ShengChang:匯入小説章節,生成混音廣播劇集
Henry Yan 推出 ShengChang(聲場)AI 廣播劇工作台,可把 .txt 小説章節轉成經角色配音指導及混音的單集;程式碼採 MIT 授權,程式庫位於 https://github.com/yanjiliang/shengchang-ai-studio。
Henry Yan 推出 ShengChang(聲場)AI 廣播劇工作台,可把 .txt 小説章節轉成經角色配音指導及混音的單集;程式碼採 MIT 授權,程式庫位於 https://github.com/yanjiliang/shengchang-ai-studio。
Supernatural 已以 Early Access 形式重返 Meta Quest 頭戴裝置,月費為 20 美元,年費為 200 美元。文章亦介紹 Seven Sports 的 Meta Quest 應用程式 Amblyotube:用戶觀看 YouTube 影片時,應用程式會調整左右眼看到的影像,訓練視覺協調和注意力。建議每日使用 30–40 分鐘,最多一小時,適用於 13 歲或以上人士。
美團推出新一代多模態大模型 LongCat-2.5,面向長程智能體任務,並在多項 Agent 評測中取得領先成績。它在 AutomationBench 得分51.8,高於 Claude-Opus-5 的50.3;BrowseComp 得分91.9並排名第一,3DCodeBench 文本轉3D項目得分55.4,略高於其他競品。
Apriel Voice 27B 是一個 27B 參數的開源模型,將語音輸入、視覺上下文理解及工具調用輸出整合在單一模型中。文章稱其在 4-GPU A100 節點上的端到端延遲約為 1.2 s,並在 Hugging Face Hub 提供 Apache 2.0 授權的模型權重、訓練腳本和 Docker 映像。
Halal Food Scanner 以手機照片辨識成分,作者的復盤指出模型只負責讀取及映射成分,清真判定則交由人工審核的資料表。照片裁剪至 ML Kit 偵測的文字框後,未讀出成分的照片比例由約 40% 升至 48%;團隊改為不裁剪、以 1600 px 上傳,並移除裝置端文字檢查。作者建議將未知成分標示為「未核查」並檢查失敗照片,避免模型猜測或前處理移除所需資訊。
Amblyotube 將 YouTube 影片轉化為個人化視力訓練環境,適用於 Meta Quest 的 Quest 2、3、Pro 和 3S。它透過分別處理左右眼影像,提供可調節的主導眼濾鏡、弱視眼鋭化及其他訓練功能,並設有 LogMAR 視力檢查。建議每日使用 30–40 分鐘,但每節最多 1 小時;它是輔助工具,不是醫療裝置,也不能取代專業醫療指引。
Forward Watch 是開源 Signal K 插件,採用為海上環境自訂訓練的 YOLOv8,在 Raspberry Pi 4 或更新型號上以 CPU 偵測船隻、浮標、皮艇、漂浮物及漂浮木材。
SphereFlow 將各模態投影至共享超球面潛在空間,透過流匹配及幾何感知調整,根據已觀察模態合成缺失模態。在 BraTS 多模態 MRI 補全及 CT-MRI 轉換實驗中,SphereFlow 的生成保真度在所有設定下達到最先進水平;使用補全數據進行下游腦腫瘤分割,與完整模態基準的差距縮小約 80%。
VideoMemBench 評測多模態大語言模型在長篇多輪影片對話中的記憶能力,結果顯示模型表現差距顯著。基準涵蓋 326 段影片及 2,476 個對話輪次,其中 1,387 個輪次依賴較早的對話內容。逾 20 款開源及閉源模型中,Claude Opus 5 整體得分最高,為 45.7%;數據集及評測已公開。
研究發現,推理型視覺語言動作模型(VLA)在視覺擾動下可出現理由逐字不變、實際動作卻改變的情況。在 Alpamayo 的 154 個有障礙物標註駕駛場景中,TNAS 引導攻擊在完整影像擾動下造成新碰撞的比例為 52.6%,局部前置鏡頭區域擾動下為 35.1%,無引導攻擊則為 4.55%。研究指出,安全監測不能只看理由文本,還須直接核查預測動作通道。
VisSearch-Bench 評估多模態智能體整合視覺脈絡與外部資訊、完成視覺密集型搜尋任務的能力;在 16 個多模態模型中,最佳系統即使使用搜尋工具,也只完整完成 26.47% 的任務。基準涵蓋 204 項人工撰寫的任務,分屬 7 個主要領域及 25 個子領域。
Google 回顧 10 月 AI 更新,全球推出 Gemini 4 Argon,並公佈 Gemini 4 Carbon 和世界模型 Genie 4。Gemini 4 Carbon 正透過 Fairwind Program 由美國政府及部分可信網絡防禦人員進行預發佈測試;Genie 4 支援具原生音訊的即時互動世界模擬,並可用自然語言操控場景。
AWS 文章示範如何運用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和 Strands Agents SDK,建立協助工程師評估零件替代方案的多智能體助理。
LongCat-2.5 主打以原生多模態能力處理智能體任務。Hacker News 討論提及它是 1.6 trillion 參數模型,並指出圖表將其與 GPT-5.5、GPT-5.6-Sol、Claude-Opus-4.8 和 Claude-Opus-5 比較。評論者詢問模型是否提供可下載權重或開放權重,現有資訊未交代清楚。
LongCat-2.5 提供 OpenAI 與 Anthropic 相容 API、1M tokens 上下文窗口,並按思考模式將温度固定為 1.0 或 0.7。
海信商用顯示亮相2026深圳商用顯示技術展,集中展示四款產品,涵蓋智慧會議、零售及LED顯示等場景。海信與京東JoyInside即將推出端雲協同AI會議助理,具備8種語言實時翻譯等能力。海信商用顯示業務已覆蓋全球90多個國家和地區。
「BesTV上海博物館」獲第63屆亞廣聯獎數字互動與受眾參與類別特別推薦獎,這是百視通與上海博物館共同打造的AI超高清數字孿生產品。截至目前,產品已完成13個上博常設展館的孿生,復刻多個線下特展,累計產出超4000分鐘4K超高清文博內容。觀眾可在家中透過電視切換展館,縮放或暫停文物畫面。
預測指出,到 2027 年及以後,AI 通話智能體將具備即時多模態理解、跨渠道延續對話,以及自我學習的行業專業能力。這些進展可令平均處理時間(AHT)下降 30-40%,並協助企業提升客服效率。企業亦須確保通話透明度、減少偏見,並妥善管治數據。
Yann LeCun 團隊以 JEPA 論證,讓模型從同一場景的不同描述學習共同表徵,比下一 token 預測更有效率。使用相同的 1.09 億參數編碼器,好視圖 JEPA 處理 2160 萬個樣本便取得 0.109 的 WIT 對齊分數;下一 token 預測則處理 9 億個樣本才取得 0.111。
智元在 10 月 29 日創新日提出 Worken(有效智能工時)指標,並發布 GO-3 Preview 等具身智能技術。Worken 以活躍機器人數量、自主工作時長及產出效能比相乘計算;文章亦提到智元第 2 萬台機器人於 9 月下線。
Valve 表示仍相信 VR,但內容仍是 VR 發展面對的「先有雞還是先有蛋」難題。結構生物學累積了數十年的 3D 資料,卻大多仍在平面螢幕上觀看。NexoPeek 是面向 Meta Quest 的 VR 分子實驗室,提供 12 段導覽,涵蓋 6 個主題,並設有分子檢視及分析工具。
LinkDigest 可透過 RedNote 公開分享連結,將貼文標題、內文、圖片文字及影片語音翻譯成英文,並保留中文原文供對照。翻譯每次加 1 credit;註冊可獲 10 個免費 credits。
美團發布新一代大模型LongCat-2.5,這是一款面向長程智能體任務的原生多模態模型,總參數為1.6萬億。LongCat-2.5延續LongCat系列的研發方向,全程在國產算力上訓練,是目前在國產算力上完成的最大訓練任務。
Signal #125 彙整多項 AI 開發工具更新,聚焦 Vercel 生產流量追蹤、Roboflow 接入 Gemini 4 Argon,以及 MCP stdio 陷阱。
研究指出,功能異常的腦細胞可能產生過多髓鞘,幹擾神經纖維,並助長記憶與思考能力下降。Seven Sports 開發的 Amblyotube 是供 Meta Quest 使用的視覺訓練及教育軟件,利用影片內容進行雙眼協調訓練。文章沒有提出視力改善數據或臨牀結果,並指出 Amblyotube 不作診斷或治療用途。
作者以 PDF 檢索案例指出,RAG 與智能體的檢索失誤可能源於攝取流程攤平文件結構,而非模型本身。文章示範以 Docling 和 LangChain 保留版面、表格、章節及頁碼資訊,再按文件結構分塊,並比較 parent-child retrieval、RAPTOR 與 ColPali 頁面影像檢索。
AI 英語教學培訓系統採用感知層、智能中樞與知識層三層架構,整合語音糾錯、語法診斷、情境對話及學情評估等功能。方案透過提示詞工程和分級語料庫支援教學,並分四個階段推進需求規劃、模型微調、多模態接口集成及測試迭代。
作者為一項 220 acre 倉庫區研究建立可重複執行的場地脈絡 3D 流程,依序處理範圍、地形、建築輪廓、體量與細節。GenAnywhere 生成粗略 AI 體量模型,Halfmaps 則輸出可在即時引擎運行的分塊城市及地形數據,讓評審漫遊檢視。
MaxCompute 透過存儲接入、計算推理及治理索引三層能力,支援 PB 級離線 AI 語料清洗、多模態解碼、批量向量化及可信樣本交付。使用前提包括符合離線批量處理節奏、依賴 MaxFrame 生態、啟用向量能力,以及具備 GPU 配額和鏡像管理。它定位為語料產線的編排與治理中樞,不替代實時引擎或專用模型服務。
國家知識產權局專利局多個部門及湖北中心舉辦師資培訓、審查業務交流和擴展領域培訓,並分享對比文件庫製作經驗。培訓及研討涵蓋證據鏈認定、教學能力,以及人工智能新技術;湖北中心首期培訓講解自然語言處理(NLP)技術演進和多模態大模型。各部門將持續完善師資培養、文件庫建設及擴展領域審查能力。
美團發布總參數 1.6 萬億、面向長程智能體任務的原生多模態模型 LongCat-2.5,並稱模型全程在國產算力上訓練。評測顯示,LongCat-2.5 在多項主流基準中介乎 Claude-Opus-4.8 與 Claude-Opus-5 之間,部分評測超過 Claude-Opus-5。美團亦推出 AI 經營工作台「妙手」,協助商家理解行業指標和品牌規則,並在授權範圍內調用工具與系統執行經營任務。
美團技術團隊發布面向長程智能體任務的原生多模態模型 LongCat-2.5。模型總參數量為1.6萬億,每個 token 約激活480億參數,並在 LongCat-2.0 基礎上強化原生視覺理解與智能體編程能力。
張載熙創立科理新序,正訓練以 scientific token 統一蛋白質結構、組學矩陣、基因序列和分子動力學等模態的多模態科學基座模型,目標是在科學空間進行推理。團隊參與開發的科研智能體 STELLA 曾協助實驗室找到 40 個候選靶點,其中排名第一的靶點在四個細胞系的基因敲除實驗中效果明顯且一致。科理新序計劃明年建設自動化實驗室,推進幹濕閉環。
美團發佈面向長程智能體任務的原生多模態大模型 LongCat-2.5,總參數 1.6 萬億,訓練全程使用國產算力。模型採用最長達 1M token 的序列進行長上下文訓練,並強化視覺理解及智能體編程能力,支援交互網頁、3D 展示頁面等任務。
Apple宣佈,Apple智能將於11月4日起隨最新iOS開發者Beta版在中國開放測試,並於12月隨iOS 27.3正式推出。Apple與阿里巴巴達成合作,千問將接入Siri、寫作工具及視覺智能,為中國用戶提供文字與圖像理解等能力。
美團龍貓發佈面向長程智能體任務的原生多模態模型 LongCat-2.5,總參數量為 1.6 萬億,每個 token 約啟用 480 億個參數。相較 LongCat-2.0,模型加強原生視覺理解與智能體編程,並以長程軌跡數據和大規模長程強化學習提升複雜代碼庫開發及完整項目構建能力。模型以多層級離散 token 表示視覺訊號,並優化國產算力上的長上下文訓練與 W4A4 推理。
楊立昆在達特茅斯學院 AI@70 大會演講中主張,實現人類水平智能須跳出生成式 AI,轉向以 JEPA 為代表、在抽象表徵空間預測物理世界的分層世界模型。他還介紹團隊本月公佈的四足機械人仿真實驗,三層世界模型的任務成功率和算力利用效率均大幅高於扁平單層系統。
美團龍貓發佈原生多模態模型 LongCat-2.5,總參數量為 1.6 萬億,每個 token 約啟用 480 億參數,面向長程智能體任務。模型在 LongCat-2.0 基礎上強化原生視覺理解與智能體編程,並加入長程軌跡數據和大規模長程強化學習,以提升複雜程式碼庫開發及完整項目構建的端到端工程能力。
美團龍貓發佈面向長程智能體任務的原生多模態模型 LongCat-2.5,總參數量為 1.6 萬億,每個 token 約激活 480 億參數。模型在 LongCat-2.0 基礎上加強原生視覺理解與智能體編程,並以長程軌跡數據、大規模長程強化學習及可復現的 Agent 失敗軌跡訓練,提升複雜代碼庫開發和完整項目構建的端到端工程能力。
三星計劃於 12 月中旬在韓國和美國推出首款 AI 眼鏡,產品暫定名為「Intelligent Eyewear」,售價尚未確定。眼鏡搭載 Android XR 平台並整合 Gemini,支援即時翻譯、語音導航及將拍攝內容整理至 Galaxy 手機筆記 App;產品沒有顯示屏,續航最長 9 小時。