Kakao 發佈開源多模態決策模型 Kanana-2-v-decide
Kakao 在 Hugging Face 開源發佈多模態模型 Kanana-2-v-decide,模型接受文字及圖像輸入,輸出機率、選項或評分,而非句子式回覆。
Kakao 在 Hugging Face 開源發佈多模態模型 Kanana-2-v-decide,模型接受文字及圖像輸入,輸出機率、選項或評分,而非句子式回覆。
World Labs 推出首個「應用」Frameboy,透過 Atlas 世界模型即時生成第一人稱畫面,讓用戶探索生成場景。它採用雲端 GPU 串流,最高可達 15 fps,實測模型回應時間約 70ms。Frameboy 亦整合至 beta 網絡應用 Viewfinder,作為串流覆蓋渲染模式;體驗連結:https://frameboy.worldlabs.ai/。
NPCBench評估醫療AI模型能否整合專科知識與多模態證據,並在鼻咽癌患者的縱向診療路徑中維持診斷及照護決策連貫。基準收錄4,777項題目,以及包含100名患者、417項評分任務的CarePath隊列。在21個多模態模型中,嚴格CarePath成功率最高為23%;單項任務表現出色,不代表同一患者的診斷及照護答案能同時正確。
VFlash 透過 Flash Primitive Decoding,讓輕量 drafter 在一次 forward pass 中聯合預測視覺基元座標,加快物理 AI 任務的視覺規劃。
網信部門近期集中整治利用 AI 假冒仿冒公眾人物,累計清理違法違規資訊 4.7 萬餘條,處置帳號 3961 個。通報列出四類行為,包括未經授權合成肖像或聲音帶貨、編造患病謠言、冒名發布內容吸粉,以及生成低俗合成畫面牟利。網信部門稱將持續加大整治力度並壓實平台主體責任。
Thinking Machines Lab 發佈 Inkling 2 Small,這款 594B MoE 模型有 17B 活躍參數,支援文字和圖像輸入。模型提供 1M-token 上下文窗口,在 Artificial Analysis Intelligence Index 得分 31,前代 Inkling Small 得分 13。
阿里千問(Qwen)已陸續發布並開源 Qwen3.8 系列,涵蓋 2.4T 參數的 Max、27B 多模態模型及 Flash 效率模型。Qwen3.8-27B 採用 Apache 2.0,量化後 INT4 權重大約 14-17GB;Max 的開源版本主要是純文字權重,雲端 API 的視覺輸入、內置搜尋及工具調用能力未完全打包。
上海交通大學人工智能學院副教授謝偉迪聯合創辦觀壹智能(OneX Intelligence),探索生命科學基礎模型,並已完成首輪商業化融資。模型旨在連接生物學知識與實驗數據,提出研究假設後交由濕實驗驗證。公司現階段主要利用已預訓練模型作生命科學後續訓練與多模態整合,並希望與藥企合作推進研發。
World Labs 於 2026年11月上線 Frameboy 網頁演示,讓用戶體驗其多模態世界模型 Atlas,並支援像素級相機控制與 3D 重建。用戶可在 https://frameboy.worldlabs.ai/ 選擇不同模擬世界,以觸控螢幕或鍵盤操控移動與視角;雲端 GPU 提供最高 15幀/秒的串流渲染。目前演示有輕微卡頓,運行成本亦較高。
Thinking Machines Lab 於 5 November 2026 公佈 Inkling 2 Small,這款總計 594B 參數、每個 token 啟用 17B 的稀疏 MoE 模型可透過 Tinker 及 Playground 使用,權重尚未開放下載。
World Labs 推出 Frameboy 演示項目,讓用戶在網頁上即時探索 AI 生成世界,雲端 GPU 串流最高 15 幀每秒。項目採用高度優化的 Atlas 版本,用戶可選擇不同「遊戲卡帶」切換模擬世界,並以觸控或鍵盤操作。IT之家測試指操作略有卡頓;Frameboy 須在雲端強大 GPU 伺服器運行,成本與本地渲染相比並不便宜。
HappyOyster 方案以一句提示詞或一張圖片生成可互動、可漫遊的 3D 世界,這篇教程説明其部署與體驗流程。方案基於百煉模型服務與函數計算 FC,部署約需 30 分鐘;按量計費,官方估算完整體驗 7 個場景約需 100 元。文章亦列出遊戲原型、短劇與影視創作,以及文旅和教育等應用場景,並提及方案提供三端 SDK。
World Labs 推出 Frameboy 網頁演示,讓用戶以高度優化的 Atlas 版本即時探索多模態世界,並透過雲端 GPU 串流傳輸,最高每秒 15 幀。
Thinking Machines Lab 於 2026 年 11 月 5 日推出第二代模型 Inkling 2 Small,現以封閉權重形式透過 Tinker 提供使用。
北京時代美術館以「情緒星球·自覺之旅」展覽,結合人工智能、情感計算與藝術,協助觀眾看見並接納情緒。展覽設有12件作品,《情緒幾何》已發展至5.0版本,涵蓋16種情緒選項。策展人指出,藝術化表達可協助調節情緒,但技術無法精準計算每一刻的情緒狀態。
古建築保護專家以結構分析和可逆修繕保留原有材料與結構,數碼藝術團隊則透過三維重建及人工智能技術,讓文化遺產以沉浸式體驗呈現。以故宮南三所門廊為原型的木構建築,在地震強度10.1級的試驗後沒有木構件損壞。
NVIDIA 發佈 Cosmos 3 模型系列的四個開放權重 checkpoint,全部是 Cosmos 3 Nano 的後訓練版本,各有 16B 可訓練參數。
螞蟻百靈官方團隊推出原生多模態大模型 Ling-3.2-flash,總參數為 560B、激活參數為 25B。模型支援圖像、文字及影片輸入,具備複雜視覺理解、多模態長程智能體、3D 理解與互動、醫療多模態四項能力。
月之暗面 Kimi‑K3.1‑Pro 已登陸微軟 Azure AI Foundry,列入 “Direct from Azure” 模型序列,企業用戶可透過 Azure 基礎設施測試及部署。
Physical Intelligence 聯合創辦人謝爾蓋·萊文在訪談中指出,通用機械人發展的核心瓶頸是以可承受的工程成本取得高質素物理交互數據,建立可持續的數據閉環。
螞蟻百靈官方團隊推出原生多模態模型 Ling-3.2-flash,官方評測中三項基準均高於 Claude Opus 5(max)。其 OmniDocBench1.5、ZEROBench(Sub)及 Vision2Web 得分分別為 92.21、43.71、85.86;模型具備 560B 總參數、25B 激活參數及 1M 上下文窗口,支援圖像、文字與影片輸入。
螞蟻百靈官方團隊推出原生多模態模型 Ling-3.2-flash,總參數量為 560B、激活參數量為 25B,支援 1M 上下文窗口及圖像、文字和影片輸入。模型重點強化複雜視覺理解、多模態長程 Agent、3D 理解與互動及醫療多模態能力。
Thinking Machines Lab 發佈 Inkling 2 Small,這款混合專家(MoE)模型共有 594B 參數、啟用 17B,並支援圖像輸入。
VeRL-Omni 發佈 v0.3.0,擴展多模態強化學習的異步執行,並擴大圖像、影片、音訊及多模態理解的後訓練支援。V1 訓練器成為預設,版本亦提供 MiniMax H3 DiffusionNFT 和 MiniCPM-o 4.5 AVQA GSPO 等配方。
PhysioWave-T 論文提出面向 EEG、ECG 及 sEMG 的小波基礎模型系列,透過動態尺度折疊減少 token 數量。其 30M 參數 EEG 模型以超過 15M 個窗口預訓練;在四種 EEG 路線中,尺度折疊相較尺度擴展使 Transformer 延遲降低 4.0–7.2 倍、峯值記憶體降低 6.8–12.7 倍,準確度沒有下降。
Seven Sports 開發的 Amblyotube 是一款可在 Meta Quest 商店下載的 VR 應用程式,讓用戶觀看 YouTube 內容時,為雙眼提供不同的視覺體驗,進行弱視訓練。應用程式以數碼模糊、AI Sharpener 和色彩提示等功能,引導雙眼融合視覺訊號。Amblyotube 只屬輔助訓練工具,不能取代處方或手術,使用者須同時諮詢眼科專科醫生。
NVIDIA 為 Cosmos 3 模型系列新增四個開放權重 checkpoint,用於互動式世界模擬及多感測器、多視角駕駛場景生成。四個模型均以 Cosmos 3 Nano 為基礎進行後訓練,各有 16B 可訓練參數,並按 OpenMDW1.1 條款供商業及非商業用途。
推薦理由:四個 checkpoint 涵蓋多視角駕駛資料、同步攝影機與 LiDAR 串流、模擬器控制轉影片及雙臂機械人互動,並分別交代用途與後訓練流程。
Meta 於 2026 年 11 月 5 日宣佈,即時語音對話與表情豐富的虛擬形象正陸續登陸美國的 Muse app,支援手機、網頁及 Mac。用戶可打斷語音回應,並在對話持續期間讓智能體於背景處理任務;虛擬形象的表情和動作會與語音同步。
SkinMind 是多模態智能體 RAG 框架,透過反覆探索大型皮膚科知識圖譜,蒐集文字及圖像證據,回答皮膚科視覺問題時比直接作答及其他檢索方法更準確。SkinMind-KG 整合皮膚科指引、教科書及 423K 張圖像,包含超過 1.0M 個節點和 2.0M 條邊。
EarthRecord 是一項評測基準,利用 56 個地點四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始數據,評估多模態 AI 智能體分析土地變化的能力。
OmniLatent 以共享潛在空間聯合編碼幾何、形變、外觀及二元部件 ID,從單張圖像生成具部件感知能力的 3D 資產。模型可在單次推理中生成幾何、形變、紋理及表面部件 ID,並支援互動式分割、細化、部件細分及遮擋部件補全。
Glyph 利用基礎模型和稀疏自編碼器,從多模態臨牀資料中抽取並解讀臨牀概念。研究分析來自不同機構 41,628 名患者的腹部 CT 影像、CT 放射科報告及化驗測量資料,找出 397 個具預測性的概念,以及 4,463 項經 Bonferroni 校正後達顯著水平的關聯。
Google 示範在 Gemini Canvas 上傳紙上草圖,並將其轉成可互動的應用程式原型。用戶可在預覽中測試,再透過對話修改顏色、字體或功能,也可直接編輯生成的程式碼。Canvas 應用程式可透過公開連結分享,任何持有連結的人均可查看及編輯相關資料;共享連結只可在網頁開啟。
Amazon Marketplace 以 Amazon SageMaker AI 建立 A+ Content 質素評估流程,整體評估商品詳情頁並提供改善建議。系統把完整頁面渲染成單一快照,結合 VLM 評分、OCR 可讀性訊號、CatBoost 分類器及 SHAP 解釋結果,再由 LLM 整理改善建議。
Google 宣佈 Gemini Omni 1.2 Flash 正式開放使用,影片生成時長上限增至 15 秒,並加入多輪對話式編輯。720p 價格下調 30% 至約 $0.07 每秒;Google DeepMind 的並列評測中,1.2 在文字生成影片的一致性勝率為 62%,1.1 為 38%。
EXOSHOCK 登陸 Quest 和 PC VR 進入搶先體驗,帶出 VR 頭戴式裝置作為視覺訓練平台的設計可能。Amblyotube 利用 Meta Quest 的雙眼獨立顯示,對 YouTube 影片作左右眼不同的影像處理,並內置 LogMAR 視力檢查。軟件定位為輔助訓練工具,建議每日使用 30–40 分鐘,每次最多 1 小時。
Google Research 在《Nature》發表研究,提出 AI-PPG-ACC-HTN 系統,利用消費級智能手錶被動檢測高血壓徵兆,無需袖帶校準,並以 24 小時動態血壓監測(ABPM)作為臨牀基準。
推薦理由:研究以 24 小時動態血壓監測作臨牀基準,分別檢視手錶系統在初篩及確認測試中的表現,並交代多日生理訊號聚合的做法。
騰訊發佈語言模型 Hy4,加入圖像理解及自主操作軟件能力;模型權重暫未公開,目前可透過 Tencent Cloud、OpenRouter 及騰訊應用程式使用。
SoundCloud 宣佈,創作者可直接將 ElevenMusic 製作的音樂發布至 SoundCloud,省去另行匯出及上載步驟。新舊 SoundCloud Artist Pro 訂戶可免費使用 ElevenMusic Pro 三個月;直接發布的曲目會標示 ElevenMusic 為創作來源,並須遵守 SoundCloud 的內容政策及相關權利要求。
聆音EchoCare超聲大模型亮相TVB《AI智有計》第四集,展示CAIR與香港中文大學及威爾斯親王醫院合作測試超聲切面識別和尺寸測量功能。相關算法已能識別不同心臟超聲切面,團隊正評估其在檢查中的表現及減少手動操作的潛力。