,表現可媲美預訓練編碼器,且毋須額外訓練階段。模型需要專用視覺容量,但不必在融合前配置;將視覺模組加入主幹早期層並在融合過程中訓練,表現相若,亦可縮短首個 token 的生成時間。
Gemini 示範如何以原生多模態能力,在單一提示詞中比較複雜文件的兩個版本,包括數碼 PDF 與掃描文件。提示詞模板要求逐段逐字核對,找出錯字、標點及數字、日期、名稱等差異,並列出位置、兩份文件的引文和簡短説明。
Google 昨日推出 Gemini 4 Hydrogen,將其帶到 Gemini app 和 Google Search,定位為面向大眾的 Gemini 模型。
DeepSeek 正式開放全套應用 API,開發者可透過原有 API 接入深度思考搜尋、文件輸入及閲讀連結等對話功能,並單獨或組合調用語音及底層能力。
推薦理由:此次更新把 DeepSeek App 的搜尋、文件輸入及連結閲讀等互動能力接入既有 API,並列出獨立介面與工具收費,便於評估自有應用的接入範圍和成本。
DeepSeek 向開發者開放應用 API 能力,現有 API 啟用相應參數後即可提供網頁搜尋、檔案輸入及網址讀取等對話功能,工具調用和上下文組裝由服務處理。deepseek-flash 支援 Messages、Responses 和 Chat Completions API,另有 Search and Fetch、OCR、ASR 和 TTS 獨立 API。
Suno 於 2026 年 11 月 13 日推出 Suno Bridge 測試版,可在 Ableton Live 工作階段中生成並同步人聲及樂器分軌。測試版支援 Mac 上的 Ableton Live 12 或以上版本,並要求 Premier 訂閲;應用程式免費下載,生成音訊則消耗 Suno credits。
阿里雲千問 AI 平台於 2026 年 11 月 9 日調整 Token Plan 個人版,Lite、Essential、Standard 月費不變,月額度增加 73.9% 至 77.8%。
EU《人工智能法案》第 50 條要求生成合成音訊、圖像、影片或文字的 AI 系統提供者,以機器可讀格式標記輸出;部署構成深偽的 AI 生成或操縱內容者,須清楚披露內容經人工創作或操縱。相關規定預定於 2026 年 8 月 2 日起適用;機器可讀標記供技術系統偵測,披露則讓受眾瞭解內容來源或修改情況。
Gentle Monster 與 Warby Parker 宣佈下月推出各自首款基於 Android XR 平台的智能眼鏡,產品由三星與 Google 聯合參與開發。
Adobe 與 Google 擴大 AI 合作,將 Google 的圖像及影片模型整合至 Adobe 創作軟件,並把 Adobe 工具延伸至 Google 產品。
中山大學梁曉丹團隊提出 GeoThinker 系列兩項研究,先讓視覺語言模型按需利用外部幾何資訊,再以 GeoThinker-F 探索由模型內部生成空間線索。相同訓練數據下,GeoThinker-F 的六項空間智能基準平均得分為 62.21,與 GeoThinker 的 62.23 幾乎相同。GeoThinker-F 推理延遲由 1.45 秒降至 0.40 秒,速度提升約 3.6 倍。
inclusionAI 提供 Duo-1.2-causal-base 的完整模型權重套件,這是用於即時音訊視覺互動的全雙工多模態世界模型。套件包括 Realization 權重與主幹網絡、Intent 模型與 adapter、影片和音訊編解碼器、語音辨識器及 forced aligner,權重格式為 PyTorch Distributed Checkpoint (DCP)。
inclusionAI/Duo-1.0-distill 倉庫提供 Duo 1.0 的四步蒸餾 Realization 權重;Duo 是用於即時音視訊互動的全雙工多模態世界模型。
inclusionAI 的 Duo-1.0-causal-base 是支援即時音訊視覺互動的全雙工多模態世界模型,並提供完整模型權重套件。套件包含 Realization 權重與骨幹、意圖模型及 adapter、影片和音訊編解碼器、語音辨識器與強制對齊器。
inclusionAI/Duo-1.0-distill-quant 收錄 Duo 1.0 的 FP8 量化、四步蒸餾 Realization 權重,供全雙工多模態世界模型使用。這些權重須配合 inclusionAI/Duo-1.0-causal-base;執行環境需支援 ModelOpt FP8 格式或等效轉換路徑。
Google Cloud Tech 推出名為「Just a moment」的快節奏影片系列,旨在用 2 分鐘或更短時間解説 Cloud AI,並解決現實問題。內容亦提供 Gemini models 的探索連結及 Google Cloud Tech 訂閲連結。
Gemini 處理多模態輸入時會涉及三種 tokenizer,分別處理文字、視覺和音訊。內容探討這三種 tokenizer 如何協同運作。
阿里雲百煉 Token Plan 上調 Lite、Essential、Standard 月度額度約 74%–78%(月費不變),並將 Pro 額度增至 200,000 Credits、月費由 499 元降至 312 元。
阿里雲 Token Plan 完成結構性升級,將文本、視覺、圖像與影片生成及語音納入同一 Credits 池,覆蓋 18+ 旗艦模型。個人版 Lite、Essential、Standard 月費不變,月度額度提升約 74% 至 78%;Pro 額度由 18 萬增至 20 萬 Credits,月費由 499 元降至 312 元。
阿里雲推出 Qwen4-Max 預覽版並上線 Token Plan 訂閲服務,月付、季付及年付方案低至 5 折。另有涵蓋 150+ 主流模型的通享計劃,包季低至 4.5 折。新用戶註冊千問 AI 平台可獲贈 1億+ tokens,另有 30+ 款 AI 產品及旗艦模型免費試用。
阿里雲 2026 年雙 11 推出涵蓋 Token Plan、千問辦公、Qoder、萬小智及秒悟的 AI 優惠,分別提供模型訂閲、辦公、編程、建站和應用生成服務。Token Plan 新客首購低至五折,千問辦公個人版 29.9 元/月、Qoder 新客首月 19.9 元,萬小智新客首月 9.9 元,秒悟套餐 25 元起。優惠亦包括組合購和代金券,各產品的價格、額度及適用條件各有不同。
中小型 AI 公司的測試開發職位人手有限,卻要涵蓋 Agent、RAG、多模態評測及質素保障等工作。文章以一間 50—100 人公司招聘 2 名測試開發工程師的職位描述為例,指出小團隊需要讓評測規模可管理、判定標準可複用。建議先建立 Bad Case 庫,再自動比較版本,之後定義幻覺率等指標,逐步擴展自動化及工具鏈。
UniSpark-9B是一款探索混合注意力的統一多模態模型,每個分支約有9B參數,支援視覺問答、文字生成圖像、指令引導編輯及交錯文字與圖像預測。模型在MME-S取得2470.3分,在GenEval取得0.83分,並將圖像合成能力延伸至2K。
WorldDraft 評測基準用來衡量影片模型在程式碼構建 4D 世界後,能否保留世界運動並呈現指定視覺效果。基準包含 432 個測試案例,涵蓋 48 個可執行的 4D 世界類別;對 12 個代表性模型的評估發現,來源線索衝突可引發高達 64% 的來源洩漏。研究提出 WorldDraft-Primer,一種視覺提示策略,可提升凍結影片渲染器在兩項目標上的表現。
浙江大學團隊提出 SpaceCast-Bench,評估 VLM 根據場景變換推斷新空間關係的能力;21 個模型中最高準確率為 58.0%,人類為 87.2%。基準涵蓋 182 個真實室內場景、3862 道問題和 16 類任務;6 個空間專項模型準確率為 25.7% 至 29.1%,接近 25.9% 隨機基線。提供文本形式的 3D metadata 後,閉源模型平均提升 30.7 個百分點。