跳到正文
11月8日週日
  1. IT之家32

    索尼全球首發融合雙路視覺資訊的車載乘客眩暈檢測技術

    索尼全球首發車載乘客眩暈檢測技術,透過分析車前道路畫面與後排屏幕播放內容,預測乘客可能出現的眩暈程度。方案使用基於公開醫學數據訓練的 AI 模型,並可結合個人敏感度評估;評估結果可提示駕駛員減少急剎、急轉,也可供內容平台推薦視覺變化較緩和的內容參考。技術已申請專利,並可沿用車輛原有的 ADAS 前視攝像頭,無需新增後排攝像頭。

  2. 新浪科技38

    索尼全球首發基於視覺語言模型的駕駛接管危險預警技術,提供分級提示

    索尼全球首發基於視覺語言模型的駕駛接管危險預警技術,分析車輛前方道路畫面,判斷路況是否接近或超出智能駕駛系統的設計運行範圍(ODD),並提供分級提示。提示分為三個層級,分別提醒準備接管、引導主動接管及提示緊急接管。該技術已與清華汽車工程學院在蘇州市相城區開展實際道路測試。

  3. IT之家34

    索尼全球首發基於視覺語言模型的駕駛接管危險預警技術,提供分級提示

    索尼在中國國際進口博覽會全球首發基於視覺語言模型(VLM)的駕駛接管危險預警技術,分析車輛前方道路畫面,判斷路況是否接近或超出智能駕駛系統的設計運行範圍(ODD)。接管提示分為三個層級,按風險情況提醒駕駛者準備接管、主動接管或緊急接管。該技術目前已在蘇州市相城區開展實際道路測試。

  4. DEV Community35

    越南人工智能及大語言模型動態速覽(08/11/2026)

    越南人工智能及大語言模型動態速覽聚焦具身 AI、機械人新聞主播、學術研究中的 AI 應用,以及超級智能帶動的科技與基建佈局。2026 年上半年,具身 AI 公司透過 322 宗交易集資 935 億人民幣(約 130 億美元),金額按年增長 5 倍。學術 AI 工具可協助整理研究證據及辨別研究結果的立場。

11月7日週六
  1. OpenMOSS / 復旦NLP / 上海創智 / MOSI67

    OpenMOSS 的 MOSS-Live 支援即時多模態連續對話

    OpenMOSS 提供 MOSS-Live,一套支援連續互動的即時多模態對話系統,可同時聆聽與發言、處理打斷及話題轉換,並理解即時視覺輸入。系統由負責聆聽、輪流發言和語音互動的前景模型,以及負責推理、工具調用和較長任務的背景模型組成,兩者透過協調層共享記憶、上下文和任務狀態。

  2. 虎嗅56

    一線導演親述 AI 出海短劇擦邊戲的製作難點與平台整治

    一位製作過十多部出海 AI 短劇的一線導演指出,AI 擦邊戲的主要難點在多模態模型審核與分鏡品質,而非影片模型生成。他們最後常以手動逐字撰寫提示詞完成擦邊段落,相關戲份 token 消耗約為等長其他戲份的三倍,一個接吻動作可能要抽近十次。作者又稱,海外平台自九月底起加強審查不合規素材並回查舊劇,創作者因而需要重新思考,刪去擦邊戲後甚麼故事仍能吸引觀眾。

  3. 新浪科技28

    海信家電多項科技成果獲權威認可

    海信家電近期有13項技術獲評國際領先水平,7篇論文獲評行業優秀論文,另有7個項目獲省市級科技獎項。相關技術涵蓋冰箱、空調、洗衣機等領域,包括智能感知、節能降碳及噪聲控制。海信家電將加速推動科研成果轉化為產品與產業應用。

  4. DEV Community42

    Breathless Reef:以面部表情和呼吸操控的潛水遊戲

    Breathless Reef 是一款以攝影機作為唯一控制器的潛水遊戲,玩家透過頭部動作、眨眼、呼吸和表情控制游泳、發射魚叉及海洋環境。遊戲有 Breath mode 和 Free dive 兩種玩法;前者在水下吸氣會消耗生命和分數,後者可捕魚、收集錢幣和魚叉以爭取分數。每局遊戲為 3 分鐘,亦可在選單關閉時限。

  5. DEV Community56

    Flutter 如何使用 Gemini API 建立收據掃描器

    Flutter 收據掃描流程透過 Gemini API 將收據照片轉成結構化商品清單,省去另寫收據版面解析器。回應以 JSON schema 限定格式並解析成 Dart 資料,未印在收據上的到期日會標示為估算值,交由用戶確認及修改。文中採用 gemini-2.5-flash,並建議透過後端保管 API key;收據照片會傳送至 Google API。

  6. 阿里雲開發者社區 AI28

    Qwen3.8-Max 全方位開發指南:深入解析多模態 Agent 能力、計費規則、API 接入與實戰方案

    Qwen3.8-Max 開發指南深入解析多模態 Agent 能力,涵蓋計費規則、API 接入設定及實戰部署方案。文中稱模型總參數量為 2.4 萬億,推理時啟用 950 億參數,並支援最高 100 萬 Token 上下文窗口及圖片、影片和文件輸入。阿里雲百煉提供 API 接入;按量計費的普通輸入為每百萬 Tokens 12 元,普通輸出為 36 元。

  7. DEV Community68

    Thinking Machines 發佈 Inkling 2 Small,主預訓練耗時 68 小時

    Thinking Machines 發佈 Inkling 2 Small,這是一款支援文字及圖像輸入、文字輸出的多模態 MoE 模型,主預訓練在 GB300 上耗時 68 小時。模型目前可在 Tinker 和 Tinker Playground 使用推理與微調服務,但發佈時尚未開放權重。團隊計劃待外部安全測試完成後,於發佈後下一週按 Apache 2.0 許可證開放權重。

  8. DEV Community59

    我如何讓 AI 角色跟隨遊標移動

    作者與 Claude Code 合作,為 bestaiweb.ai 的 Mona、Dan、Max 和 Alan 四個 AI 角色加入遊標追蹤、點擊反應及捲動揮手效果。瀏覽器根據遊標位置從影片選取方向相符的影格;點擊播放角色短片,捲動則控制告別揮手。作者共生成33段影片並採用20段,影片生成費用合計$20.79,估算主動工作時間約9.6小時。

11月6日週五
  1. Hacker News 熱門(buzzing.cc 中文翻譯)78

    Gemini Omni 1.2 Flash 推出,支援最長 15 秒影片生成

    Gemini Omni 1.2 Flash 已在 Gemini API 和 Gemini for business 正式提供,支援最長 15 秒影片生成,並加入多輪對話編輯及更強的參考素材跟隨能力。相較 Gemini Omni 1.1,影片時長上限由 10 秒增至 15 秒,720p 影片價格下調 30% 至每秒 $0.07。

    推薦理由:相較 Gemini Omni 1.1,更新將影片時長上限由 10 秒提高至 15 秒、價格下調 30%,並加入多輪編輯,具體呈現生成時長、成本與修改流程的變化。

  2. Unite.AI30

    甚麼是內容溯源?C2PA、浮水印與 AI 媒體偵測

    內容溯源記錄資產來源及編輯歷程的可驗證資訊,讓人和系統檢視資產如何建立或變更。其運作可概括為五個可觀察步驟:擷取聲明、以密碼學方式綁定資產、簽署聲明、保存或更新清單,以及驗證和展示資訊;溯源能記錄歷史,但不能證明畫面所示事件屬實。

  3. Artificial Analysis 完整文章45

    VIALS-AA:科學圖像推理的不同路徑

    VIALS-AA 比較 19 個模型處理科學圖像推理時的工具使用方式,分析涵蓋 9,177 次執行軌跡。工具呼叫中,38.3% 用於查看圖像,47.3% 用於準備或測量圖像;圖像測量佔 GPT-6 Astra (max) 工具呼叫的 5–6%,Claude Opus 5.5 (max) 則為 25–27%。Gemini 4 Carbon (high) 在八個領域中有三個領域領先。

  4. elsewhere:文章45

    奕斯偉計算登陸港股,多家量子計算、AI4S及腦機接口公司完成融資

    奕斯偉計算於10月9日在香港聯合交易所主板上市,文章亦盤點量子計算、AI4S、腦機接口等科技公司的融資及進展。新石器完成近4億美元E輪融資,太一量生累計融資超10億元,階梯醫療累計融資26億元並完成42例長期植入。月之暗面推出Kimi K3.1 Pro,具3萬億級參數及100萬上下文;至簡動力開源6B參數SimpleWAM,端側推理延遲低至42ms。

  5. 上海人工智能實驗室 InternLM:原創項目37

    InternLM/Sage-SciPerception:連接科學編碼器與語言模型

    Sage Sci Perception 透過可訓練投影器,將分子圖、光譜、晶體結構、蛋白質及核酸序列和科學訊號映射至語言模型的輸入空間,支援自然語言分析及結構化科學回答。QM9S 的 Acc@1 為 49.75%,SciTS PHU01 的 Macro-F1 為 71.53%;投影器檢查點將於 Hugging Face 提供。

  6. 雷鋒網44

    上交大張偉楠教授:AI 如何走出螢幕,真正改變物理世界?| CNCC 2026

    張偉楠在 CNCC 2026 演講探討物理智能如何讓 AI 走出螢幕,透過感知、預測、行動與持續學習,形成與真實環境互動的閉環。他梳理了涵蓋硬件與系統、數據與仿真、感知、世界模型、基礎模型、物理智能體及應用層的七層技術棧,並指出真實交互數據昂貴、環境局部可觀測及長時程預測誤差累積等挑戰。

  7. 雷鋒網47

    舉辦33年的 ACM MM 重新劃定研究範圍

    ACM MM 將研究主題由過去五大主題、15個子方向改為16個平級主題,重新界定多媒體研究範圍。新設具身與沉浸式多媒體、多媒體推理兩個主題,並把「視覺與語言」調整為「多媒體與語言」。旨在反映多媒體研究向多模態推理、生成及現實環境互動拓展。

  8. DoNews43

    Pangram Labs 推出 AI 圖像檢測模型 Pangram Image 1.0

    Pangram Labs 推出 Pangram Image 1.0,可透過熱力圖定位 AI 生成圖像內容。模型以 12 種主流生成器製作的 1200 張測試集進行測試,準確率達 99.96%;在 256×256 低解像度下,準確率仍達 96.4%。同期推出的影片檢測模型 Pangram Image Flash 1.0,在 DF26 數據集上的準確率為 98.7%,領先第二名 29 個百分點。

  9. DEV Community32

    MusicGo 專案如何打造

    MusicGo 由一名軟件及 AI 工程師與小型初創團隊打造,讓用戶以文字描述、歌詞或風格描述生成歌曲,並可修改歌詞或風格,再生成新版本。歌曲資料庫支援用戶重聽歌曲、修改輸入並延續創作;用戶亦可分離人聲及鼓、低音結他、鋼琴和結他等樂器聲部。