跳到正文
11月11日週三
  1. 阿里雲開發者社區 AI23

    解決密集鳥羣計數難題:目標檢測與跟蹤、密度估計的自適應融合方案

    鳥類監測可按畫面中的鳥羣密度,自適應結合目標檢測與跟蹤、密度估計,兼顧總量統計及個體資訊。密度估計適合大規模密集鳥羣的總數統計,檢測與跟蹤則適用於較稀疏場景,可取得個體位置、種類及軌跡等資訊。實際方案亦可結合密度估計與抽樣檢測,統計總數並識別物種構成。

  2. DEV Community51

    AI 主動發言者鏡頭切換以信心評分避免畫面反覆跳轉

    Suman Kumar Khan 分享其在 Digital Avenues 的 Prisium 多鏡頭直播平台採用信心累積機制,以減少 AI 自動切鏡因短暫聲音而反覆跳轉。系統結合 MediaPipe 面部特徵點偵測嘴唇活動,以及參與者音訊的主動發言者訊號,讓信心隨證據累積或衰減。挑戰者的信心達到門檻才切換,訊號不明時維持目前鏡頭,多人同時信心偏高則切至全景。

  3. 阿里雲開發者社區 AI41

    Qwen4 首發上線!千問 AI 雙 11 年度優惠,Token Plan 限時低至 5 折

    阿里千問將 Qwen4-Max 預覽版上線 Token Plan,並推出雙 11 優惠,涵蓋模型訂閲、辦公及開發產品。活動期間 Token Plan 新客套餐低至 5 折,調用 Qwen4 模型可享限時 2 折;Lite 套餐由 19.50 元/月起,Essential 套餐由 39.50 元/月起。千問辦公首月 29.9 元起,Qoder CN 專業版新客首次訂閲由 19.90 元/月起。

  4. 創業邦74

    Google 全球開放 Gemini 4 Carbon,並展示其三維復原阿波羅登月艙

    Google 宣佈 Gemini 4 Carbon 面向全球開放,付費 API 開發者、企業及 Google AI Ultra 用戶可開始體驗。用戶可透過 AI Studio、Gemini 應用程式與 Antigravity 使用;文章並展示其三維復原阿波羅登月艙及 /swarm 多 Agent 蜂羣模式。文中列出每百萬 Token 輸入 2 美元、輸出 10 美元,快取折扣 95%。

  5. DEV Community58

    如何免費在瀏覽器本機分離歌曲人聲,無須上傳

    瀏覽器本機 AI 分離工具可將歌曲拆成人聲與伴奏,音檔留在裝置內,無須上傳。工具提供 2-stem 與 4-stem 模式,支援 MP3、WAV、FLAC、M4A;4-stem 模式使用 WebGPU 加速。文章比較本機 AI、相位抵消和上傳式服務的音質與私隱,並指出編曲密集或高壓縮的歌曲可能在分離的人聲中留下其他樂器殘影。

  6. 虎嗅62

    即時互動研究背後,一批年輕研究者走到台前

    即時互動研究正匯合全雙工語音、全模態建模與持續推理等路線,一批年輕研究者也透過高校、開源社羣及企業合作推進技術落地。文中以 Seeduplex、SeedRealtime、MiniCPM-o 4.5、Interaction Models 和 GPT-Live 等為例,指出全雙工的核心是模型在輸出時仍處理新輸入並調整回應,而非單純降低延遲。

  7. 阿里雲開發者社區 AI52

    阿里雲百煉 Token Plan 雙十一選購指南:功能、價格與 Credits 計量規則

    阿里雲百煉 Token Plan 以 Credits 統一計量多款模型及工具調用,文章比較個人版與團隊版的功能、價格和選購方式。個人版四檔月費由 39 元至 312 元,月度額度為 20,000 至 200,000 Credits;團隊版雙十一月價每席為 150 元、550 元或 1,398 元,另有共享用量包。

  8. HuggingFace Daily Papers(社區熱門論文)43

    VibePrevisBench:評測智能體編碼生成 Blender 4D 場景的基準

    VibePrevisBench 是評測智能體把簡短描述轉化為可執行 4D 場景並渲染代理影片的基準,涵蓋 242 項任務及四種輸入類型。研究以規則式 Scene Check 和 VLM 式 Screen Check 評估場景與影片,並分析 11 個前沿編碼智能體:它們在空間和鏡頭運動理解方面表現有別,亦未能有效修正渲染錯誤。

  9. HuggingFace Daily Papers(社區熱門論文)66

    Neuro-VL 以近一百萬份臨牀神經影像研究訓練,支援完整檢查解讀

    Neuro-VL 是一個以近一百萬份常規臨牀神經影像研究訓練的視覺語言模型,可解讀完整影像檢查並以自然語言討論其發現。在內部及國際數據集上,它在診斷、定位和描述異常,以及生成完整放射科報告方面,表現優於前沿通用模型及專科醫療模型。它亦可比較連續檢查以評估病情進展,並比 OpenAI 和 Google 的領先模型更可靠地抵抗誤導性臨牀假設。

  10. HuggingFace Daily Papers(社區熱門論文)34

    Duo:支援全雙工互動的互惠世界模型

    Duo v1 提出互惠世界模型(RWM),共同建模意圖與實現,以支援即時全雙工視聽互動。其技術設計包括自回歸推理、同步注意力及雙重 rollout 蒸餾;模型會持續感知音訊、影片和文字,並即時回應用戶。作者表示,Duo v1 的發布只是第一步,下一個版本即將推出。

  11. HuggingFace Daily Papers(社區熱門論文)41

    MemInStream:重新思考串流影片記憶評測——是記住,還是僅僅辨認?

    MemInStream 是一項評測串流影片理解記憶能力的基準,透過證據控制驗證區分記憶限制與視覺理解失誤。驗證流程為問題配對時間定位證據,並排除僅憑近期觀察、證據之後的觀察或文字輸入便能作答的問題。基準涵蓋情節檢索、狀態追蹤與更新、多重證據整合及情境記憶四大類別。

  12. The Decoder67

    Google DeepMind 的 Gemini Robotics 2.5 在 Mercedes-Benz 生產線試點分揀金屬零件,成功率達 96%

    Google DeepMind 的 Gemini Robotics 2.5 在 Mercedes-Benz 生產線試點中控制 Apollo 2 分揀金屬零件,成功率達 96%。這款視覺-語言-動作模型在逾 200 項任務中接受測試;Google DeepMind 稱,按任務類型計,成功率較自家先前基準高 30% 至 100%,完成速度快 20% 至 30%。

  13. OpenRouter:Announcements72

    OpenRouter 實測掃描文件 OCR:Claude Opus 5.5 準確度最高

    OpenRouter 以 8 頁自製掃描文件比較 15 款視覺模型、Mistral OCR 和 Tesseract;Claude Opus 5.5 在 264 次關鍵值檢查中答對 262 次,準確度最高。Mistral OCR 答對 258 次,每 1,000 頁收費 $2.02,是測試中性價比最高的選項。測試亦發現視覺模型可能編造頁面沒有的數字或內容,作者建議用自己的掃描文件測試候選模型。

  14. 新浪科技68

    實測 MiniMax H3 Image:GPT 的效果加上 MJ 的審美,並已開放權重

    MiniMax 發佈並開放 H3 Image 權重,這款模型聚焦圖像生成與編輯,並可透過 API 接入。作者實測中,模型生成 4096×4096 圖片需 10~20 秒,最多支援 16 張參考圖片,並展示複雜指令、文字排版及多種視覺風格生成。文章亦稱其可透過 API 接入 MiniMax Code、Claude Code、Codex 等 Agent Harness,參與更複雜的任務流程。

11月10日週二
  1. 新浪科技38

    Claude Fable 5.2 徒手玩魔方?有了大模型,矽谷大廠還缺甚麼數據

    Anthropic 發佈新模型 Claude Fable 5.2,展示玩魔方、扭瓶蓋及操控機械人畫畫等能力。文章指出,通用大模型的機械人操作能力未必只靠常規數據湧現,專門的機械人數據可能是重要支撐。簡智推出 Dex 2.0 和 DAS Ego 2.0,採集視覺、手部運動及觸覺等多模態 Human Data。

  2. 新浪科技51

    智元機器人發布 WITA-Omni 全模態端到端互動大模型

    智元機器人發布 WITA-Omni(硅光動語全模態大模型),主打以機器人本體感知數據訓練的全模態端到端互動。模型採用流式全雙工架構,支援觸覺、本體狀態輸入,以及機器人動作、表情輸出;官方稱最快響應約 400 毫秒,平均約 600 毫秒,較業內平均水平快近 3 倍。它亦支援上百種語言和方言免切換交流,以及流式同聲傳譯和雙向互譯。

  3. HuggingFace Daily Papers(社區熱門論文)46

    SWAM:透過跨模態對齊擴展世界動作模型

    SWAM 研究如何在動作學習中維持語言與影片的對齊,並擴展世界動作模型。研究整理約 47,000 小時影片及示範數據;模型在 Easy 和 Hard 條件下的成功率分別為 88.10% 和 61.56%,三項真實世界任務的成功率為 40.00%,高於最強基線的 23.33%。團隊公開整理後的數據、訓練程式碼及模型權重。

  4. Stanford HAI News49

    AI100 新報告:世界已變,人工智能的影響超出預期,治理未能跟上

    AI100 第三份報告指出,人工智能改變社會的速度超出預期,技術發展已超越治理步伐。報告指出,訓練前沿模型的成本高昂且高質素數據日益稀缺,未來進展或轉向更高效的模型和更深入的推理;人工智能亦正影響科學研究、經濟、網絡安全、戰場及公共信任。

  5. IT之家56

    智元發布 WITA-Omni,官方稱其為業界首個具身全模態端到端互動大模型

    智元正式發布 WITA-Omni,模型除音訊、影片輸入輸出外,新增觸覺與本體狀態輸入,以及機械人動作、表情輸出,並採用流式全雙工架構。官方稱其交互響應最快約 400 毫秒、平均約 600 毫秒,較業界平均水平快近 3 倍。模型支援上百種語言和方言免切換交流,並可進行流式同聲傳譯及雙向互譯。

  6. 虎嗅80

    Anthropic 發佈 Claude Fable 5.2 和 Claude Mythos 5.2,主打艱巨技術任務

    Anthropic 發佈 Claude Fable 5.2 和 Claude Mythos 5.2,定位為應對艱巨技術挑戰的長程智能體模型。文章稱,Fable 5.2 在 30 小時內完成費馬大定理的形式化;Mythos 5.2 在內部 CVE 再發現評估中,發現的漏洞數量比 Claude Opus 5.5 多 10.2%,比 Claude Mythos 5.1 多 14.4%。

    推薦理由:文章以數學形式化、硬件設計及安全測試等案例,呈現兩款模型面向長程複雜技術工作的定位。

  7. HuggingFace Daily Papers(社區熱門論文)36

    Reframe:以觀察狀態對齊的多教師在線策略蒸餾,用於智能體視覺推理

    Reframe 提出兩階段後訓練框架,透過以證據為依據的強化學習及觀察狀態門控的在線策略蒸餾,提升視覺智能體的工具使用能力。框架包含 GD-GRPO 和 OG-MOPD,在 14 個圖像及影片基準測試中均優於 Mix-RL 和 vanilla MOPD。兩個階段均不需要針對任務的 SFT 冷啟動。

  8. HuggingFace Daily Papers(社區熱門論文)41

    LingBot-Touch 如何學習異質觸覺表徵以支援通用靈巧操作

    LingBot-Touch 是觸覺基礎模型,能在壓阻式、磁力及視觸覺感測器之間學習統一且可擴展的表徵,並產生可即插即用的觸覺 tokens。這些 tokens 可整合至 diffusion policy、π_{0.5} 及 LingBot-VLA 等 VLA 模型,提升操作靈巧度;模擬和實體機械人實驗亦顯示,該表徵有助複雜操作任務,並維持良好計算效率。

  9. 中華網科技70

    美團 LongCat-2.5 開源,總參數 1.6 萬億並支援 100 萬上下文

    美團正式開源 LongCat-2.5,採用 MIT 授權,總參數為 1.6 萬億,支援 100 萬上下文。MIT 授權允許商業推理部署及二次訓練,無需額外授權;每個 token 約激活 480 億參數。這款原生多模態模型面向長程智能體任務,並針對顯存與頻寬受限的國產算力晶片,協同優化模型架構、晶片適配及部署策略。