跳到正文
11月20日週五
  1. DEV Community30

    機械人基礎模型與 VLA——第 04 章:視覺語言行動模型 [KR]

    VLA 模型以視覺、語言及其他感測訊號為輸入,將多模態理解轉化為可執行的機械人行動,補足 VLM 只理解環境、但不直接指定動作的限制。VLA 訓練以包含觀察、指令和對應行動的機械人軌跡為基礎,並須利用時間脈絡反映任務進展。實際系統可採用分層架構,讓基礎模型預測與軌跡生成器、運動規劃器、控制器及安全機制協作。

  2. DEV Community28

    機械人基礎模型與 VLA — 第 03 章:機械人視覺語言模型 [KR]

    機械人視覺語言模型(VLM)連結視覺感知與語言表徵,讓機械人以語義理解場景,並將指令連繫至畫面中的物件及關係。VLM 可運用大型圖文數據集預訓練所得的知識,但物件識別不等於掌握深度、受力或可達性,因此通常須配合幾何感知、狀態估計及物理世界模型。

  3. DEV Community30

    機械人基礎模型與 VLA — 第 00 章:引言

    機械人基礎模型旨在減少傳統任務專用系統的開發成本與知識重用限制,透過多任務及多環境數據學習可重用的通用表徵。這類模型需要整合視覺、語言、幾何、時間及動作資訊,並將觀察、指令、推理與行動連接起來,逐步從視覺語言理解邁向 VLA。其目標亦包括提升跨任務、環境及不同機械人形態的適應能力。

  4. 阿里雲開發者社區 AI29

    Qwen3.8-Max 詳盡指南:多模態能力、長週期 Agent 任務及程式碼接入流程

    Qwen3.8-Max 詳盡指南拆解其多模態能力、長週期 Agent 任務及程式碼接入流程,並説明模型架構、調優策略與業務場景。模型總參數量為 2.4萬億,推理時動態啟用 950億參數,支援 100萬 Token 上下文窗口。開發者可透過百煉平台 API 調用,亦可使用開源權重作私有化部署。

  5. HuggingFace Daily Papers(社區熱門論文)43

    探究視覺語言模型的「意識」:選擇性存取與全域工作空間

    研究團隊提出多模態概念透鏡 MC-Lens,分析視覺語言模型如何讀取概念、選擇性存取資訊,並將其用於後續計算與推理。實驗顯示,可靠的選擇性存取比概念可讀性較晚形成;不同模型家族和規模的模型則呈現共同的概念可讀性、依查詢而變的選擇性,以及跨任務介入效應。

  6. DEV Community59

    歌曲生成輸入如何改寫成結構化欄位,而非段落

    Zhe 提出歌曲生成輸入的結構化寫法,建議把需求拆成風格規格、歌詞段落圖和生成前限制紀錄,而非混寫成一段文字。風格規格列出曲風、情緒、樂器和人聲特徵,歌詞則用 [Verse]、[Chorus] 等系統支援的標籤標示段落;每次重跑只改一個欄位。文中亦整理各模型的點數、生成數量與時長,以及方案授權條件,並提醒這些頁面資訊應重新核對,並非作者實測或基準結果。

  7. HuggingFace Daily Papers(社區熱門論文)33

    HiUni 如何在共享視覺空間中統一理解與生成

    HiUni 探索將預訓練視覺語言模型擴展為統一多模態模型,讓同一個語言對齊 ViT 和 dense Transformer 主幹同時支援視覺理解與生成,並將任務專屬計算限制在輸出端。模型以 Pixel Diffusion Head 優化像素空間生成,並透過輕量 HiGate 路徑補充合成所需的細緻空間資訊。實驗顯示,HiUni 的平均理解評分與預訓練視覺語言模型相若,圖像生成和編輯表現具競爭力。

  8. HKGAI 香港生成式人工智能研發中心43

    HKGAI 團隊奪 ACM MM 2026 最佳論文獎

    HKGAI 雪巍教授團隊聯同 Dolby Laboratories 發表的空間音訊研究論文,獲 ACM MM 2026 最佳論文獎。論文提出 StereoCodec、StereoGen 及 StereoCLAP,讓模型按文字生成具左右方位及動態軌跡的立體聲音訊。這項技術可降低 AI 影視、動畫及遊戲的後期製作門檻,並為多模態世界模型提供技術支點。

  9. HuggingFace Daily Papers(社區熱門論文)43

    DailySafe:評測日常多輪多模態互動中的動態安全意識

    DailySafe 是一項評測多模態大語言模型能否在日常多輪互動中追蹤安全風險並提供合適協助的基準。它包含 195 組自然情境的多輪、多圖片互動,涵蓋 10 個日常領域及 42 類任務。DailySafe 已公開,並以個案安全標註評估模型在支持用戶正當目標的同時,能否識別及應對逐步浮現的風險。

  10. HuggingFace Daily Papers(社區熱門論文)42

    Depth Pro 2:清晰且時間一致的單目度量深度估算

    Depth Pro 2 提出單一可擴展網絡,以原生解像度為圖像及影片估算稠密度量深度,兼顧度量準確度、邊界清晰度和時間一致性,並在這些方面超越以往方法。團隊發布了一系列模型,在度量準確度、清晰度、時間一致性及運行時間方面開創新的 Pareto 前沿,並提供程式碼和權重。

  11. 阿里雲開發者社區 AI71

    Kimi-K3 全面解讀:模型定位、核心特徵、能力表現、適用場景及計費

    Kimi-K3 定位為面向長程編程、知識工作及推理的旗艦模型,最大輸入和輸出均為 1,048,576 Token,並已上架阿里雲百煉。它採用 KDA 混合線性注意力與注意力殘差,支援原生視覺理解,但只有思考模式。華北2(北京)/全球的輸入、輸出及快取命中價格分別為 20、100、2 元/百萬 Token,且沒有免費額度。

  12. 雷鋒網51

    商湯林達華談20%資源投入背後的邏輯與長期競爭力

    商湯聯合創始人、首席科學家林達華表示,公司至今仍把20%的資源投向沒有產品出口的預研,並以空間智能等方向探索長期競爭力。他指出,空間智能任務中增加數據曾令模型表現更不穩定,單靠擴大數據和參數未必能解決問題。他以Seedance的30秒影片片段對照Seko的100集短劇創作流程,並透露Seko今年用戶增長7到8倍,平台已有播放量過億的短劇。

  13. 阿里雲開發者社區 AI68

    阿里雲 DeepSeek-V4.1-Flash 全面解析:模型定位、核心特徵、能力表現、適用場景及計費詳解

    DeepSeek-V4.1-Flash 是一款 552B MoE 模型,已在阿里雲百煉上架;其架構、基準表現、適用場景及計費方式均有詳細説明。它在多項編程、終端及自動化基準上的表現高於 V4-Pro,但知識問答類表現略低;上下文窗口為 1M,最大輸出為 384K。快取命中輸入價為未命中的 1/50,阿里雲百煉與 DeepSeek 官方的忙閒時段定義不同,排產須按調用入口區分。

  14. 阿里雲開發者社區 AI55

    Wan3.0‑Video 全面解析與實操指南:參考生成、影片編輯及計費

    阿里雲通義萬相 Wan3.0‑Video 支援文生、圖生及參考生影片,單次最長生成 30 秒,並可接收文字、圖像、影片、音訊、辦公文件和網頁連結作為輸入。模型透過阿里雲百煉異步 API 提供服務,邀測階段須申請且暫未開源;費用按成功生成時長及解像度計算,生成內容須經人工審核。

  15. Stanford HAI News53

    TRACER 結合 ICU 影片與病歷,協助及早識別譫妄徵兆

    研究團隊開發 TRACER,結合 ICU 牀邊影片與電子健康紀錄追蹤患者活動變化,協助醫護及早識別譫妄徵兆。系統每分鐘抽樣15類「原子動作」,再整理成逐小時報告;測試中動作偵測準確率為85%,醫師查詢答對率為61%。在280名 ICU 患者中,譫妄篩查呈陽性者的「目的性活動」較少;研究團隊表示,TRACER 未使用患者資料訓練。

  16. DoNews52

    火山引擎上線豆包 SeedRealtime 1.0 即時音訊及影片通話模型 API

    火山引擎於11月19日推出豆包 SeedRealtime 1.0 即時音訊及影片通話模型 API 服務,支援多模態即時互動。模型融合聲音、畫面、時序與表達,具備持續環境感知及主動表達能力。相較依賴 ASR、VLM、TTS 等模組串聯的方案,模型可顯著降低延遲與資訊損耗,並能識別説話對象、消解同音歧義及理解視覺時序指代。

  17. 阿里雲開發者社區 AI55

    阿里雲 Qwen4-Max 功能、適用場景、價格及首發優惠介紹

    阿里雲百煉平台上線 Qwen4-Max 預覽版,並將其接入 Token Plan 訂閲體系;新用戶首購套餐可享5折優惠,至11月30日。Qwen4-Max 支援文字、圖像理解、工具調用、聯網搜尋及結構化輸出,適用於複雜文檔解析、代碼開發和智能體任務。預覽版目前只可透過 Token Plan 調用,不開放單獨按量計費;Lite 套餐折後每月19.5元,含20000 Credits。

  18. 阿里雲開發者社區 AI70

    Qwen4‑Max 與 Qwen3‑Max 比較評測:兩代旗艦模型差異解析

    Qwen4‑Max 預覽版相較 Qwen3‑Max,差異集中在任務定位、原生多模態、智能體動作範圍、發布流程及訂閲計費五方面。預覽版透過 Token Plan 訂閲 Credits 調用,不開放按量計費,並會於 11 月 25 日下線。文章指出,參數量、上下文窗口、完整基準跑分、開源規劃及正式版定價尚未由官方公佈,其他 Qwen4 型號的測試成績不能代表 Qwen4‑Max 的表現。

  19. DEV Community32

    構建用於評估用藥操作技巧的 AI

    電腦視覺與多模態 AI 可協助評估患者的用藥操作技巧,辨識示範中可觀察到的步驟偏差,並提供清晰易懂的教育回饋。系統可結合裝置專屬知識庫、視覺評估模型及受臨牀規範限制的回饋組件;如評估不確定或發現重要錯誤,應轉交藥劑師或臨牀人員跟進。系統須按裝置類型及預定用途接受臨牀驗證、保障患者影片資料私隱,且不得自行更改藥物劑量或建議更換裝置。

  20. 阿里雲開發者社區 AI39

    阿里雲千問(Qwen)大模型怎樣選?四款熱門模型能力、適用場景與優惠全解析

    阿里雲千問(Qwen)四款熱門模型各有定位:qwen3.8-max 主打全模態與智能體,qwen3.7-max 專注純文本推理,qwen3.8-flash 和 qwen3.7-flash 則面向不同成本與能力需求。四款模型輸入價格為每百萬 Token 0.3 元至 12 元,均提供 Batch 半價及 Token Plan;新用戶每個模型可獲 100 萬 Token 免費額度,有效期 90 天。

  21. Together AI 研究與產品博客56

    Together AI 上線 Tencent Hy4,提供無伺服器及專用端點

    Tencent Hy4 現已可透過 Together AI 的無伺服器及專用端點執行,並支援文字與圖像輸入。模型提供 1M-token 上下文窗口,每 1M 個輸入 token、輸出 token 及快取輸入 token 分別收費 $0.83、$2.50 及 $0.042。文章亦展示 Hy4 從圖表截圖擷取 JSON 數據並重建 HTML 圖表,以及按單一提示詞寫出瀏覽器遊戲。

  22. 阿里雲開發者社區 AI25

    阿里雲大模型能力體系解讀:一站式 AI 落地的產品矩陣與技術支撐

    阿里雲大模型能力體系以分層架構整合多模態模型、統一接入與計費平台、應用方案及彈性算力,支援企業構建 AI 應用。千問 AI 平台-Token Plan 統一模型接入和 Token 計量,函數計算 FC 則以彈性算力支援推理;應用模板和行業方案封裝提示詞工程、上下文管理及工具調用編排等共性工作。