跳到正文
11月12日週四
  1. Hacker News 熱門(buzzing.cc 中文翻譯)76

    Google 推出 Gemini Decisions API 及 Gemini Decision 1

    Google 推出 Gemini Decisions API,由新模型 Gemini Decision 1 對文字、圖片、音訊、影片及 PDF 輸入進行單次多模態評估,最多可處理 1,000 個獨立問題。

    推薦理由:API 將工具選擇、政策檢查及模型路由等封閉式判斷集中於單次評分,並列出延遲和輸入 token 費用,讓其應用取捨有具體依據。

  2. 字節 Seed:Research Feed77

    Seedance 2.5 正式發佈,單次影片生成時長提升至 30 秒

    Seed 團隊正式發佈新一代影片創作模型 Seedance 2.5,單次影片生成時長由 15 秒提升至 30 秒,並支援多輪延長。模型單次最多可輸入 30 張圖片、10 段影片及 10 段音訊作參考,並支援時間戳精準編輯。Seedance 2.5 正陸續上線即夢 AI、豆包專業版,API 服務近期將上線火山方舟。

    推薦理由:Seedance 2.5 將單次生成時長由 15 秒提升至 30 秒,並支援多輪延長及多模態參考,交代長敍事創作的主要能力變化。

  3. 字節 Seed:Research Feed73

    SeedRealtime 發佈音影片全雙工大模型,邁向全模態自然互動

    字節 Seed 正式推出 SeedRealtime 原生音影片全雙工大模型,將音訊、影片與文字整合於統一架構,並支援連續多模態資訊流即時互動。它可進行音影片聯合理解、主動介入及對話節奏判斷;端到端人工評測顯示,相較級聯模型,音影片對話節奏問題減少一半。SeedRealtime 已在豆包 App 全量上線,更新至最新版本後,可在對話框選擇「打電話」進入影片通話體驗。

  4. DEV Community50

    Mangit 以 Kotlin Multiplatform 開發漫畫翻譯應用程式,將每頁成本由約 $0.05 降至 $0.001–$0.004

    獨立開發者以 Kotlin Multiplatform 製作 Mangit,供 iOS 和 Android 翻譯漫畫頁面,並把每頁處理成本由約 $0.05 降至約 $0.001 至 $0.004。精簡流程為各步驟採用較小型專用模型,並自行排版;大型模型則保留作後備。應用程式支援 30+ 種語言,免費試用包括起初 3 頁,其後每週可免費翻譯 3 頁。

  5. HuggingFace Daily Papers(社區熱門論文)35

    BrickFlow:以連接性引導從圖像重建 LEGO 積木組裝

    BrickFlow 結合以程式生成的 LEGO 組裝件預訓練、經圖像條件微調的 set-conditioned SE(3) flow 模型,以及解析式連接場引導,從組裝物件圖像推斷各零件的姿態。微調使用的數據量僅為預訓練的 1%,測試時的連接場引導則將預測拉向零件互相連接的組裝結果。研究顯示,模型規模、預訓練和引導均可改善組裝品質,模型和數據已開放供研究用途。

  6. Stanford HAI News46

    Stanford 團隊探索神經科學與 AI 的交匯

    Stanford Wu Tsai Neurosciences Institute 與 Stanford HAI 頒發第二輪 AI and Neuroscience Grants,資助五個探索神經科學與 AI 交匯的項目。研究涵蓋抑鬱症腦影像、嬰兒學習、神經元細胞類型、心理治療對話與腦活動,以及氣味與人類經驗,目標包括加深對大腦的理解及推進受人類經驗啟發的 AI。

11月11日週三
  1. 新浪科技45

    Adobe 公佈四項 AI 實驗項目:照片變成 3D 場景,並可透過對話設計 AI 角色

    Adobe 公佈四項 AI 實驗項目,可把平面圖像轉成可探索的 3D 空間,並透過對話設計 AI 角色。Project Sound Bender 可用文字提示詞生成並調整影片音效,Project Rinse Repeat 則能把已完成的照片編輯套用到其他人物或物件;這些項目目前均屬技術預覽,不保證最終推出。

  2. The Verge · AI42

    Adobe 的 AI 實驗讓用戶在照片中探索,並與角色對談

    Adobe 公佈多項 AI 實驗功能,可把照片轉成可探索的 3D 場景,並讓用戶透過對話設計 AI 角色。Project Screen Test、Project Sight Span、Project Sound Bender 和 Project Rinse Repeat 分別涉及角色設計、照片重構、音效混音及複製編輯。這些功能目前屬技術預覽,未必會成為 Adobe 產品的正式功能。

  3. Unite.AI32

    甚麼是 Physical AI?Foundation models 如何走進現實世界

    Physical AI 將學習所得的感知、推理和控制能力應用於在現實世界行動的機器,並須面對不確定性、物理規律及安全限制。其運作可按感知環境、估算狀態與不確定性、規劃可行動作、透過受控致動器執行,以及監察後果和復原五個階段理解。文章亦區分 Physical AI 與在可逆數碼沙盒中運作的純軟件 AI,指出評估須考慮數據、介面、硬件、權限及人員。

  4. 新浪科技22

    鴻合HiteVision攜多場景方案亮相四川省第二十一屆校園影視教育成果發布展示交流活動

    鴻合HiteVision攜多場景方案亮相四川省第二十一屆校園影視教育成果發布展示交流活動,展示AI在課堂影像、教研分析、課後學習及智慧體育中的應用。方案包括鴻合護眼黑板、鴻合AI課堂分析平台、鴻合AI助教機及鴻合智慧體育綜合解決方案,涵蓋課堂音視頻採集、課堂分析、課後練習和體育數據管理。

  5. 阿里雲開發者社區 AI27

    複雜居家場景下的多寵識別與健康感知:生物特徵融合、時序追蹤及智能硬件協同

    面向多寵家庭的視覺感知方案融合寵物面部、鼻紋等生物特徵與時序追蹤,在暗光、遮擋等居家環境中識別個體並感知健康異常。方案採用端雲協同架構,將檢測、身份比對和軌跡追蹤部署於本地設備,以降低原始圖像上傳帶來的私隱風險。相關能力可與餵食器、貓砂盆等設備聯動,記錄個體活動及健康資訊。

  6. DEV Community52

    直排日文令 OCR 失準:Yomi 如何在 iOS 上把漫畫文字分組到對話框

    Yomi 開發者 Tedy Mezaguer 分享 iOS 漫畫閲讀器處理日文直排 OCR 的方法,將文字辨識、對話框分組和閲讀順序整理成完整流程。流程並行使用雲端 OCR、Apple Vision 文字辨識及文字區域偵測,將候選區域裁切放大後重讀,再按直排方向調整矩形擴張,以 union-find 合併文字行。

  7. 新浪科技29

    從「夠用」到「好用」到「AI懂你」:艾比森面向全球推出兩款 iCon 互動顯示終端

    艾比森面向全球正式發布 iCon X V3 與 iCon E V2 兩款 MicroLED 互動顯示終端,分別面向高端會議等場景,以及教室、培訓室和中小企業會議室。iCon X V3 配備 Acube(Beta)智能體,現處於公開測試階段,智能化水平為 L2~L3。iCon E V2 支援 600nit 亮度與 160° 視角;以 E130 V2 為例,整機平均功耗為 426W。

  8. 螞蟻 inclusionAI:HuggingFace 新模型43

    ZoomGain-4B、ZoomGain-9B 模型檢查點及 ZoomGainBench 基準測試發布

    ZoomGain 發布 ZoomGain-4B、ZoomGain-9B 模型檢查點、ZoomGainBench 評測基準及 RL 訓練數據集,利用全圖與放大局部之間的視覺感知差異,為視覺語言模型構建細粒度監督。論文中,28 個模型的最佳 ZoomGainBench 成績為 61.08;基準涵蓋 941 張圖像及 1,000 條問題,訓練數據則有 9,000 條記錄和 7,713 張來源圖像。

  9. 螞蟻 inclusionAI:HuggingFace 新模型43

    ZoomGain-9B 提供 GGUF 格式權重

    ZoomGain-9B 的權重已轉換為 GGUF 格式,語言模型及視覺編碼器與投影器均提供 FP16、Q8_0 和 Q4_K_M 版本。處理圖片輸入時,須同時提供語言模型和相應的 mmproj 檔案,並使用支援 Qwen3.5 多模態功能的 llama.cpp;量化可能影響準確度。

  10. 新浪科技61

    騰訊「元寶搜索」正式上線,廣告與搜尋答案分開呈現

    騰訊的「元寶搜索」正式上線,用戶可透過 so.qq.com 使用,亦可在 QQ瀏覽器的引擎設定中切換為「元寶搜索」。產品基於元寶大模型能力重建搜尋鏈路,依託千億級索引涵蓋全網網頁、公眾號、視頻號及學術文獻,並已接入157個權威信源。搜尋結果優先展示權威機構及官方來源,廣告另設「相關廣告」模組、明確標示並可由用戶收起。

  11. 新浪科技70

    騰訊推出元寶搜索,接入157個權威信源並區分廣告與答案

    騰訊推出全新 AI 搜尋產品元寶搜索,索引規模達千億級,涵蓋全網網頁、騰訊生態內容及學術文獻,並已接入157個權威信源。產品把廣告設為獨立模組並標註「相關廣告」,用戶可一鍵摺疊;學術搜尋支援論文結論通俗解讀及英文文獻一鍵翻譯。用戶可在瀏覽器透過 so.qq.com 使用,或更新 QQ 瀏覽器後切換;產品亦支援打字、語音及拍照搜尋,並可根據生成的答案繼續追問。

  12. 阿里雲開發者社區 AI72

    Qwen4-Max 預覽版詳解:定位、能力、適用場景及與 Qwen3-Max 的差異

    阿里於 2026 年 11 月 11 日發佈 Qwen4-Max 預覽版,首發於 Token Plan,並接入千問辦公、Qoder 等入口。官方列出的升級方向包括知識理解、世界感知、編程與 Agentic,面向複雜編程、專業辦公、前端設計及專業軟件操作;預覽期至 11 月 25 日 24:00(UTC+8),期滿後模型標識下線。

  13. 螞蟻 inclusionAI:HuggingFace 新模型53

    inclusionAI 發佈 Sing VL S1 多模態決策模型

    inclusionAI 發佈基於 Qwen3.5 的 Sing VL S1 多模態決策模型,可處理文字或 JSON,以及最多四張圖片,並就指定問題輸出選項、是非判斷或分級評分。Decision Index 0.3 公開評測中,Vision 指數為 73.94;Text 加權總分為 77.26(Non-Skill)及 69.76(Skill)。

  14. 第一財經76

    Google 發佈 Gemini 4 Carbon,普通付費用戶暫時仍無法使用

    Google 向公眾發佈 Gemini 4 Carbon,稱其為旗下迄今最強模型,主打複雜、長週期任務,但普通付費用戶暫時無法使用。付費開發者及企業可透過 Gemini API 和 Gemini for Business 使用;一般消費者則須訂閲 Google AI Ultra,才可在 Gemini 應用及搜尋 AI 模式使用。

    推薦理由:文章對照 Gemini 4 Carbon 的任務成本、模型排名與訂閲門檻,呈現企業採用成本優勢和一般付費用戶體驗限制之間的落差。