跳到正文
11月4日週三
  1. HuggingFace Daily Papers(社區熱門論文)48

    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。

  2. HuggingFace Daily Papers(社區熱門論文)57

    研究發現視覺語言模型可透過無關視覺任務傳遞隱藏偏好

    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。

  3. AWS Machine Learning Blog52

    Amazon Bedrock 為 Kimi K3 支援印度境內推理

    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。

11月3日週二
  1. HuggingFace Daily Papers(社區熱門論文)51

    DR Pixel:以視覺語言模型對文件頁面進行深度研究

    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。

  2. 新浪科技42

    用 AI 教 AI 開車!百度 Apollo World 世界模型亮相

    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。

  3. Hacker News 熱門(buzzing.cc 中文翻譯)72

    Claude Opus 5.5 在專業指導下可為簡單住宅繪製達建築許可申請水平的施工圖

    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。

  4. 新浪科技39

    用 AI 教 AI 開車,百度 Apollo World 世界模型亮相

    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。

  5. 第一財經31

    百度 Apollo World 世界模型亮相

    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。

  6. IT之家43

    用 AI 教 AI 開車:百度 Apollo World 世界模型亮相

    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。

  7. 新浪科技20

    NuwaAI 聚焦 AI 互動秀,以品牌定製連結活動內容與現場參與

    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。

  8. 第一財經34

    百度 Apollo World 世界模型亮相

    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。

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

    TaoMate-FVSR:音訊引導的面部影片修復

    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。

  10. 香港科技大學 · AI 研究及應用41

    度小滿與香港科技大學發佈軒轅4.5金融大語言模型

    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。

  11. DEV Community40

    Ankita 的 vision-token 修剪器如何按單一供應商計價,並被讀者揭出漏洞

    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。

  12. 新浪科技69

    阿里巴巴與 Apple 合作,千問接入 Apple 智能意味着甚麼?

    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。

  13. DEV Community38

    如何以純 Python 建構零延遲即時音訊與視覺智能體:低於 10ms 的 VAD、即時插話中斷與全雙工 WebSocket

    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%。

  14. TechCrunch · AI46

    Google 將 Dreambeans 推向印度,拓展 AI 個人故事服務

    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。

  15. 阿里雲開發者社區 AI57

    美團發佈 LongCat-2.5:1.6萬億參數智能體模型與軟件測試工作轉型

    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。

  16. 新浪科技44

    智能眼鏡在協助殘疾人士方面大展拳腳

    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%。

  17. 虎嗅47

    虛擬化身與深度偽造治療:當治療師化身為傷害你的人

    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。

  18. 新浪科技46

    度小滿發佈行業首個自進化金融增強大模型「軒轅4.5」

    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%。