跳到正文
10月28日週三
  1. 新浪科技67

    Google DeepMind 推出 Genie 4 研究預覽版,首次實現音訊與影片同步生成

    Google DeepMind 推出世界模型 Genie 4 研究預覽版,可生成高擬真、可互動的虛擬世界,並同步生成音訊與影片,連貫畫面最長維持兩分鐘。目前模型僅開放予受信任測試者,計劃未來幾週透過 Project Genie 向 Google AI Ultra 訂閲用戶及 Gemini API、AI Studio 的早期存取合作夥伴提供。

  2. 阿里雲開發者社區 AI57

    阿里雲 Token Plan 以 Credits 統一計量,設個人四檔及團隊三檔方案

    阿里雲 Token Plan 是千問 AI 平台推出的模型訂閲服務,以 Credits 統一計量,涵蓋多模態模型與聯網搜尋、程式碼解譯器等工具。個人版分 Lite、Essential、Standard、Pro 四檔,團隊版設標準、高級、尊享三檔席位,並支援席位管理及用量分析;Standard 與 Pro 附送獨立核算的 Harness 權益。

  3. 阿里雲開發者社區 AI31

    2026年AIGEO從流量到可信度的演進趨勢

    2026年,AIGEO的競爭焦點正從提高品牌在AI答案中的曝光,轉向建立可持續核驗、令品牌被穩定採信的可信度體系。文章將演進分為2023—2024年的流量鋪量期、2025年的機制顯性期,以及2026年起的可信度工程期,並提出實體一致性、信源可核驗性和跨模型穩定性三項觀測維度。企業可透過統一品牌事實、監測多模型回答及交叉核驗信源,持續管理品牌資訊。

  4. DEV Community74

    Google DeepMind 宣佈 Genie 4,可即時生成並操控帶音訊的互動世界

    Google DeepMind 宣佈 Genie 4,這款新世界模型可由文字提示詞或圖片即時生成可探索、照片級寫實的互動世界。它會同步生成音樂、環境聲和互動對話,連貫場景最長約兩分鐘,是 Genie 3 60 秒上限的兩倍;用戶亦可在模擬進行期間以自然語言更改天氣、移動鏡頭或加入人物和物件。

  5. 阿里雲開發者社區 AI45

    2026 阿里雲雙 11 特輯|通義千問 Qwen3.8-Flash 核心技術解析與 API 接入實戰指南

    Qwen3.8-Flash 原生支援 100 萬 Token 上下文,文章解析其 GDN+QSA 混合稀疏注意力、四分支門控殘差結構及 API 接入方式。模型每次推理僅啟用 6B 參數,文檔預填充速度提升 7 倍以上,並兼容 OpenAI 與 Anthropic 協議。文章亦列出按量計費及 Token Plan 價格。

  6. 新浪科技70

    Google 發佈世界模型 Genie 4,最長模擬約 2 分鐘並首次原生同步生成音影片

    Google 發佈新一代世界模型 Genie 4,最長連續模擬時間增至約 2 分鐘,為前代 Genie 3 的兩倍,並首次原生同步生成音影片。用戶可在模擬期間以自然語言即時調整場景,指令無需重新生成便會生效。目前 Genie 4 以研究預覽形式向少量經篩選的測試者開放;長時間模擬仍有物體漂移,複雜物理互動及場景長期一致性問題尚未解決。

  7. IT之家70

    皮查伊稱 Genie 4 為 Google 迄今最逼真、最具互動性的 AI 世界模型

    Google DeepMind 推出 Genie 4 世界模型,Sundar Pichai 稱其為 Google 迄今最逼真、最具互動性的世界模型。用戶可用自然語言即時改變天氣、鏡頭及場景中的角色或物件,模型亦可在同一過程中同步生成音畫。目前 Genie 4 僅以研究預覽形式向「受信任測試者」開放;長時間模擬的細節漂移、音訊準確性和畫面內文字可讀性仍未完全解決。

  8. DoNews55

    Google DeepMind 發佈新一代世界模型 Genie 4,可生成 120 秒內容

    Google DeepMind 發佈新一代世界模型 Genie 4,單次模擬時長由約一分鐘延至 120 秒,並升級真實感、物理模擬和互動能力。Google 將 Gemini 引入世界模擬,由大語言模型規劃行動、Genie 4 即時生成環境。用戶可透過文字生成可探索的虛擬世界,並在運行期間輸入提示詞改變場景,亦可聽到與世界同步生成的原生音訊。

  9. DoNews50

    研究提出 Visual Harness 視覺框架,提升多模態模型組合泛化能力

    Prime Intellect RL Residency 的研究提出 Visual Harness,透過裁剪、縮放及測量圖像,把複雜視覺問題拆解為子任務,拓展模型可解問題的範圍。GPT‑6 Luna 在 xhigh 推理檔位啟用框架後,Pass@1 由 57.1% 升至 63.5%,Pass@8 由 75.4% 升至 82.4%。研究亦指出,部分題目仍難以在多次嘗試中穩定答對。

  10. 新浪科技58

    Google DeepMind 發佈 Genie 4,可即時生成並操控互動世界

    Google DeepMind 發佈世界模型 Genie 4,支援即時生成動態環境,並讓用戶以鍵盤控制角色或鏡頭、以自然語言修改場景。模型亦可同步生成環境音、音樂及人物對話,Gemini 負責理解任務、規劃事件並引導模擬。目前 Genie 4 以研究預覽形式向部分受信任測試者開放;Google 指出,長時間互動中的場景一致性及複雜物理、音訊等仍需改進。

  11. DEV Community63

    Genie 4:原生音訊、約兩分鐘連貫性與一處公告錯字

    Dishant Sharma 評析 Google 公佈的 Genie 4 研究預覽,聚焦原生音訊、約兩分鐘的場景連貫性及公告中的措辭錯字。公告提及環境聲、音樂與對話同步生成,並先向可信測試者開放;官方文章只寫「短時段」,約兩分鐘數字來自簡報。文章指出,Gemini Omni 與 Gemini 3.8 Flash 分工處理模擬與規劃,但場景漂移、音訊錯配和物理錯誤限制其作為機械人訓練環境的適用性。

  12. 新浪科技66

    Google DeepMind 發佈世界模型 Genie 4,單次模擬可維持約兩分鐘

    Google DeepMind 發佈新一代世界模型 Genie 4,單次模擬時長約兩分鐘,並可即時生成音訊及可探索的互動場景。Gemini 負責觀察場景、拆解任務和規劃行動,Genie 4 則即時生成虛擬環境;用戶可在運行期間透過提示詞改變場景。Genie 4 現向部分受邀測試者提供研究預覽,模擬時長、場景一致性及音訊準確性仍有限制。

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

    音樂音訊生成模型教程

    這篇專著梳理音樂音訊生成的神經網絡方法,涵蓋神經音訊編解碼器、自回歸與擴散模型、流匹配及偏好最佳化。內容亦探討器樂、歌曲、音訊編輯與即時伴奏的模型設計、評估方法,以及數據來源、模型記憶、著作權歸屬和法律爭議。

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

    IntReal:面向多模態交錯生成的真實世界數據集與評測基準

    IntReal 提出面向真實世界多模態交錯生成的數據集與評測框架,用於診斷統一多模態模型的能力並改善生成效果。框架包括涵蓋四大類別的 IntReal-100K,以及按七個維度評估模型的 IntReal Evaluation Suite;評測與人類判斷的一致準確率為 83.3%。實驗顯示,使用 IntReal-100K 訓練可改善交錯生成,單模態生成訓練亦可帶來效益。

  15. HuggingFace Daily Papers(社區熱門論文)41

    A-RSI:以自適應任務刷新實現零數據多模態自我改進

    A-RSI 按學習訊號下降情況刷新訓練任務,提升零數據多模態遞迴自我改進的基準表現,無需外部標籤。在主要的 11 項基準測試中,使用 800 個新任務後,平均表現由 57.77 升至 61.05。新任務由模型撰寫的程式生成多模態問題,並產生可獨立核驗的答案。

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

    AskStream:串流影片理解中何時提問、提問甚麼

    AskStream 是一個研究串流影片理解中何時及應提問甚麼的多輪基準測試,涵蓋影片及用戶的不確定性。基準包含 438 段影片、2,714 個人工標註的影格級時間窗口,分為等待、提問及回答三類,設有四個任務類別和八個子任務。即使最強模型在 Ask-F1 指標上的得分也只有 52.18%,顯示模型在不確定情況下主動尋找資訊仍有侷限。

  17. DEV Community21

    AMBIT 如何將音效設計轉化為程式碼,並縮短 70% VR 製作時間

    AMBIT 透過可執行的 ScenePlans 將空間音效設計轉化為程式化編輯,令 VR 製作迭代時間縮短約 70%。創作者可用 JSON 描述音效變更,系統在單張 A100 GPU 上平均約 28 ms 生成更新後的 FOA 混音。其自蒸餾流程以 500 k 分鐘標註音訊達到 SI-SNR = 22.1 dB,並減少約 95% 標註數據需求;Beta API 已上線。

  18. Hugging Face Blog66

    用 LFM3 構建專用多模態模型

    Liquid AI 發佈 LFM3 新一代模型系列,以共享骨幹涵蓋文字、視覺、音訊、全模態及決策模型。LFM3-1.7B 以少 35% 參數超越 LFM2.5-2.6B;文字模型的上下文窗口為 256K,所有模型均可在單張 GPU 微調。LFM3 全系列採開放權重,現已在 Hugging Face 提供。

    推薦理由:LFM3 將文字、視覺、音訊與決策模型建基於同一骨幹,並支援單張 GPU 微調及端側部署,呈現小型模型按任務專門化的實作路徑。

  19. Ars Technica · AI39

    DeepMind 公佈 Genie 4 世界模型,主打更真實的物理效果與人類

    Google DeepMind 公佈 Genie 4 世界模型,稱新模型幾乎各方面都較 Genie 3 有所改進,並能呈現更真實的物理效果與人類。模型會按提示詞即時逐格生成虛擬世界,供用戶探索,無須預先渲染環境或編寫互動元素。DeepMind 表示,這項技術可建立機械人訓練環境,亦可用於創意領域的快速原型製作。

  20. AWS Machine Learning Blog67

    Property Finder 如何修正 Amazon Bedrock 評測偏差並降低模型成本

    Property Finder 評估將視覺 AI 工作負載遷移至 Amazon Bedrock 時,發現 96.8% 的評測標籤直接沿用單一模型預測,因而重新建立專家標註的評測集。

    推薦理由:文章以房地產影像分類案例,説明專家標註、多標籤設計和逐輪提示詞優化如何減少評測偏差,並讓不同模型的比較更貼近實際正確性。

  21. The Verge · AI55

    Google 發佈 Genie 4 世界模型,生成更逼真的互動體驗

    Google 發佈 Genie 4 世界模型,用於生成更逼真的互動體驗,並加入即時提示詞修改及音訊生成等更新。它可生成約兩分鐘的體驗,較 Genie 3 的一分鐘為長,並使用 Gemini 3.8 Flash 協助模擬。Google 已開放等候名單,用戶可申請在 Project Genie 試用;Genie 4 將很快提供予 Google AI Ultra 訂閲用戶。

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

    Genie 4 向受信任測試者推出研究預覽,主打即時互動世界模擬

    Genie 4 已向受信任測試者推出研究預覽,支援即時互動世界模擬,並可原生生成音訊及互動對話。Gemini 3.8 Flash 在模擬中持續觀察場景、拆解目標並追蹤步驟進度,協助模擬複雜的多步事件。預覽將很快擴展至 Project Genie 的 Google AI Ultra 訂戶,以及 Gemini API 和 Google AI Studio 的早期存取合作夥伴。