如何用 YOLOv8 和 Qwen2-VL,在 8GB RAM 上構建以阿拉伯語為先的店舖盜竊偵測器
作者以 YOLOv8 和 Qwen2-VL 構建一套以阿拉伯語為先、可在單台 8GB RAM 電腦上運行的店舖盜竊偵測系統。
作者以 YOLOv8 和 Qwen2-VL 構建一套以阿拉伯語為先、可在單台 8GB RAM 電腦上運行的店舖盜竊偵測系統。
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。
Google 推出由 Gemini Decision 1 驅動的 Gemini Decisions API,可對同一共享輸入中的最多 1,000 條問題評分,並回傳經校準的機率,不生成文字。
Google DeepMind 推出 Gemini Decisions API,底層模型 Gemini Decision 1 可在單次處理中評估最多 1,000 個互相獨立的問題。
Google 推出 Gemini Decisions API,透過 Gemini Decision 1 單次前向傳播為封閉式選項評分,並回傳機率及信心分數。每次請求可讓最多 1,000 個獨立問題共用涵蓋文字、圖片、音訊、影片及 PDF 的多模態輸入,輸入上限為 256K tokens。
Gemini Decisions API 支援以音訊及影片作為輸入,有留言認為這在特定情況下相當有用。留言亦指出,其價格較同類決策模型高。
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。
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。
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。
LightTAR 聚焦多模態表格學習,題名所述方向是輕量、快速的目標感知表示。HuggingFace Daily Papers 頁面顯示,現有 0 個模型及 0 個數據集引用這篇論文,另有 1 個 Space 收錄。
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。
EvenVLM 提供首個面向瀕危 Even 語言的文本與多模態 VQA 數據集,並以 Qwen3-VL-4B 的 LoRA 微調提升文本任務、翻譯和 VQA 表現。
Google 於 2026年11月11日推出 Gemini Decisions API,由 Gemini Decision 1 驅動,可透過 Google AI Studio 的 Gemini API,在單次請求中評估文字、圖像、音訊、影片及 PDF 上最多 1,000 個互相獨立的問題。
Gemini API 發佈 Gemini Decision 1(gemini-decision-1)及 Decisions API。兩者支援文字、圖像、音訊、影片和 PDF 的快速、經校準二元、類別及評分規準判斷,輸出 tokens 為零。更新日誌亦連結至定價及速率限制頁面,以及 Decisions API 入門指南。
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。
Adobe 預覽四款面向創意工作流程的實驗性 AI 工具,涵蓋角色開發、把平面圖像轉為可導航的 3D 場景、混音音效,以及轉移照片編輯。這些項目仍屬技術預覽,Adobe 尚未承諾推出;未來或會納入 Creative Cloud 應用程式或 Firefly。
作者分享以 AI 將整話漫畫翻譯成英文的 CBZ 工作流程,涵蓋頁序整理、整話共用語境及人工檢查。LingoManga 支援上傳 ZIP 或 CBZ,提供免費低解像度預覽;一次支付 $4.90 即可解鎖無水印的全解像度 ZIP,預覽毋須帳戶。
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。
Adobe 公佈四項 AI 實驗項目,涵蓋透過對話設計 AI 角色、把平面圖片轉成可探索的 3D 空間、生成並調整影片音效,以及把照片編輯效果套用到其他人物或物件。這些項目目前均屬技術預覽,未保證會正式推出。
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。
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。
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。
szp2005 分享開發瀏覽器 WASM 與 Serverless GPU 去背工具時遇到的三類陷阱,涉及量化造成的透明度失真、遮罩放大色邊,以及同步 API 的計費和圖片留存。
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。
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。
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。
MiniMax 創辦人兼 CEO 閆俊傑在訪談中稱,美國 AI 生態以資本支撐封閉系統,中國則以效率支撐協作。他表示,算力短缺促使公司把推理成本壓縮列為核心指標,並稱以 10% 的成本達到前沿模型約 95% 的性能,最後 5% 的差距可能更難追趕。
vLLM 擴展 EPD 多模態服務,支援編碼器與 Prefill、Decode 分開部署,並完善 metadata-only 請求、嵌入傳輸、共享快取及路由整合。
inclusionAI 公開 ZoomGain-4B、ZoomGain-9B 模型檢查點,以及 ZoomGainBench 評測基準和 RL 訓練數據。ZoomGainBench 涵蓋 941 張圖片、1,000 條問題;論文中參與評測的 28 個模型,最佳得分為 61.08,ZoomGain-9B 在多項細粒度感知及一般感知基準上表現較佳。
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。
inclusionAI 提供以 llama.cpp 轉換的 ZoomGain-4B GGUF 格式權重,語言模型、視覺編碼器及投影器均有 FP16、Q8_0 和 Q4_K_M 版本。輸入圖片時,須同時提供語言模型和相應的 mmproj 檔案;量化可能影響準確度。
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。
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。
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。
HKUST 公佈自閉症支援 AI 平台 ASD Super Agent,初步測試的曲線下面積(AUC)為 0.92。平台結合早期風險篩查、個人化介入建議及持續跟進,並計劃在部署前進一步進行臨牀研究和真實環境驗證。家長提供的影片、問卷及發展資料可用於生成風險評估報告,但報告不能取代專業評估。
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。
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)。
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。
百度發佈 ERNIE 5.5 Flash Preview,這是基於早前發佈的 ERNIE 5.5 Flash Base 構建的首個後訓練模型,總參數量為 280B、啟用參數量為 14B,並支援 1M-token 上下文窗口。
Google 宣佈 Gemini 4 Carbon(gemini-4-carbon)正式開放使用,並稱其為面向持續智能體編碼、多模態知識工作、科學推理及網絡安全防禦的能力最強推理模型。