跳到正文
10月29日週四
  1. 阿里雲開發者社區 AI38

    Google Gemini 模型原理演進史

    Google Gemini 家族從 BERT、T5、PaLM 的技術基礎,演進至原生多模態、長上下文、推理能力與生態整合。Gemini 1.5 支援 100 萬 token 上下文,Gemini 2.5 Pro 展示 Thinking 模式,Gemini 2.0 加入 Agent 能力。文章亦梳理 Gemini 3 至 3.8 Flash 系的迭代與各項技術主線。

  2. 阿里雲開發者社區 AI39

    OpenAI GPT 模型原理演進史

    OpenAI GPT 家族從 GPT-1 演進至 GPT-5.6,路線涵蓋模型規模擴大、對齊技術制度化,以及由文字生成拓展至多模態、推理和工具使用。GPT-3 達 1750 億參數,InstructGPT 展示 RLHF 對齊效果,GPT-5 在 SWE-bench 得分 74.9%。整體演進亦包括原生多模態、測試時擴展與 Agent 能力。

  3. 阿里雲開發者社區 AI31

    第 06 篇:多模態與 Agent——從「會説話」到「會做事」

    本篇梳理多模態與 Agent 的發展,説明模型如何由理解圖文、回答問題,進一步透過工具執行任務。CLIP(2021)以圖文對比學習,讓視覺與語言在同一向量空間對齊;原生多模態模型則以圖文聯合數據預訓練。Agent 結合工具呼叫、規劃與反思,以及環境交互循環,從單一任務延伸至多 Agent 協作和常駐運作。

  4. 阿里雲開發者社區 AI54

    阿里雲入選 Gartner 首份《生成式 AI 模型提供商魔力象限》報告的領導者象限

    阿里雲入選 Gartner 首份《生成式 AI 模型提供商魔力象限》報告的領導者象限,是唯一入選該象限的中國企業。文中稱,千問(Qwen)系列涵蓋端側、私有化部署至雲端,並提供原生多模態及開放權重模型。Gartner 聲明,該報告不代表其認可任何供應商、產品或服務,也不建議科技用戶只選擇獲最高評分或其他稱號的供應商。

  5. viAct · 視覺 AI 及工地安全28

    哥倫比亞建築安全:AI 如何改善防墮保護及風險監測

    AI 影片分析可利用哥倫比亞工地現有 CCTV,即時監察高空作業區,改善防墮保護及風險監測。系統可標示高空作業時未佩戴安全帶、邊緣開口、缺少護欄及未按有效許可證作業等情況,並即時通知安全團隊。這有助支援《2021 年第 4272 號決議》要求的持續監察。

  6. 21ic電子網67

    蘋果發佈首款配備觸控屏幕的 OLED MacBook Pro,打破 20 年不觸控設計原則

    蘋果正式發佈首款配備觸控屏幕的 OLED MacBook Pro,打破延續 20 年的「不觸控」設計原則。文章稱,OLED 相較 Mini-LED 在對比度、響應速度和功耗方面具結構性優勢。文中亦把觸控和手勢視為在 Mac 運行本地大模型、以自然語言與智能體協作時更直接的輸入方式。

  7. 阿里雲開發者社區 AI21

    從零到一構建現代化、可落地的2026年 AI 網球賽事戰技法分析系統

    AI 網球賽事戰技法分析系統融合多目高速視覺、IMU 傳感及邊緣與雲端算力,構建涵蓋感知、分析和推演的全鏈路平台。系統運用 ST-GCN、GNN 與多模態大模型量化技術動作、分析戰術意圖,並提供 3D 數字孿生沙盤及強化學習模擬對抗。教練可透過自然語言檢索賽事資訊,並以移動端和平板看板取得決策依據。

  8. 阿里雲開發者社區 AI37

    生成式搜尋優化需要怎樣的能力體系?框架報告

    生成式引擎優化(GEO)以提升品牌資訊在大模型答案中的理解、採信及引用為目標,能力體系涵蓋診斷、實體治理、信源建設、內容生產、多模型適配及監測迭代六個模組。報告指出,GEO 有別於以網頁排名為核心的傳統 SEO,重視實體一致性、多源交叉驗證和內容可信度。落地流程包括多模型診斷、統一品牌資訊、建設信源、結構化內容生產與持續監測。

  9. EJ Tech 信報科技 · AI60

    Google 發佈世界模型 Genie 4,支援即時互動

    Google 發佈新一代世界模型 Genie 4,用戶可生成虛擬場景並即時探索互動,相關技術可望應用於電影製作、遊戲開發及機械人訓練。Genie 4可透過自然語言即時修改場景,提升物理模擬與人物動作的真實感,並原生生成環境音效及互動對話,結合 Gemini 模型處理複雜事件。

  10. 新浪科技36

    騰訊混元 Hy4、Hy4 flash 即將發布,首次引入視覺理解能力

    騰訊混元宣佈 Hy4 即將發布;相較 Hy4 preview,Hy4 全面提升,並首次引入視覺理解能力。Hy4 flash 亦將於近期發布,主打性價比,並在承接 Hy4 的視覺及 Agent 能力之上,透過模型與產品深度 Co-Design 高頻進化。今年8月發布並開源的 Hy4 preview 總參數為 770B、激活參數為 49B,上下文長度突破 1M。

  11. 新浪科技34

    騰訊混元 Hy4、Hy4 flash 即將發布,首次引入視覺理解能力

    騰訊宣佈 Hy4 即將發布;相較 Hy4 preview,Hy4 大幅提升長程及真實生產力任務能力、思維鏈效率,並首次引入視覺理解。Hy4 flash 亦將於近期發布,提供高性價比模型,並具備視覺及 Agent 能力。Hy4 preview 於今年 8 月 28 日發布並開源,總參數 770B、激活參數 49B,上下文長度突破 1M。

  12. HuggingFace Daily Papers(社區熱門論文)47

    多模態推理中的參照落差:視覺輔助能解決和不能解決的問題

    多模態語言模型在多步視覺推理中的失誤,可能源於語言未能連結相關視覺物件、區域或位置的「參照落差」,而非視覺感知不足。研究提出 ReGap-Bench,涵蓋五項視覺推理任務;結果顯示,配合任務的外部參照可在無需訓練下令準確率提高最多 25%,不匹配的參照則助益甚微,甚至會降低表現。

  13. 阿里雲開發者社區 AI48

    AI 劇本生成與動畫創作實戰拆解:《等你平安歸來》台青短劇奪獎案例

    《等你平安歸來》是一部 60 集閩南語短劇,並獲第四屆上海國際AIGC創新大賽最佳短劇劇本獎;文章拆解以阿里雲函數計算 FC、百煉大模型、ComfyUI、AnimateDiff 和 OSS 搭建 AIGC 短劇生產管線的做法。管線涵蓋結構化劇本、跨集角色一致性、方言 TTS 校準、GPU 彈性渲染及 60 集資產治理,可供政企文旅和博物館展陳場景參考。

  14. 阿里雲開發者社區 AI45

    Qwen3.8-Flash 使用指南:百萬長文處理、程式開發實戰與 API 接入

    Qwen3.8-Flash 使用指南涵蓋百萬 Token 長文處理、程式開發實戰及 API 接入。文章列出原生 100 萬 Token 上下文、標準輸入 991,808 Token、輸出 131,072 Token,以及每次推理激活 6B 參數等規格。模型兼容 OpenAI 與 Anthropic 協議,指南亦説明 API 調用、免費 Token 額度及按量計費。

  15. DEV Community62

    MiniMax 宣佈約 $2B 融資,MiniMax-M3 透過插件接入 FiftyOne App

    MiniMax-M3 可透過 minimax-m3-fiftyone 插件接入 FiftyOne App,對圖像及抽樣影片執行標註、搜尋和問答等任務。插件無需微調或自建模型伺服器,會以提示詞要求固定格式 JSON,再轉成 FiftyOne 標籤;影片則透過抽取影格處理。文章亦提及 MiniMax 宣佈約 HK$16 billion(約 $2B)的私募配售及可轉換債券融資。

  16. DEV Community59

    FiftyOne 1.19 新增 MCAP 原生檢視及多通道同步播放

    FiftyOne 1.19 現可原生開啟 MCAP 檔案,並在同一播放時間軸同步呈現相機、LiDAR、GPS、IMU 和日誌,無須安裝 ROS。作者以 TreeScope 的 10 段 UAV 飛行記錄示範,其中一段約 4.5 分鐘的自主飛行含 31 個頻道及 599,698 則訊息;未能解碼的頻道仍可在 Message tile 以原始記錄檢視。

  17. DEV Community47

    LightOnOCR-2:精巧 AI 模型革新文件 OCR

    LightOnOCR-2-1B 是一款 1-billion-parameter 視覺語言模型,在 OlmOCR-Bench 取得最高分,體積比此前表現最佳的模型小 9 倍。模型在 H100 GPU 上每秒處理 5.71 頁,並採用端到端架構處理複雜版面、多語言內容及科學記號。模型以 Apache 2.0 授權釋出,團隊亦公開訓練數據集及 LightOnOCR-bbox-bench 評測套件。

  18. DEV Community43

    NeurIPS 2024 前瞻:零樣本學習是個誤稱嗎?

    研究分析34個多模態模型後指出,所謂零樣本表現可能來自模型在預訓練期間接觸過相關概念,而非真正的泛化;概念在預訓練資料中出現的頻率,能有力預測模型表現。研究發現,概念頻率與零樣本表現呈對數線性關係,模型需要指數級增加訓練資料,才能取得線性表現提升。測試包含290個罕見概念的「Let it Wag!」數據集時,受測的50個CLIP模型表現均遜於ImageNet。

  19. DEV Community34

    NeurIPS 2024 前瞻:打造 SPIQA,回應現有科學 VQA 數據集的侷限

    SPIQA 是面向科學論文理解的大規模數據集,納入論文全文、圖表及相關説明文字,以支援多模態科學 VQA。數據集涵蓋超過 25,000 篇論文、150,000 張圖及 117,000 個表格。研究團隊結合 LLM 自動生成問題與專家人工篩選,89% 的 LLM 生成問題在人類評估者眼中與人工撰寫的問題難以區分。

  20. DEV Community29

    Guitoro:用鍵盤彈奏的虛擬結他

    Guitoro 是一款可用鍵盤彈奏的虛擬結他,在 Hacker News 排名第 11,獲得 562 分。文章以 Guitoro 為引子,介紹 Seven Sports 開發的 Meta Quest 應用程式 Amblyotube,如何把 YouTube 影片轉化為弱視人士的雙眼視覺協調訓練。應用程式以 VR 雙屏幕分別調整兩眼所見,並用 AI 辨識影片中的人物、加上視覺提示。

  21. DEV Community57

    Google Gemini 擴展互動 3D 與 XR 工作流

    Google 正把 Gemini 從文字問答延伸至互動視覺化、3D 模型及沉浸式工作流,Gemini app 的互動模擬正向全球用戶推出。這些模擬可讓用戶調整輸入並觀察模型變化,但 Google 早期發布資料指出,Education 和 Workspace 帳戶當時未能使用該功能。