感知能力可以訓練:幽靈獵人 App 揭示的雙眼分視視覺訓練
Amblyotube 以 Meta Quest VR App 將 YouTube 影片轉化為雙眼分視訓練,透過向雙眼呈現不同影像,訓練視覺協調和注意力。內置 LogMAR 檢查會以 Landolt C 視標測試每隻眼及雙眼視力,並可按測得的視力自動調整治療設定。Amblyotube 是輔助視覺訓練工具,並非診斷、治療或療法;弱視須由眼科及視覺矯正專業人員評估。
Amblyotube 以 Meta Quest VR App 將 YouTube 影片轉化為雙眼分視訓練,透過向雙眼呈現不同影像,訓練視覺協調和注意力。內置 LogMAR 檢查會以 Landolt C 視標測試每隻眼及雙眼視力,並可按測得的視力自動調整治療設定。Amblyotube 是輔助視覺訓練工具,並非診斷、治療或療法;弱視須由眼科及視覺矯正專業人員評估。
LiveFoley 提出串流因果自回歸擴散架構,以極低延遲改善影片轉音訊生成的視聽對齊和音訊質素。Trailing Sliding Window 可將非因果分段編碼器轉為串流模組,而 Unified Varhop Framework 適應不同延遲和運算預算。實驗顯示,LiveFoley 的時間對齊能力媲美離線模型,生成質素領先串流系統。
文章提供一套識別及阻止選舉深偽影片與音訊的方法,涵蓋 Docker + Python 檢測流程和實用核查清單。流程結合 MTCNN、DeepFaceLab、Whisper 及 C2PA-Verifier,檢查影像、聲音和真確性標籤。文章亦列出美國、印度和巴西的案例及不同檢測方案的準確度與成本比較。
阿里雲 QwenWork 在 2026 年雙十一期間提供訂閲折扣及積分優惠,並涵蓋功能、價格、選購與接入方式。平台支援釘釘整合、Office 產物生成、多模態處理及全棧網頁交付,分為個人版與企業版。付費版本連續包月 8 折、年付 7 折。
NitroFusion2 在多模態 Diffusion Transformer 中,使用凍結 MMDiT 的中間文字 token 狀態作為判別器表示,提出 Text-Stream Adversarial Distillation。
洲明科技與香港理工大學簽署合作協議,共建「AI與光顯融合創新聯合實驗室」,圍繞AI智能分析等技術開展聯合攻關,推動「光顯+AI」科研成果產業化。雙方將合作探索智慧城市、政企交互、文旅融合及能源等場景的應用。
奧迪與上汽集團在上海為 AUDI 品牌研發實體奧迪創新技術中心(AITC)舉行開業典禮,中心將主導車型由概念定義至量產交付的端到端開發。AITC 聚焦駕駛輔助系統與 AI 智能座艙,並推進第二代智能數字平台(ADP 2.0)研發。自2028年起,基於 ADP 2.0 的四款全新車型將陸續投入中國市場。
PCBRouteAgent 是一個多模態 PCB 佈線智能體,在 247 塊合成及真實電路板上接受評估,涵蓋 PCBWorld-Bench 的四個測試子集。它在 D2、D3-A、D3-B 和 D3-C 的 clean-pass rate 分別為 100%、94.9%、100% 和 40%。
穿戴設備品牌 Rollme(羅麥)在海外推出 AuraCam 頭戴式無線耳機,售價 89.99 美元。耳機配備 800 萬像素前置鏡頭及電子圖像防抖技術,支援由 OpenAI 驅動的圖像識別和即時翻譯。產品支援藍牙 5.4 及 Wi-Fi 6,續航力達 50 小時,並支援快充。
穿戴設備品牌 Rollme 在海外推出 AuraCam 頭戴式無線耳機,支援圖像識別、即時翻譯、會議錄音及拍攝影片,定價 89.99 美元。耳機配備 800 萬像素鏡頭,圖像識別和即時翻譯功能由 OpenAI 提供支援,續航最長可達 50 小時。
Rollme 最近在海外推出 AuraCam 頭戴式無線耳機,支援圖像識別、即時翻譯、會議錄音及拍攝影片等功能。耳機配備 800 萬像素攝像頭,定價 89.99 美元,最長續航 50 小時,並支援藍牙 5.4 和 Wi-Fi 6。
華中科技大學王興剛團隊與地平線機器人等機構提出 Multimodal Flow,以全連續架構和共享 Flow Matching 目標統一語言與視覺建模。從零預訓練的 MF-1 有 1.6B 參數,使用 150B Tokens;GenEval 得分為 0.821,VQAv2 得分為 72.6。受控對比顯示,Multimodal Flow 在同等數據與參數預算下,整體表現超越混合式及全離散架構。
上海交通大學副教授鄧志傑解析擴散語言模型如何在保證生成質量的同時提升速度,涵蓋 LLaDA、Dream、多塊並行生成、後訓練及推理系統優化。LLaDA2.1-mini 經 CForce 訓練後,四項任務平均得分由 85.57 提升至 86.41,平均 TPF 由 6.94 提升至 9.08。演講亦介紹擴散語言模型在流式影片、語音修復、多模態及智能體中的應用探索。
ACM MM 2026 的四位主題演講嘉賓,將探討多媒體 AI 如何回應具體的人、複雜環境及長遠影響。議題包括具身 AI 參與人際交流、多人對話中的選擇性聆聽、AI 摘要的取捨責任,以及讓青少年參與安全設計。大會將於 2026 年 11 月 10 日至 14 日在巴西里約熱內盧舉行。
阿里雲 OSS 以 Object、Table、Vector 三種 Bucket 管理非結構化、結構化及向量數據,三者共用 SDK、權限策略、日誌審計和生命週期管理。Vector Bucket 支援隨向量儲存標量元數據、按元數據篩選及匯出至表格儲存。Table Bucket 原生支援 Apache Iceberg,並由儲存端處理 Compaction、快照管理和孤兒文件清理。
Google Research 推出 Agile Deliberation,協助用戶為主觀概念建立圖像分類器,並找出概念邊界。測試涵蓋 2 個概念及 18 場實時測試,F1 平均較零樣本 Gemini 2.5 Flash 高 10.5 分。程式碼以 Apache 2.0 授權於 GitHub 公開,並提供 Gemini API 示範筆記本,毋須微調。
上海交通大學副教授鄧志傑在CNCC 2026演講中,探討如何透過並行生成、後訓練及推理系統優化,提升擴散語言模型的生成速度並維持質量。LLaDA2.1-mini經CForce訓練後,四項任務平均得分由85.57升至86.41,平均TPF由6.94升至9.08。Fast-dLLM結合近似KV緩存與置信度解碼後,速度由6.7升至54.4 TPS,準確率則由79.3%變為78.5%。
ACM Multimedia 2026 的四位主題演講嘉賓將探討具身 AI 互動、多人環境中的選擇性聆聽、AI 摘要的取捨責任,以及青少年參與多媒體系統安全設計。會議將於 2026 年 11 月 10 日至 14 日在巴西里約熱內盧舉行。
SleuthVLM 論文提出一種不直接聽取音訊的影片理解智能體,透過語音轉錄及自主搜尋影片內容,在四個全模態基準上取得 75.0% 平均準確率。影片最長達 90 分鐘;該成績較 Gemini 3.8 Flash 高 2.6 個百分點,並以 77.8% 登上 Video-MME-v2 排行榜首。
米哈遊聯合清華大學、香港大學、新加坡國立大學等機構開源 GameScaling 通用遊戲模型系列,共八個模型,涵蓋 0.8B、2B、9B、27B 四檔規模,權重及推理程式碼採 Apache 2.0 協議發布。
NEO-VLA 提出一種無固定視覺編碼器的視覺語言動作框架,讓圖像與語言在骨幹網絡中共同演化,供動作專家從不同深度讀取視覺表徵。在受控比較中,原生架構勝過依賴編碼器的架構;完整微調可縮小差距,但不能消除差距,單靠擴大規模亦無法追回。在多種操控情境及分佈轉移下,NEO-VLA 的控制表現更強、更穩健。
Claude Opus 4.7 將截圖長邊上限提高至 2,576px,同一張 3456×2234 PNG 的圖像 token 用量約為 Opus 4.6 的 3 倍。
國博以高清圖片結合AI技術,360度全景呈現明萬曆孝端皇后九龍九鳳冠的細節。鳳冠通高48.5釐米、重2320克,鑲嵌寶石115塊、珍珠4414顆;以它為原型製作的鳳冠冰箱貼銷量已超350萬件,目前於國博北16展廳展出。
香港大學俞益洲教授團隊提出 RaPO 強化微調演算法,以緩解多模態大語言模型(MLLM)在視覺持續學習中的災難性遺忘;論文獲 NeurIPS 2026 接收。
愛立信中國區總裁方迎解讀新一代通訊網政策、AI趨勢及網絡與AI融合實踐,並表示愛立信將以智能網絡底座支持中國網絡建設和AI應用發展。愛立信研究預計,到2030年前,38%智能手機用戶會把日常任務交由人工智能處理;到2030年,AI重度用戶比例將約達30%。愛立信以AI優化網絡調度,並透過5G-A切片、上行增強等技術提升可靠性、降低時延。
得物 App 成為中國市場首批接入 Apple Intelligence 國行版視覺智能功能的應用之一,讓用戶可用 iPhone 相機拍攝商品並在得物搜尋相關商品。用戶可查看商品詳情、歷史價格走勢、AI 解讀及真實用戶評價。目前該功能隨 Apple Intelligence 國行 Beta 測試版開放體驗。
華為昇騰基於 vLLM Ascend、SGLang 完成 Kimi K3.1 Pro 的 0 Day 推理適配,支援模型在發佈首日部署。適配支援昇騰 Atlas 800 A3、Atlas 900 A3 SuperPod 超節點及昇騰 950 超節點系列,並涵蓋新增稀疏注意力路徑、多模態推理及長上下文所需的算子與框架協同優化。
教育機構可結合多模態大模型、認知圖譜與自適應蘇格拉底式追問引擎,構建涵蓋錯因診斷、啟發答疑、變式訓練及教研反饋的 AI 系統。落地時需處理手寫公式與圖表識別,並透過提示詞工程及輸出護欄限制模型輸出,避免直接洩露答案或產生幻覺。
多家券商晨會研報聚焦AI算力產業鏈業績、2027年券商板塊配置機會,以及AI眼鏡全綵顯示與AI交互帶來的產業變化。中信建投稱,2026年前三季度測試儀器、GPU/ASIC、線纜板塊歸母淨利潤分別增長1160%、720%、214%。華泰建議把握2027年券商板塊配置機會;國金認為鏡片與渠道有望受益。
生成式 AI 驅動的深度偽造投資騙局,會利用名人背書、偽造平台、關係經營及漸進誘導建立信任,並在提款時以附加費用收網。澳洲證券及投資委員會數據顯示,2025 年利用深偽名人形象為投資計劃背書的騙局數量同比上升 25%,虛假投資每年令澳洲民眾損失接近 10 億澳元。文章提出結合技術核驗、機構仿冒識別及去污名化溝通防範此類騙局。
文章參照 CAIE 人工智能工程師體系,提出職場人由人機溝通、資料處理與任務拆解、AI 工作流搭建,進階至企業級項目應用的四階學習路線。前三階對應 CAIE 一級的基礎與應用能力,第四階延伸至 CAIE 二級;學習應圍繞真實工作任務,逐步加入流程核驗、人工審批,以及企業項目的數據權限、成效驗收和維護安排。
Gemini Omni 1.2 Flash 已正式開放使用,支援最長 15 秒影片生成和對話式編輯。影片輸出價格下調 30% 至 $12.00 per 1M tokens,付費層級速率限制加倍;影片延長每輪支援 3 至 10 秒,總長度最高 30 秒。
月之暗面已將 Kimi K3.1 Pro 的模型權重上載至 Hugging Face,正式開放權重。模型採用 MoE,總參數為 2.8 萬億,每次推理啟用其中 1040 億,支援 100 萬 token 上下文及看圖;Artificial Analysis 綜合智能指數為 46.5 分,較 DeepSeek-V4.1-Flash 的 32.6 分高約 14 分。
推薦理由:文章交代授權例外及部署所需硬件,呈現權重開放後商用與自行部署各自面對的實際門檻,方便判斷其適用範圍。
Dharma-AI 推出 2B Field Extractor,從文件提取欄位並輸出結構化 JSON;文件中不存在的欄位會回傳 null。模型在供應商自家基準測試中得分 0.834,高於四種前沿模型配置的 0.741 至 0.816;Dharma-AI 稱成本約低 6 至 147 倍。文章提供試用示範,但未確認授權條款、模型權重是否開放或有否商業方案。
NexoPeek 將 voxel 式縮放帶入蛋白質結構探索,讓用戶在 Meta Quest 上以互動 3D 場景查看和操作蛋白質模型。應用程式提供 12 個以真實 PDB 結構為基礎的導覽,並支援多來源結構搜尋及本機檔案載入。文中測試的離線口袋預測與晶體學確定的結合口袋重合 96%,RMSD 約 0.8 Å。
自由身 AI 評估員分享評估圖像、影片、音訊及用戶介面模型輸出後的心得,指出遵從指示比外觀出色更重要。評估時,誤報問題比漏掉小問題更糟,簡短而清晰的意見也比冗長解釋更有用。模型的改進仍有賴人員仔細、持續地檢查輸出。
AWS以Amazon Bedrock AgentCore協調專責智能體評估航空航天零件替代,把跨文件人工核對由數天縮短至數分鐘,工程師仍保留最終決策權。系統以結構化證據在智能體之間傳遞資料,並透過多模態嵌入搜尋文字及圖像資料。人工審批可暫停工作流程,狀態儲存於DynamoDB,待工程師返回後恢復。
Google Research 推出 Agile Deliberation,協助用戶為主觀類別建立圖像分類器,並提供開源程式碼及互動式 Colab notebook 示範。
VRChat 在徵詢用戶後決定不為 AI 生成內容加上標籤,引發社羣反彈;Seven Sports 的 Amblyotube 則讓用戶設定視覺訓練強度及 AI 鋭化效果。這款 Meta Quest 應用透過雙眼不同畫面進行訓練,並支援 YouTube 風格影片及離線播放的兒童影片目錄。Amblyotube 是輔助視覺訓練及教育軟件,不可取代專業醫療指導。
Agile Deliberation 將主觀 AI 分類器的建立設計成迭代對話,協助用戶釐清概念邊界並逐步完善定義。研究團隊透過 18 場、每場 1.5 小時的真人測試評估框架,發現它能減少用戶疲勞和焦慮,並產生比標準基線更一致、表現更佳的 AI 模型。相關程式碼和演算法已在 GitHub 開源。