跳到正文
10月26日週一
  1. HuggingFace Daily Papers(社區熱門論文)47

    Omni-InteractScope:評測連續全模態串流中的主動與智能體互動能力

    Omni-InteractScope 是一項評測 Omni-LLMs 在連續影音串流中互動可靠性的基準,涵蓋 1,479 個人工標註互動、1,790 個時間目標及八組任務。測試的 12 個模型中,工具調用的準時首答比例均不超過 40%,時間與工具聯合準確率最高為 32.0%;提醒召回率不超過 23.0%。9 個模型未能完整覆蓋任何一段指引序列。

  2. Hacker News 熱門(buzzing.cc 中文翻譯)58

    問世 10 年的 Inception v3 經微調後,在皮膚癌診斷測試中勝過 GPT-6 Astra 和 Claude Fable 5.1

    皮膚科醫生以 200 個經活檢確認的病灶測試三種模型,微調版 Inception v3 的診斷準確率為 62%,GPT-6 Astra 和 Claude Fable 5.1 均為 42%。Inception v3 首選或次選合計答對 173 例,兩個大語言模型分別答對 134 和 138 例。作者指出,測試只涵蓋 200 個病灶,CNN 亦非當前最先進模型。

  3. DEV Community58

    slothlens 以本機 Gemma 3 4B 整理截圖並建立提醒與搜尋索引

    slothlens 是作者打造的開源工具,透過 Ollama 在本機以 Gemma 3 4B 夜間逐張分析截圖,產生待辦事項、敏感資料提示及全文搜尋索引。以 16 張合成截圖測試,分類準確率為 14/16,4 張敏感截圖全數捕捉且沒有誤報,6 項植入秘密均未進入資料庫。測試機為 2 vCPUs、4 GB RAM 且沒有 GPU,平均每張處理需 4m16s;工具亦支援搜尋和可撤銷的檔案整理。

  4. DEV Community35

    NoticePilot:從通知到下一步

    CampusLens 是一款以 hosted Gemma 4 建構的 AI 大學通知助手,可讀取文字或圖片形式的通知,整理重點、待辦事項和截止日期。日期等需要精確處理的內容由程式碼處理;目前使用託管模型,尚未在大量學生中測試。

  5. DEV Community43

    開發者應瞭解的 10 個實用 LLM 應用場景

    開發者正把 LLM 用於自動化重複工作、構建智能應用、分析非結構化資料,以及建立可與實際系統互動的 AI agents。10 個實用場景包括程式編寫助手、文件 RAG 搜尋、自動化代碼審查與測試、自然語言轉 SQL、文件資料抽取、客戶支援自動化、多步驟工作流程及多語言本地化。要在正式環境可靠運作,須按場景選擇模型,並配合驗證、權限管理、測試及人工審核。

10月25日週日
  1. DEV Community38

    Namely:最懶惰的檔案命名方法

    Namely 使用開放權重模型 Gemma 4,為上載的檔案產生描述式、簡短及日期優先的三種檔名建議。用戶可複製建議名稱,或在瀏覽器下載已重新命名的檔案,原檔毋須傳回伺服器。Namely 透過 Gemini API 讀取檔案,資料會傳送至 Google。

  2. DEV Community22

    超越屏幕:具身 AI 如何將基礎模型帶進物理世界

    具身 AI 透過具備實體的智能體,將基礎模型帶進物理世界,結合多模態模型、空間運算與機械人技術,讓智能體感知環境、理解指令並執行動作。Vision-Language-Action(VLA)模型把視覺感知、控制與語言指令整合,協助機械人將任務推廣至陌生環境。實際部署仍受延遲與安全、硬件耐用度及能源密度等挑戰。

  3. IT之家48

    華為 HarmonyOS 7.0.0.111 更多「隱藏」新功能盤點:深色模式可隨日出日落切換等功能下放

    華為近兩日向 Mate 80 / 70 / 60、Pura 80 / 70 等系列推送 HarmonyOS 7.0.0.111,帶來多項更新日誌未有列出的功能。更多機型可設定深色模式隨日出日落切換,並自訂桌面下滑操作;新增的智慧場景服務支援建立個人、車輛及家庭自動化服務。相冊新增圖片塗鴉、貼紙及影片匯出動圖功能,部分機型的本地多模態基礎大模型亦有更新。

  4. 阿里雲開發者社區 AI39

    DeepSeek V4.1-Flash 限時內測教程:多模態 API 調用與客戶端配置

    DeepSeek V4.1-Flash 開啟限時內測,支援文字與圖片輸入,並沿用 V4-Flash 計費標準。內測模型上下文窗口為 100 萬 tokens、最大輸出 128000 tokens,單帳號最多支援 20 路並發請求。內測使用專屬臨時模型 ID,文章提供 curl、Python SDK 調用及桌面 AI 工具配置與故障排查方法,並提醒勿將臨時 ID 用於生產環境。

  5. DoNews44

    Microsoft Teams 將於 11 月中旬推出深度偽造檢測功能

    Microsoft Teams 桌面版、Mac 版及網頁版將於 2026 年 11 月中旬逐步推出深度偽造檢測功能。經認證的第三方工具可接入會議,實時掃描音訊及影片,識別 AI 生成的虛假媒體;Teams 會展示警告及操作選項。管理員須授權機器人使用 reportSyntheticMedia API 權限,結果會以 0.0–1.0 置信度評分及低、中、高風險等級呈現。

  6. IT之家47

    微軟 Teams 將允許第三方工具掃描會議內容,識別深度偽造

    微軟 Teams 將允許組織接入已認證的第三方工具,掃描會議中的音頻和視頻內容以檢測深度偽造。功能預計於 11 月中旬在 Teams 桌面版、Mac 版和網頁版逐步推出;Teams 會顯示警告彈窗及相關操作選項。檢測機器人須獲準加入通話並取得管理員授權,隨後可標記參會者並提供 0.0 至 1.0 的置信度評分及高、中、低判斷。

  7. DEV Community39

    Receipt Raccoon:以本機 AI 管理收據和保養資料

    Receipt Raccoon 是一款以本機為先的收據及保養資料管理工具,使用 Gemma 3 和 Ollama 擷取收據資料、以自然語言搜尋收據。收據資料及原始檔案儲存在瀏覽器的 IndexedDB,AI 功能在本機運行,毋須使用託管 AI API。管理功能包括保養期限追蹤、重複收據提示,以及備份與還原。

  8. DEV Community57

    Saara CLI 加入 Gemma 4 本機 OCR,讀取掃描 PDF 並支援 8 種訓練資料格式匯出

    開發者在 Hacktoberfest Hack Day 為開源資料集 CLI Saara 加入 Gemma 4 本機掃描 PDF OCR,並加入多格式匯出與按文件分組切分功能。本機模式透過 Ollama 將掃描頁面轉成文字,文件不會離開電腦;匯出涵蓋 8 種格式,分組切分則避免同一文件的頁面同時進入訓練集與測試集。

  9. DEV Community49

    如何用 Gemma 4 將塗鴉變成可玩的遊戲

    Scrawl 利用 Gemma 4 將手繪塗鴉轉成可玩的遊戲,按圖像內容生成平台遊戲、迷宮或賽車關卡。gemma-4-26b-a4b-it 透過 Gemini API,以一次多模態呼叫辨識圖像並提取物件位置,約需 10 秒;Scrawl 亦會補上缺漏,確保關卡可載入。用戶建立免費帳戶後可儲存及分享關卡。

  10. 阿里雲開發者社區 AI26

    AI 英語培訓智能體的開發技術

    AI 英語培訓智能體採用感知、大腦、行動三層架構,整合多模態輸入輸出、即時語音、教研知識檢索、長期記憶及多智能體協作。系統以教學狀態機規範教學流程,並設有主講教師、糾錯助教及評估測試智能體。開發流程涵蓋場景定義、文字對話驗證、語音與多模態整合,以及教研資料融合和系統優化。

  11. DEV Community63

    DSPy:告別提示詞工程,構建模組化、可優化的 AI 程式

    Kevin Madura 在分享中介紹 DSPy,示範如何以 Python 程式和模組化工作流構建 LLM 應用,並透過優化器迭代調整底層提示詞。內容涵蓋簽名、模組、工具、適配器、優化器和指標,並展示情感分類、PDF 分析、多模態處理及 ReAct Agent。分享亦指出,優化器可利用質素良好的 10-100 組輸入輸出對按指標改進程序,產生的模組可儲存或直接調用。

  12. DoNews30

    微光科技完成近億元人民幣 A 輪融資

    深圳微光電子科技有限公司於2026年10月完成近1億元人民幣A輪融資,由無錫市梁溪科技城創新投資有限公司領投,洪泰基金等跟投。微光科技專注多模態情境感知與Ego-XR技術,主打輕量化AR智能眼鏡,融資將用於產品研發及多模態數據平台建設。

  13. DEV Community34

    MediaMend:Hacktoberfest 開源 AI 挑戰第 3 週參賽作品

    MediaMend 是一款在本機運作的 AI 助理,用來標記模糊相片、黑畫面影片、無聲錄音、空檔案及重複檔案,供用戶逐項檢查。獲批檔案會移至回收區而非直接刪除,用戶可還原、封存或永久刪除;永久刪除須另行確認。工具以 OpenCV、FFmpeg 和 SHA-256 進行檢測,並使用本機視覺語言模型判斷標記相片是否值得保留。

  14. DEV Community60

    slothdesk 用本機 Gemma 4 整理下載資料夾,找出被遺忘的秘密

    開發者 Kunal 建立 slothdesk,讓本機 Gemma 4 整理下載資料夾、分類檔案並生成待辦摘要,也可辨識截圖中的秘密。工具透過 Ollama 在筆電運行,規則會鎖定機密檔案而不讓模型開啟;程式碼處理日期排序和重複檔案,Gemma 負責分類及挑選優先事項。作者以 69 個截圖檔案測試,掃描需時 7.8 分鐘,並發現一張檔名規則未能識別、顯示恢復資訊的截圖。

  15. DEV Community36

    MediaMend:本機 AI 媒體清理助理

    MediaMend 是一款在本機運行的 AI 助理,掃描資料夾並標記模糊相片、黑畫面、靜音錄音、空檔案及重複檔案,供用戶檢視。獲批准的檔案會移至 Bin 而非直接刪除,之後可還原、封存或永久刪除;永久刪除須另行確認。工具以 OpenCV、FFmpeg 和 SHA-256 檢查媒體,並使用本機視覺語言模型輔助判斷相片是否值得保留。

  16. DEV Community16

    視覺語言模型的運作方式與類型

    視覺語言模型(VLM)連結圖像等視覺資訊與文字,能根據圖像回答問題或作出描述。模型透過視覺編碼器提取圖像特徵,再由多模態連接部分結合視覺與語言資訊,交予語言模型生成回答。文中列出圖像轉文字、文字轉視覺及跨模態檢索三類模型。

  17. DEV Community17

    PSL Calculator

    PSL Calculator 是一款採用開放權重視覺模型及本機流程打造的互動網頁應用,讓用戶上載圖片並查看詳細評估結果。系統以 Python 處理即時狀態管理、提示詞編排及多智能體分析,並透過 Streamlit 提供介面和解析 HEIC 圖片;開放架構亦方便社羣審核、分支及擴展程式碼。

  18. HuggingFace Daily Papers(社區熱門論文)39

    AMBIT 以可執行計劃及自蒸餾 Transfusion 生成與編輯空間音訊

    AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。

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

    InteractiveWorld:用於構建更佳互動式 MLLM 助手的可驗證、以人為本環境

    InteractiveWorld提出可驗證的模擬環境及基準,用於評估多模態語言模型能否可靠地引導人類完成實體任務。研究推出的 InteractiveBench 涵蓋六個類別、共 120 項多輪任務。對 12 個前沿 MLLM 的測試顯示,Claude Fable 5.1 在長時程 Guidance 和 Planning 任務上的最高得分分別為 20% 和 25%。

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

    HuGe:以第一人稱視角經驗擴展人形通用視覺-語言-動作模型

    HuGe 利用第一人稱視角的人類及機械人數據,預訓練人形通用視覺-語言-動作模型,以支援全身人形機械人控制。模型使用超過 2,000 小時數據,並透過三階段訓練流程及模擬生成的偽本體感知狀態,完成預訓練與人形適配。HuGe 在 HumanoidArena 模擬基準取得最先進成績;Unitree G1 的真實環境實驗亦顯示,加入經視覺適配的第一人稱示範,可提升抓取及放置任務的成功率。