跳到正文
10月27日週二
  1. IT之家76

    OpenAI 發佈 GPT-6.1 Terra,主打低成本複雜電腦操作

    OpenAI 發佈 GPT-6.1 Terra,主打以較低成本完成複雜電腦操作任務,並提升事實準確性和編程能力。在 Agents’ Last Exam 中,採用中等推理強度時,Terra 得分較 GPT-5.6 Terra 高 15 個百分點,任務成本約為後者三分之一;在最高推理強度下,每項任務成本約為 Claude Opus 5.5 的九分之一。

    推薦理由:多項基準成績、成本與錯誤率對比,呈現 Terra 在桌面操作、視覺推理及編程任務上的表現及適用邊界。

  2. DEV Community50

    Trellis 2 六類輸入的 GLB 輸出品質評測

    Cleveland oil 以六類輸入測試 Trellis 2 的圖像轉 3D 表現,並按剪影、拓撲、材質及匯入 Unity 的情況評估 GLB。六次匯入均成功,生成需 1–3 分鐘;概念圖得 9/10,拼貼輸入得 4/10。作者認為實景參考照片和概念圖較適合遊戲道具製作,但單張圖像無法掌握物件背面,面向流動裝置的高密度網格亦需簡化。

  3. DEV Community57

    BJJ FLOW 如何從 Veo 轉向 Wan 2.2 動作遷移製作巴西柔術示範影片

    BJJ FLOW 開發者為巴西柔術訓練應用製作示範影片,先用 Veo 生成常見動作,遇到模型難以生成的地面動作後改用 Wan 2.2 動作遷移。開發者拍攝自己示範的動作,讓 Wan 2.2 將骨架和動作轉移到虛擬運動員,再以 OpenCV、MediaPipe 和 ffmpeg 穩定畫面、處理背景、調整速度及修補重複畫格。作者指出,部分動作影片仍不夠準確,改善準確度是後續工作重點。

  4. TNW79

    OpenAI 發佈 GPT-6.1 Terra,主打日常電腦工作及較低成本

    OpenAI 發佈 GPT-6.1 Terra,這款更快、成本更低的模型面向日常電腦工作,能理解螢幕內容、點擊、輸入及在應用程式間切換。模型即日起供 ChatGPT Plus、Pro、Enterprise 和 Edu 用戶使用,亦可在 Codex 使用;開發者每百萬個輸入 tokens 收費 $1,每百萬個輸出 tokens 收費 $5。

    推薦理由:文章把螢幕操作、圖像理解及多項成本和表現比較放在一起,並交代測試由 OpenAI 自行進行且未經獨立核實,呈現模型定位與數據來源限制。

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

    Venus-DefakerOne2:涵蓋更廣泛偽造形式與媒體類型的視覺鑑證基礎模型

    Venus-DefakerOne2 是一個統一的反偽造基礎模型,透過交替採用 LoRA 與全參數微調,以及基於熵的測試時適應,擴展對不同偽造形式和媒體類型的偵測能力。模型以數千萬個開源及內部樣本訓練,在六類基準測試取得 87.6% 至 96.7% 的表現,涵蓋 DeepFake 人臉、AI 生成圖像、遭篡改文件、自然圖像偽造、實體仿冒及 AI 生成影片。

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

    LOWN:以證書引導視覺路由,提升擴散視覺語言模型效率

    LOWN 在擴散視覺語言模型解碼時,按預測是否一致決定何時處理圖像,並以獲得證書的 token 數量決定每步解除遮罩的 token 數量。在十個基準測試中,無需訓練或調校閾值,LOwn 平均只用 35.3% 的解碼 FLOPs,便保留 LLaDA-V 99.6% 的評分。它亦適用於其他基於 LLaDA 的擴散視覺語言模型,並可與視覺 token 剪枝及 KV cache 配合。

  7. DEV Community28

    RecallAI 如何利用計算機視覺打造第二記憶

    RecallAI 是團隊在 Cal Hacks 13.0 開發的 AI 視覺記憶助手,結合電腦視覺、持久化儲存及 AI Agent,記錄物品何時、何地出現,讓用戶透過自然語言查詢最近一次觀察時間和歷史紀錄。系統以 YOLO 偵測物件、SQLite 儲存帶時間戳的觀察資料,並由 Claude 理解問題及檢索相關記憶;團隊亦探索在取得同意後記錄朋友聯絡情況。

  8. DEV Community24

    Epic Games「AI first」模式:VR 視覺復康的一面鏡子

    Epic Games 宣佈轉向「AI first」模式,文章以 Seven Sportz 開發的 AmblyoPunch 探討 AI 如何調節 VR 視覺復康訓練。遊戲以 Unity 2023.3+ 和 TensorFlow 建構,模型約有 1.2 M 參數,根據匿名化訓練數據預測難度調整幅度。團隊計劃加入聯邦學習,讓頭戴裝置在本機訓練小型 adapter,並只傳送加密後的參數變化。

10月26日週一
  1. DEV Community39

    Amblyotube:以 VR 將 YouTube 影片用作弱視視覺訓練

    Amblyotube(Seven Sports)在 Meta Quest 上以雙屏分視軟件,將 YouTube 影片用作弱視視覺訓練,毋須改裝硬件或另設訓練時段。功能包括可調式 Dominant Eye Shader,以及裝置端 AI 人物識別和 MFBF(Lazy Eye Sharpener);作者使用兩週後自述泊車時的深度感知有所改善,並指出這不是醫療器械,也不取代醫生。

  2. 阿里雲開發者社區 AI31

    如何處理圖片、文字及音訊多模態數據?MaxCompute 多模態數據處理實踐指南

    MaxCompute 透過原生多模態表、MaxFrame 和 Agentic 工具套件,提供多模態數據的統一儲存、分佈式特徵工程及標準化服務接口。實測處理 800 萬張傳感器圖片約需 22 分鐘,較自建集羣提速近 5 倍。這套方案面向 PB 級多模態數據處理,並支援 Agent 框架調用數據服務。

  3. The HKU Lead 港大新聞 · AI 研究及應用46

    港大商學院發佈生成式 AI 影片生成能力報告

    港大商學院人工智能評估實驗室發佈 AI 影片生成模型評測報告,評估超過十款模型的影片生成能力,以及識別和防範錯誤資訊等高風險內容的能力。Seedance 2.0 Pro 生成表現總排名第一,並在六個評估維度均居首;Hailuo-2.3 安全與責任評分最高,但生成能力總排名第九。

  4. 新浪科技40

    訊飛星火醫療大模型 V3.7 升級,AI 患者管理平台 3.0 發佈並啟動行業標準共建

    科大訊飛發佈訊飛星火醫療大模型 V3.7,並推出 AI 患者管理平台 3.0,啓動 AI 患者管理專家共識與標準體系共建。模型在 MedBench5.0 智能體評測中獲 99.6 分,平台已沉澱 160 餘條標準化專病管理路徑,覆蓋 30 餘個臨牀科室。AI 患者管理平台已落地全國 300 餘家醫院,累計管理超 50 萬人次。

  5. 阿里雲開發者社區 AI44

    2026年阿里雲雙11大促:大模型、Token Plan、AI建站及雲伺服器優惠匯總

    阿里雲2026年雙11推出涵蓋大模型、Token Plan、AI建站及雲資源的優惠,整理各板塊的價格、權益、計費方式與適用條件。大模型優惠包括Qwen3.8、Wan3.0等150餘款直供模型抵扣低至4.5折;Token Plan個人版79元/月起、團隊版150元/月起,並支援Qwen3.8-Max。萬小智3.0體驗版9.9元/月起,雲伺服器優惠由38元/年起。

  6. DoNews41

    研究人員提出 MMGR 基準,評估多模態模型的推理能力

    MMGR 是一項用於評估影片、圖像和語言系統生成式推理能力的基準,涵蓋抽象推理、具身導航和物理常識三大領域的 10 項任務。研究發現,模型的視覺質素與推理正確率之間存在明顯差距:影片模型在物理常識任務上表現最佳,但在符號任務及跨視角具身導航中能力較弱、穩定性較差。

  7. DEV Community27

    學習視覺語言模型(VLM):我的初步探索

    作者從基礎開始學習視覺語言模型(VLM),探討模型如何結合圖像與語言,以及電腦視覺、自然語言處理和 VLM 之間的關係。文章説明圖像編碼器、文字編碼器與嵌入向量,並以 Python、NumPy 和 Pillow 載入圖像、轉換為數值陣列及進行正規化,作為使用預訓練 VLM 前的實作步驟。

  8. 新浪科技61

    科大訊飛發佈星火X2.6、Agent OS及星辰TaaS

    科大訊飛在2026全球1024開發者節發布星火X2.6、Agent OS及星辰TaaS等成果,涵蓋模型、智能體協同和行業應用交付。星火X2.6的上下文窗口擴至百萬Tokens,並開源星火X2.6-4B端側模型;端雲路由準確率由81.2%提升至96.1%。Agent OS與APA構建企業級智能體協作和流程自動化體系,星辰TaaS則串聯模型能力、工具編排與行業解決方案。

  9. 阿里雲開發者社區 AI29

    通義千問 Qwen3.8-Max 詳解:多模態能力、智能體任務與程式碼調用教學

    通義千問 Qwen3.8-Max 是面向複雜專業任務的多模態 MoE 旗艦模型,總參數量為 2.4 萬億,推理時動態啟用 950 億參數,並支援百萬 Token 上下文窗口。模型具備工具調用、長週期任務規劃及程式碼工程能力,可透過百煉平台 API 調用,亦可使用開源權重私有部署。內容涵蓋模型架構、API 接入、部署方式、場景選型與調優策略。

  10. 阿里雲開發者社區 AI33

    2026 年阿里雲雙 11|通義千問 Qwen3.8-Flash 底層拆解與 API 調用落地教學

    Qwen3.8-Flash 底層拆解與 API 接入教學涵蓋模型架構、性能測評、雲端調用及本地部署。模型支援百萬 Token 上下文,採用 GDN+QSA 混合稀疏注意力,百萬上下文場景的文檔預填充速度提升 7 倍以上。開發者可透過雲端 API 調用,亦可下載開源權重在本地 GPU 部署。

  11. DEV Community43

    我有 5,000 張截圖,卻找不到想要的:我打造 SnapRecall,讓你按記憶搜尋截圖

    SnapRecall 是一款截圖搜尋工具,會在背景為截圖建立搜尋索引,讓用戶按記得的內容搜尋並找出相符圖片。它結合關鍵字搜尋與語義搜尋,支援 English、Hindi 和 Hinglish 查詢,並以 Gemma 讀取截圖、產生摘要、標籤、類型和可見文字。索引器每次處理一張圖片,並可暫停及恢復。

  12. DEV Community29

    UNREACHABLE:如果緊急車輛知道地址,卻無法抵達建築物,會怎樣?

    UNREACHABLE 是一個以 AI 支援的緊急通行能力分析平台,旨在結合街道層級證據與道路網絡分析,辨識可能阻礙緊急車輛抵達建築物的因素。平台涵蓋街道照片障礙物分析、車輛限制路線評估及瓶頸影響模擬;AI 得出的觀察結果須經人工核實,平台用於輔助現有地圖及緊急應變系統,而非取代相關人員。

  13. HuggingFace Daily Papers(社區熱門論文)49

    Co-Design Bench:面向智能體模型的多模態協作編碼評測

    Co-Design Bench 以真實用戶修改現有應用程式的請求,評測智能體模型理解多模態輸入並完成協作編碼的能力。基準包含 273 項任務及 2,331 項驗收準則,涵蓋多模態編輯和程式碼庫編輯。10 個模型端點中,gpt-6-astra 平均每項任務通過 69.9% 的準則,但僅 26.4% 的任務完全達標;Qwen3.8-27B 整體完全達標率為 64.4%。

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

    細粒度信用分配何時有助、何時有害:以影片剪輯探討多模態智能體強化學習

    研究發現,細粒度過程獎勵可改善多模態智能體的長時程影片剪輯任務,但固定權重會在較短任務中引發獎勵作弊。在平均超過 60 turns 的 Fine Cut 任務中,衰減過程獎勵權重較 outcome-only GRPO 相對提升 45.4%;三類平均 30–40 turns 的任務,提升最多為 10.4%。

  15. HuggingFace Daily Papers(社區熱門論文)37

    GeoUG 如何透過生成提升空間理解與推理

    GeoUG 結合深度圖與多視角生成,並在推理時自適應地生成幾何證據,以提升空間推理能力。在 CV-Bench-3D、3DCueBench 和 DA-2K 上,其準確率分別為 97.9%、90.8% 和 94.2%。相比每次都生成幾何證據,GeoUG 使用的生成呼叫次數更少。

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

    SOMA:評測細粒度第一人稱行為與身體動作理解的基準

    SOMA 是評測多模態模型細粒度第一人稱身體動作推理能力的基準,涵蓋 1,632 條經人工核驗的問題及身體姿勢、動作動態和時間推理三個能力面向。研究評估 37 個多模態模型,最強的 Qwen3.6-27B 零樣本準確率為 50.0%,低於人類的 68.5%。研究亦提供訓練數據集及多模態基線,以支援相關研究。