跳到正文
10月29日週四
  1. HuggingFace Daily Papers(社區熱門論文)47

    視覺語言模型在哪些 3D 推理任務上失敗?

    BedBench 顯示,視覺語言模型難以準確計算 3D 物件各顏色的數量,並在回答中一致地運用這些計數。基準涵蓋 13 項任務;人類準確率為 93.3%,最佳模型為 7.2%。針對性微調令一個模型的準確率由 3.0% 升至 68.6%,但其答案仍與自身計數不一致;程式碼和數據集已公開。

  2. DEV Community43

    畫面中的鬼影:我用 2001 年的機械人視覺技巧對比兩款本機視覺模型

    作者重寫 2001 年的機械人視覺方法,並與兩款本機視覺模型比較,傳統方法在測試中更準、更快。Intel N100 上的 72 個影格測試中,加入中值濾波和迴音消除器的方法平均誤差為 0.1 px,每個影格需時 37.5 ms;Qwen2.5-VL 3B 在 37 個完整回覆影格上的誤差為 1.3 px,每個影格需時 146 s,Gemma 3 4B 的誤差則為 177.8 px。

  3. DEV Community49

    為甚麼 OCR 會辨認出錯誤文字,而不是回報錯誤

    OCR 文字辨認器以分類器為每個字元選出最可能的結果,不會表示「不確定」,因此即使認錯,輸出仍可能像通順的句子。辨認準確度主要受文字像素高度影響;縮小圖片會流失細節,較有效的做法是以較大尺寸重新截圖或先放大原圖。InSnap 的本機辨認支援中文、英文及拉丁字母語言,但不可靠地辨認日文假名、韓文或俄文。

10月28日週三
  1. HuggingFace Daily Papers(社區熱門論文)61

    EmbeddingGemma 2 提出統一且高效的多模態表示

    EmbeddingGemma 2 是一款開放的多模態嵌入模型,在統一空間表示文字、圖像、音訊、影片及其組合。在涵蓋各模態的嵌入基準中,模型建立新的 Pareto frontier,表現勝過專用模型及大 2 至 12 倍的模型。模型亦支援選擇性載入模態編碼器、調整 vision token 預算、截短嵌入維度及量化權重,以配合資源受限環境。

  2. DEV Community61

    ChatGPT、Gemini 和 Claude 掃描表格轉 Excel 評測

    ChatGPT、Gemini 和 Claude 在收據、財務報表及兩頁美國製造業普查表的掃描轉 Excel 測試中,儲存格準確度得分介乎 9.33/10 至 10/10。各文件類型的最高分不同,評分只衡量預先選定儲存格的抽取準確度;測試仍發現漏值、小數錯誤及代碼替換。文章建議對照原件、核對欄列並重算總數,按資料的重要程度驗證活頁簿。

  3. 新浪科技47

    NeurIPS 2026 Oral|NV-CoT 用連續座標重構視覺思維鏈,提升圖像定位與回答準確率

    南洋理工大學、中國科學技術大學、新加坡國立大學與微軟研究院的研究者提出 NV-CoT,以連續數值座標選取圖像區域,並獲 NeurIPS 2026 Oral(Top 0.4%)。在 Vis-CoT-363K 驗證集上,定位 IoU 由 47.3 升至 59.5;在 V* Bench、HR-Bench 4K 和 HR-Bench 8K 上,SFT 與 RL 路線均有提升。

  4. Unite.AI23

    甚麼是視覺-語言-動作模型?通用機械人的基礎

    視覺-語言-動作模型將視覺感知和語言指令轉化為具身系統的實體動作序列,是通用機械人的基礎。這份指南以五個可觀察階段説明其運作:透過相機和感測器觀察場景、理解指令和相關物件、以聯合模型表示任務、生成低層或分段動作,以及觀察結果並作出修正。它亦指出,這類模型不同於為單一固定任務編寫的機械人控制器。

  5. 雷鋒網45

    張長青談廣義多模態融合:以可信度量尺應對模態缺失與噪聲幹擾

    天津大學張長青在 CNCC 2026 介紹團隊的廣義多模態融合研究,涵蓋保留模態特有資訊、以證據評估預測不確定性,以及探索通用多模態預測基座 Fusion Anything Model(FAM)。論文評估中,FAM 在18個真實數據集、12種模態和11類預測任務上測試,平均準確率較所比較的專用融合基線提高約6.9個百分點。FAM 可利用上下文樣例適應新任務,無需額外更新模型參數。

  6. 新浪科技48

    蘋果爆料的新品,中國央企早 8 個月已做出

    中國電信 TeleAI 團隊研發的「TeleAI 隱私攝像頭」,比蘋果代號 J450 的家用攝像頭消息早 8 個月推出。它不拍攝人臉、不儲存圖片或傳輸原始畫面,而是透過智傳網(AI Flow)傳送詞元流,識別霸凌、違規吸煙和老人跌倒等風險。後續產品將搭配雲端管理平台,形成「TeleAI 智慧看護助手」,供校園、養老、園區及醫療等場景使用。

  7. HuggingFace Daily Papers(社區熱門論文)45

    Zooming without Zooming v2:EvidenceConnect 如何提升可泛化的多模態感知

    EvidenceConnect 透過合成訓練數據,強化模型連結視覺證據的能力,改善空間感知及多模態推理。研究者以該框架生成數據訓練基礎 VLM,取得 Zooming without Zooming v2(ZwZ2),並在細粒度與空間感知等任務上取得提升。驗證方法包括要求獨立 VLM 對參考答案達成一致,以及以區域消融測試剔除不合格問題。

  8. MarkTechPost68

    Google DeepMind 發佈 Genie 4 即時世界模型研究預覽,支援原生音訊

    Google DeepMind 已向受邀測試者提供 Genie 4 研究預覽,這款即時世界模型可根據文字和圖像提示生成可探索環境。它同時生成環境聲、音樂及角色對話,Gemini 3.8 Flash 則在模擬循環中規劃步驟、檢查畫面並修訂計劃。互動每次僅持續數分鐘,複雜提示詞編輯後可能出現物件漂移;Google DeepMind 未公開參數、解像度、幀率或基準測試數據。

  9. 阿里雲開發者社區 AI21

    AR 眼鏡應用於電力巡檢:為甚麼最後一趟仍要靠人走?

    電力巡檢 AR 眼鏡以 50 克輕量化設計,針對巡檢中仍需人員走近設備的「最後幾米」難題。AI 可識別指針、狀態、指示燈及矩陣表計,支援安全距離讀表;離線語音、物理按鍵和觸控板讓人員雙手無需離開作業面。MicroLED 高亮屏適應正午強光,遠程專家協同則可縮短故障響應時間。

  10. HuggingFace Daily Papers(社區熱門論文)46

    離散 token 能否成為視覺訊號語義上無損的表徵?

    Factorized Vector Quantization 以互補特徵視圖的對稱平行碼本改善離散視覺 token,令其在多模態理解上達到連續視覺表徵的水平。模型在九項指標的平均表現較 UniAR 高 22.8%,較 Emu3-Chat 高 59.2%。它亦能媲美 Qwen3-VL 等連續表徵模型,包括在細粒度 OCR 任務上的表現。

  11. 小眾軟件54

    Google DeepMind 發佈 Genie 4,可即時生成可互動的虛擬世界

    Google DeepMind 發佈 Genie 4,這款 AI 模型可即時生成讓用戶進入並探索的虛擬世界。用戶可在場景中行走、轉向,並以提示詞改變天氣、加入人物或動物;模型亦可即時生成聲音及物理效果。目前 Genie 4 只向少量測試者開放,虛擬世界只能持續互動數分鐘,時間較長可能出現物體漂移或物理效果異常。

  12. HuggingFace Daily Papers(社區熱門論文)48

    VibeVideoBench:評測多模態智能體以程式碼生成影片的表現

    VibeVideoBench 評測以程式碼生成影片的多模態智能體;在 239 項任務、九個前沿智能體系統及 2,151 次評分執行中,GPT-6 Astra 和 Claude Opus 5.5 分列第一、第二。最強系統在 76.3% 的任務中滿足所有核心要求,但交付影片仍是主要挑戰,四分之三未交付的影片因最終渲染開始太遲、速度太慢或未能開始。

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

    PDRVLA:具備物理動力學表徵的視覺-語言-動作模型

    PDRVLA透過輕量級物理動力學模組,利用世界模型監督預測未來視覺特徵,改善機械人動作生成,並避免在線生成影片造成的延遲。在四項模擬基準測試中,PDRVLA於LIBERO、LIBERO-Plus、RoboTwin 2.0及SimplerEnv的成功率分別為99.3%、89.9%、93.6%及81.5%。訓練完全使用公開數據,並透過人類到機械人的合成、子任務標註及具身鏈式推理標註擴充。

  14. DEV Community48

    Sovereign Bodies:身體化為數據的蜕變

    Sovereign Bodies 是一個互動裝置,透過本地 AI 智能體把舞動的身體轉化成影片,所有處理都在同一部機器上完成,資料不會傳送至雲端或外部伺服器。裝置以 MediaPipe、ViViT 和本地 LLM 分析動作,再由智能體指揮影片後製;開放原始碼,並獲選參展 CVPR Art Gallery 2026。

  15. MIT News30

    Paris Smaragdis 致力打造能聆聽的機器

    MIT 教授 Paris Smaragdis 致力運用機器學習,讓機器更有效地聆聽和理解聲音,並期望超越人類的聽覺能力。他的研究涵蓋聲源分離、擴展人類聽覺環境的智能裝置,以及協助理解、處理、分析和創作音樂的工具。

  16. EJ Tech 信報科技 · AI47

    私隱署發智能眼鏡使用指引,提醒留意偷拍風險

    個人資料私隱專員公署發布《智能眼鏡:保障個人資料私隱貼士》,提醒智能眼鏡收集的資料可能經 AI 分析,並涉及敏感個人資料收集及與供應商分享資料等私隱風險。指引建議使用前閲讀私隱政策、採用嚴格保安設定,並提醒拍攝前通知對方,避免在有合理私隱期望的地方使用或啟動攝錄功能。

  17. 第一財經69

    Google 發佈 Genie 4,「一句話生成世界」更近一步

    Google 發佈新一代世界模型 Genie 4,可即時生成可探索的動態 3D 世界,並同步生成音樂、環境音及互動對話。用戶可用自然語言修改場景;Gemini 3.8 Flash 會觀察畫面、拆解目標,並因應世界變化或用戶介入調整計劃。Genie 4 目前僅以研究預覽形式向受信任測試者開放,長時間模擬中的視覺細節和物件持續存在狀態仍可能改變或偏移,複雜物理互動亦仍待解決。

  18. HuggingFace Daily Papers(社區熱門論文)36

    CodeCap-Bench:程式碼能否成為出色的影片描述?

    CodeCap-Bench 評估多模態大語言模型以程式碼描述影片的能力,涵蓋 323 段影片、五類結構化 2D 內容,並採用細緻標註及多層次評估框架。研究發現,程式碼描述在下游問答的推理準確度和影片重建保真度方面優於自然語言描述;領先的閉源模型雖展現潛力,仍難以忠實捕捉複雜時間動態,開源模型則明顯落後。

  19. 阿里雲開發者社區 AI32

    AI 搜尋中的品牌提及從何而來?語料來源解析

    豆包、DeepSeek、文心一言等 AI 搜尋中的品牌提及,主要取決於模型可召回及核驗的公開語料,官方網站與權威媒體的交叉印證是主要信源。百科、問答、參數頁及短影片等結構化或多模態內容則作補充;來源口徑不一致或低質重複內容,可能降低採信度。文章建議統一官方資訊、補充可核驗的第三方背書,並持續監測品牌資訊。

  20. HuggingFace Daily Papers(社區熱門論文)40

    Nemotron-Labs-Diffusion-Uni:具彈性自我精煉與跨範式策略上蒸餾的統一擴散大語言模型

    Nemotron-Labs-Diffusion-Uni(NLD-Uni)是一款結合視覺理解與生成的統一離散擴散大語言模型,採用跨範式策略上蒸餾及漸進式自我精煉擴散。在視覺問答、多模態推理、物件定位、文字生成圖像及圖像編輯等多種任務上,NLD-Uni 在統一擴散大語言模型中達到最先進表現。

  21. HuggingFace Daily Papers(社區熱門論文)51

    Hy-Nomas 探索自由形式互動世界生成

    Hy-Nomas 是一個採用 8B 擴散骨幹的影片世界模型,支援多輪自由形式文字指令及連續鏡頭控制,並保留互動歷史。模型按當前輸入與快取歷史生成可變長度片段,並以結構化影片描述、動作感知因果注意力及視覺語言 Prompt Enhancer(PE)形成下一片段的條件。