面向 MoE 多模態大型語言模型的模態感知專家剪枝
MAEP 是一種免訓練的模態感知專家剪枝框架,按模態拆分專家重要性,以壓縮 MoE 多模態大型語言模型。實驗顯示,MAEP 在多數多模態基準上優於不區分模態的基線,文字任務表現亦具競爭力。它減少約 27 GB 的 BF16 專家權重,令約 58 GB 模型的完整權重可容納於單張 40 GB GPU。
MAEP 是一種免訓練的模態感知專家剪枝框架,按模態拆分專家重要性,以壓縮 MoE 多模態大型語言模型。實驗顯示,MAEP 在多數多模態基準上優於不區分模態的基線,文字任務表現亦具競爭力。它減少約 27 GB 的 BF16 專家權重,令約 58 GB 模型的完整權重可容納於單張 40 GB GPU。
研究發現,視覺語言模型可透過與偏好無關的視覺任務,把教師模型的隱藏偏好傳給學生模型。研究涵蓋參數量由 2B 至 7B 的模型,在動物偏好任務中,學生模型選擇目標的比例最高比對照組高約 10 個百分點。即使模型選擇相同圖像,受偏好教師影響的學生模型,其解釋亦會使用更多與教師相同的詞語和短語。
DGP(Dynamic Gated Pathways)在每個 ViT 層與 LLM 層之間建立全連接路徑,並由各 LLM 層按自身語義狀態動態選擇視覺層。在 LLaVA-1.5-7B 基線上,DGP 在 SQA^I、MM-Vet、VizWiz 和 LLaVA^W 分別提升 +4.2、+3.3、+3.1 和 +3.1。
Boson AI 聯合創辦人 Alex Smola 在訪談中介紹 Higgs Realtime 的即時語音互動設計,並談及語音智能體進入企業客服流程的部署要求。
作者實測 Tripo,認為它較適合製作觀賞用途的 3D 打印模型,不宜直接依賴它完成遊戲角色的骨骼綁定和動畫。與 ChatGPT 6 Astra 比較時,Tripo 的車輛模型更像真車、遊戲角色模型外觀較佳,但在哨子測試落敗,角色骨骼和動畫也出現問題。
LiveX 宣佈推出 AI City 真人大小 AI 主持人 kiosk,產品目前已部署於超過 100 個地點,涵蓋零售、酒店、娛樂及其他場景。kiosk 可透過即時互動提供個人化協助,並支援互動式 3D 地圖、3D 產品展示及多語言翻譯。
Amazon Bedrock 現已支援 Kimi K3 在印度境內推理,透過 in.moonshotai.kimi-k3 inference profile,推理處理會留在 Mumbai 和 Hyderabad 區域內,以符合嚴格的資料駐留要求。文章提供 Python 範例,示範讀取印地語電費單、抽取結構化資料,並以 Hinglish 回答後續問題;亦説明跨區推理選項、權限設定及提示詞快取。
百度 Apollo 首次披露面向物理 AI 的智能體驅動全模態世界模型 Apollo World,並提出世界模型「2+3」判斷標準。模型已用於蘿蔔快跑全球化測試與驗證,為無人車提供虛擬訓練環境,支援交通參與者互動及完整行程閉環模擬。
DR Pixel 是一個開源多模態智能體,直接以渲染後的文件頁面圖像作為檢索與推理單位,並在包含 1.06M 頁的語料庫上運作。研究建立 DRPixelBench;未經訓練的頁面原生方法已在 GPT-5.4、Gemini-3.5-Flash 和 Qwen3.6-27B 等模型上勝過 OCR 基線,且所需工具呼叫較少。
百度 Apollo 首次披露面向物理 AI、由智能體驅動的全模態世界模型 Apollo World,並提出世界模型「2+3」判斷標準。Apollo World 已用於蘿蔔快跑全球化測試與驗證,可生成虛擬駕駛場景,讓無人車反覆演練並形成測試閉環。蘿蔔快跑已覆蓋全球 28 個城市,累計自動駕駛里程超 3.5 億公里,其中全無人駕駛里程超 2.4 億公里。
啟明創投發布投資企業要聞十條,涵蓋融資、合作、產品發布及研發進展。英矽智能推出的 inClinico Agent 在939項臨牀研究驗證中準確率為0.734;無問芯穹聯合開源的 RPent v0.1 在 LIBERO-PRO 達到92.63%任務成功率。
建築師測試 13 款新舊 AI 模型後,認為 Claude Opus 5.5(2026 年 9 月 22 日推出)在專業指導下最能從草圖製作簡單住宅施工圖,達到申請建築許可的質素。模型沒有使用現有 CAD 軟件,而是以 Python 產生向量線稿;Claude Opus 5.5 完成住宅圖紙耗時 12 小時,運算成本為數百美元。但圖紙仍有錯誤,例如缺少第二條逃生通道,歷史建築細節圖亦有細微錯誤。
百度 Apollo 首次披露面向物理 AI 的智能體驅動全模態世界模型 Apollo World,並提出世界模型「2+3」判斷標準。Apollo World 可生成相機畫面、激光雷達點雲等觀測數據,並讓無人車在虛擬城市完成連續出行任務,形成感知、決策、行動與反饋的閉環。該模型目前用於蘿蔔快跑全球化測試與驗證;蘿蔔快跑已覆蓋全球 28 個城市,累計自動駕駛里程超 3.5 億公里。
百度首次披露面向物理 AI、由智能體驅動的全模態世界模型 Apollo World。同組資訊亦提及福建首個跨域異構調度全服務詞元工廠上線、商湯推出日日新 SenseNova 6.8 Flash 正式版,以及 Seedance 海外收入半年近 5 倍增長。
百度 Apollo 首次披露面向物理 AI、由智能體驅動的全模態世界模型 Apollo World,並提出世界模型「2+3」判斷標準。該標準涵蓋因果性、交互性,以及物理準確性、持久性和實時性。Apollo World 已用於蘿蔔快跑全球化測試與驗證;蘿蔔快跑已覆蓋全球 28 個城市,累計自動駕駛里程超 3.5 億公里。
邦彥技術股份有限公司旗下品牌 NuwaAI 以 AI 互動秀為核心,為品牌活動、文旅體驗及商業空間提供由內容策劃至現場執行的服務。服務涵蓋角色定製、知識配置、節目策劃、互動設計及項目交付,並按場景配置 AI 舞台、門店、展陳、文博及屏媒互動秀。項目可支援單次活動及常駐營運。
百度首次披露面向物理 AI、由智能體驅動的全模態世界模型 Apollo World。百度並提出世界模型「2+3」判斷標準;Apollo World 虛擬城市中的車輛、行人等交通參與者具備決策和互動能力,並非按固定腳本行動的道具。
CNCC 2026「影片生成的智與情」主題論壇聚焦 AI 影片生成從追求畫面相似,轉向兼顧可用性、敍事連貫與情感表達的挑戰。與會者討論長影片生成、視覺理解與生成的協同,以及影片進入傳播鏈路後的認知安全;AIGC 影片風險包括歷史事實篡改、虛假災情傳播等五類。
Apple 智能國行版將於 11 月 4 日隨 iOS 27.3 開發者 Beta 開啟測試,支援 iPhone 15 Pro、iPhone 15 Pro Max、iPhone 16 全系列及後續新款機型。
TaoMate-FVSR提出音訊引導的面部影片修復框架,結合參考引導影片流模型與音訊同步,修復 AI 生成影片中的面部細節,處理唇部和牙齒與語音不一致的問題。在 talking-head 修復基準測試中,該方法在配對感知相似度及同步評分上均優於其他受比較方法,亦支援更換音訊時的視覺配音。
度小滿與香港科技大學及香港生成式人工智慧研發中心(HKGAI)聯合發佈軒轅4.5金融增強大模型,涵蓋大語言模型及多模態模型。在獲客、風控及客戶經營等金融場景中,模型效果提升30%,推理成本僅為通用模型的10%。其自進化RSI技術用於模型訓練及智能體場景目標適配,並以超過1000億Token的場景增強資料支援金融任務。
Ankita 的圖片 token 估算器採用 OpenAI 高精細度計價公式,一名讀者指出,這個公式並非所有供應商的上限。以 2560×1440 截圖為例,估算值是 1,105 tokens,而 Claude 按像素計價約為 4,784 tokens。作者正考慮按供應商計價或採用最壞情況估算,但代理伺服器可能令供應商標籤失準。
阿里巴巴與 Apple 達成合作,將千問接入 Apple 智能,讓中國用戶可在 Siri、寫作工具及視覺智能中調用其文字與圖像理解、內容生成能力。相關功能將於11月4日起隨最新 iOS 開發者 Beta 版開放測試,並於12月隨 iOS 27.3 正式發佈時面向中國用戶推出。用戶傳送至千問的請求、文件和照片,均須先徵得本人同意;阿里巴巴不會將相關數據用於模型訓練。
阿里雲百煉推出 Token Plan 訂閲服務,以 Credits 統一計量,一份訂閲可用於 Claude Code、Cursor、Qwen Code 等工具,並涵蓋多模態模型及內置工具。
Reviso 是一個智能體影片描述框架,透過分層規劃與主動感知,按影片內容優先擷取關鍵視覺證據,以提升描述品質及下游影片理解。在四個影片描述基準測試中,Reviso 表現優於受評估的開源基線,其生成的描述亦更有助下游影片問答。
Lab2Sim 提出一項把科學實驗影片轉化為互動式虛擬實驗的基準,涵蓋 218 條影片及 11,881 個評分項目。EduVideo2Code 將實驗程序編碼為明確狀態機,並透過執行驗證改善生成頁面;在兩個骨幹模型上,四個評估維度均有提升,器材保真度增加 24.15 分。
這套純 Python 全雙工多模態智能體架構,以即時音訊、視覺串流及插話中斷實現低延遲互動。StreamAgent Pro 在本地硬件測得端到端延遲 159.1ms,VAD 執行時間為 0.08ms,插話反應時間為 12.3ms。方案亦以循環緩衝區保留語音起始音節,並透過關鍵影格取樣減少視覺處理開銷超過 90%。
PATEO 宣佈在基於 NVIDIA DRIVE AGX Thor 的 AI Box 部署 NVIDIA Nemotron 和 ByteDance 的 35-billion-parameter 豆包語言模型,結合本地推理與車艙智能體平台。
商湯科技於2026年11月2日晚正式發佈日日新 SenseNova 6.8 Flash 正式版,重點升級辦公協作與多模態設計能力。模型支援長期記憶及跨會話任務協同,涵蓋動態PPT、動態海報、網頁、SVG及Blender3D創作,並可接入 Figma 等專業工作流。
商湯科技發佈日日新 SenseNova6.8Flash 正式版,升級辦公協作與設計生成能力,支援長期記憶及跨會話任務協作。設計功能涵蓋動態 PPT、動態海報、網頁、SVG 及 Blender3D 創作,並可接入 Figma 等專業設計工作流。
Google 已在印度推出實驗性 AI 應用程式 Dreambeans,印度是該應用首個美國以外市場,並支援 13 種當地語言及英文。Dreambeans 可根據用戶連接的 Google 服務資訊,毋須輸入提示詞便生成個人化故事,部分故事更可用 Veo 動畫化。用戶可選擇連接哪些服務、隨時中斷連接或刪除應用程式內的數據,但生成故事一次只能使用一種語言。
全平台輿情數據分析工具整合多個公開網絡平台的輿情數據,透過 AI 分析話題、情緒及傳播情況,協助研判突發事件風險。工具可 7×24 小時輪詢監測,並自動生成預警及分析報告。風險定性、事實核查和處置決策仍須依靠人工會商。
Simon Willison 發佈 llm 0.37,擴展嵌入 API 的多模態輸入支援,並改用半價的 gpt-6-luna 作預設模型。更新亦新增 gpt-6.1-sol、gpt-6.1-terra 和 `llm openai endpoint add`,並讓 Gemini Embedding 2 等模型透過不同 content-type 處理文字、音訊、圖像和影片。
美團發佈 LongCat-2.5,這款原生多模態智能體模型採用 MoE 架構,總參數為 1.6 萬億,單 Token 激活約 480 億參數。模型訓練將 F2P/P2P 測試校驗納入流程,並把 Agent 失敗軌跡轉化為可復現、可驗證的訓練任務。作者據此認為,軟件測試工程師的角色將轉向 Agent 設計、測試數據生產及 AI 輸出審核。
智能眼鏡正透過聲音放大、即時轉寫、唇語識別及 AI 提示,協助聽障、視障及記憶障礙人士,部分方案不設攝像頭以減低私隱爭議。Nuance Audio 眼鏡以六麥克風陣列和開放耳道揚聲器放大人聲;CrossSense 的 Wispy 測試中,物品名稱識別準確率由 46% 升至 82%,加上彩色標註提示後達 89%。
虛擬化身及 AI 深度偽造已用於部分心理治療,讓患者與代表內在聲音或真實人物的形象對話。一項針對進食障礙患者的研究中,48人接受化身療法,另48人接受標準治療;化身組生活質素、認知靈活性及治療參與度指標較佳,但症狀變化未達統計學意義。療效證據仍有限,安全及倫理風險亦有待進一步研究。
OpenAI 的 GPT-6.1 Terra 是 GPT-6.1 系列第二低價模型,本文整理其規格、定價和使用方式,並與 Claude Opus 5.5 比較。
Sketchpad 研究提出一項形式化方法:若模型每一步只讀取外部工作記憶體的有界視窗,驗證 runtime 會呈現的有限視窗集合,即可保證模型對任意長度輸入的算術精確性。
LongCat 發佈 LongCat-2.5,這款面向長程智能體任務的原生多模態 MoE 模型總參數量為 1.6 trillion,每個 token 約啟用 48 billion 參數。
度小滿與香港科技大學、香港生成式人工智能研發中心(HKGAI)聯合發佈行業首個自進化金融增強大模型「軒轅4.5」,以RSI閉環提升獲客、風控和客戶經營等金融場景的效果,成本僅為通用模型的10%。模型透過業務結果迴流進行微調和強化學習,將信貸風控策略迭代週期由約兩周縮短至三到四天,短期逾期風險下降約50%。