Apple TV 將於 F1 美國大獎賽首度提供杜比全景聲直播
Apple 宣佈,Apple TV 美國區 F1 轉播將自美國大獎賽起首次支援杜比全景聲直播。2026年10月23日至25日舉行的賽事中,車隊無線電、引擎聲、解説及維修區音效將配合杜比視界畫面呈現;此功能須使用兼容的蘋果設備或支援杜比技術的電視或音響系統。
Apple 宣佈,Apple TV 美國區 F1 轉播將自美國大獎賽起首次支援杜比全景聲直播。2026年10月23日至25日舉行的賽事中,車隊無線電、引擎聲、解説及維修區音效將配合杜比視界畫面呈現;此功能須使用兼容的蘋果設備或支援杜比技術的電視或音響系統。
Oka 公佈蘑菇造型 AI 伴侶 Mori,裝置會以鏡頭和感應器感知周遭並作出互動回應,也可收起鏡頭成為彩燈。Oka 表示,影像和音訊會在裝置上處理後丟棄;用於辨認熟悉面孔的資料不會上傳。Mori 售價由 founder edition 的 $649 至標準版的 $849,並附送兩年訂閲。
Diffusion Transformers(DiTs)在擴散式生成流程中使用 Transformer 主幹網絡,以可擴展的注意力機制處理帶噪的圖像、影片或潛在 token。指南按媒體編碼、加噪、條件輸入、預測及解碼五個階段説明其運作,並將其與卷積式 U-Net 擴散模型區分。
訊飛星火醫療大模型V3.7升級發布,在上海人工智能實驗室最新發布的MedBench5.0智能體評測中以99.6分登頂。病歷書寫場景下,端到端生成合理率提升至85%;訊飛曉醫新增中醫多模態問診及健康檔案動態記憶管理服務。
無錫微光科技宣佈完成近億元人民幣 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。公司專注 AI 垂域智能體與 AR 融合技術,主推面向文檔閲讀及讀書人羣的智能 AR 眼鏡。融資將用於核心技術研發、量產落地及團隊擴充。
Hugging Face 發佈開源多模態 AI 模型 Carbon-X,模型有 14B 參數,讓用戶可透過自然語言查詢 DNA 序列。Carbon-X 使用 300B tokens 訓練。
LlamaIndex 發佈 OCRia-1,這是一個參數量為 4 billion 的視覺語言模型,在 ParseBench 的整體文件解析評分為 87.4,較次高模型高 12.1 分。
10月22日,米哈遊崩壞 AI 研發團隊聯同清華大學、北京大學等機構,開源 GameScaling 系列遊戲智能體模型。系列涵蓋 0.8B 至 27B 共 8 個參數規模版本,基於 Qwen3.5 視覺語言模型持續預訓練,並使用 1600 小時鍵盤滑鼠操作遊戲數據。
網易雲音樂智慧耳音樂評價模型 CloudEar 在 MIREX2026 音樂評價賽道以 73.9% 準確率奪冠,創下該賽道世界最高紀錄。其準確率較官方基線 CMI-RM Baseline 高 8 個百分點,亦高於 SongEval 的 72.7%。CloudEar 已在網易雲音樂產品中應用,支援 AI 音樂質量把控、內容分發及後續生成模型優化。
RealMe 以影片擴散模型將稀疏、低解像度的多視角拍攝素材提升為高解像度(2K)、具 4D 一致性的體積影片。框架採用配合拍攝佈局的注意力機制,並以潛在空間的頻率損失提供監督。在 DNA-Rendering benchmark 和 RealVV 數據集上的實驗顯示,RealMe 在視覺保真度和 4D 一致性方面優於現有最先進方法。
網易雲音樂智慧耳(CloudEar)在 MIREX 2026 的音樂評價賽道以 73.9% 準確率奪冠,創下該賽道世界最高紀錄。其準確率高於官方基線模型 CMI-RM Baseline 的 65.9%,亦超越開源學術基線 SongEval 的 72.7%。
Dify.AI v0.3.29 加入 GPT-4 Turbo 與 Vision 模型支援,GPT-4 Turbo 提供 128K 上下文,並支援以多張圖片進行認知。版本亦加入外部資料 API 工具,可連接內部及外部資料來源,並新增敏感內容審核功能,支援 OpenAI moderation、自訂敏感詞篩選及 API 擴展。
Dify.AI v0.3.30 帶來 GPT4-Vision 多模態模型。原文未提供該版本的功能細節或其他技術數據。
Dify 發佈 v0.10.0,為 Workflow 加入檔案上載功能,支援文件、音訊和影片,並將圖片上載整合至檔案上載功能。新版本加入 Doc Extractor 和 List Operation 節點,示範流程以文件擷取、LLM 節點及音訊生成工具製作可下載的 AI 播客。
Dify 示範結合 DeepSeek R1 的推理能力與 Gemini 的視覺能力,建立多模態問答工作流。Dify v0.10.0 支援檔案上載,配合文件提取器將檔案轉為文字;文章亦介紹以 beta Plugin 功能將應用程式封裝為 OpenAI 格式 API。
Dify 正式推出 v1.0.0,將模型和工具遷移至插件架構,並推出 Dify Marketplace。新架構讓插件可獨立於核心平台更新;Agent 節點配合 Agent Strategy 插件,為工作流和 Chatflow 提供 ReAct、Function Calling 等策略。
DupDub 的音訊 AI 插件現已登上 Dify Marketplace,提供語音轉錄、聲音複製、講者識別及文字轉語音功能。用戶可在 Dify 的視覺化工作流程中編排這些工具,處理音訊相關任務。
Dify 知識庫自 v1.11.0 起支援多模態檢索,可在 Workflow 應用中共同理解、檢索和使用文字與圖片。系統將圖片和文字放入統一語義空間,支援 Image-to-Text、Text-to-Image 和 Image-to-Image 檢索,並可從 Markdown 連結提取 JPG、PNG、GIF 圖片,大小上限為 2MB。
MAXHUB在新品媒體品鑒會上發布新一代專業視像會議終端、面向不同會議空間的分體式方案及全向麥產品。新一代終端配備16陣列天籟陣列麥克風、2.2聲道50W擴音能力、雙向AI降噪及2億像素四攝三焦段方案,並支援主流平台接入、設備管理和安全管控。
Hark 宣佈完成逾 $700 million 的 A 輪融資,投後估值為 $6 billion。融資由 Parkway Venture Capital 領投;Hark 團隊已增至約 70 人,並將在新的 NVIDIA B200 數據中心訓練下一代模型。Hark 表示,AI 平台將於今夏推出,模型具備智能體及多模態能力;下一代硬件則將從設計之初以 AI 原生為目標,並整合 Hark 的基礎模型。
Hark 宣佈與 NVIDIA 展開多年策略合作,透過深度技術協作及吉瓦級運算能力,推進個人化智能體 AI。合作將採用新一代 NVIDIA Vera Rubin 平台;Hark 計劃於夏季結束前向公眾推出平台。NVIDIA 基建亦支援 Hark Handoff、平台推出時的分散式推理,以及未來基礎模型的訓練。
比亞迪發布汽車行業首個 AI 超級智能體「迪迪蝦」,並陸續向旗下多款車型推送。迪迪蝦基於璇璣架構 2.0,透過端雲協同及多模態感知、工具、技能、記憶四大系統,支援多場景辦事與自然深度對話。目前已向騰勢 Z9GT 閃充版、第二代騰勢 D9、騰勢 N8L 閃充版、騰勢 N9 閃充版、大唐等車型 OTA 推送,其他車型將陸續升級。
ALPS 是預訓練視覺狀態編碼器,整合物理狀態預測、語言對齊與像素重建,作為世界模型的共用基礎。以靜態圖像和文字從頭預訓練的 ViT-B/16,在 15 個公開編碼器的統一評測中取得最低 LIBERO 狀態探測誤差,媲美規模大 3.5x 的 V-JEPA 2-L。
Kakao 將兩款自研圖像識別模型 Kanana-2-vision-encoder 開源,medium 版有 426 million parameters、tiny 版有 98 million parameters;兩者可在 Hugging Face 取得,並採用容許研究、開發及商業用途的 Kanana Open License。
美國 NIH 國家糖尿病、消化及腎臟疾病研究所的研究人員分析102頓營養成分已知的餐點,發現四款照片卡路里應用程式的估算值全數偏低。Appediet 每餐平均低估252 kcal(95% CI 210–295 kcal),MyFitnessPal 低估327 kcal(269–385 kcal),Lose It!
指南依據《EU AI Act》第 50(4) 條,將深偽界定為 AI 生成或操控、近似現存人物、物件、地點、實體或事件,並會令人誤以為真實的圖像、音訊或影片。指南以 AI 虛擬代言人、複製真人聲線、合成產品或店面照片等作例,並指出 AI 撰寫的廣告文字不屬深偽。發布相關內容的部署者須最遲在首次曝光時清晰披露;指南聲明內容僅屬一般資訊,未經律師審閲,並非法律意見。
科大訊飛全球 1024 開發者節北京科博展將於 10 月 22 日在北京國家會議中心二期一層迎賓廳舉行,展示全棧自主可控的大模型技術、AI 應用及軟硬一體的人機交互成果。展覽包括基於全國產算力完成訓練升級的訊飛星火大模型 X2.6,以及教育、醫療、汽車、政企辦公和具身智能等領域的應用。活動當日 9:00—19:00 面向客戶及大會相關嘉賓開放參觀。
Ultra Video Editor 1.4.6 加入口述影像功能,用戶可為影片生成描述旁白,並將其混入成片。Gemini 會連同聲音分析整段影片,產生可編輯的描述腳本;剪輯器會在旁白播放時降低音樂音量,並輸出 .txt 和 .vtt 檔。
sloth-receipts 使用 Gemma 4 在本地讀取 Pix 收據,再由 Python 規則判定;測試中的 12 張虛構收據,最終判定全部正確。模型平均每張需時 52 s,部分交易編號和 Pix key 讀取有誤,因此係統以容錯比對識別可疑項目,不用它確認付款。收據只供分類,付款仍須以銀行月結單或 PSP webhook 確認。
作者花數星期調校本地 OCR 流程,但視覺模型在相同照片上只用九秒便勝過該流程。閲讀教練以孩子拍攝的手寫頁面為輸入,遇上無法有信心辨認的字詞便要求重拍,不會評分。測試共進行 22 次,周轉時間中位數為 169 秒,索引了 3 本書及 20,726 個字,並生成 566 道涵蓋九個科目的題目。
作者 Anush Deotare 開發 Sloth Sorter,這款本地桌面網頁應用透過 Ollama 執行 Gemma 3:4B,為每個檔案建議新檔名及分類資料夾,用戶預覽並按 Apply 後,檔案才會移動。
Dual Exam 分別評測多模態智能體與世界模型在不同領域的表現,並揭示兩者在試點測試中未能共同成功。智能體評測涵蓋 1,088 個項目及 15 個報告類別,GPT 6 Astra 的加權分數為 31.3;世界模型評測涵蓋 400 個案例及八種情境,GPT-Image-2 的整體分數為 21.7。兩組分數採用不同任務和指標,不能直接比較;150 個案例的配對試點中沒有任務成功。
CellTrack-Bench 評測視覺語言模型的細胞追蹤能力,並與專用追蹤算法比較,揭示模型在不同成像模態下的推理差距。基準涵蓋四種成像模態、15 個細胞追蹤數據集,共有 1,537 個問題及 9,041 項細胞連結決策。研究評測了 9 個閉源前沿模型和 13 個開放權重模型,並分析其失效模式。
DirCast 是單一串流影片語言模型,能根據過往畫面選擇鏡頭並生成即時解説,負責電競直播的導播與解説。研究團隊以 27 場職業 Dota 2 賽事建立數據集,DirCast 的導播表現優於規則式及零樣本導播,包括 GPT-5。在 Proact-VL 評測中,其解説有 29.2% 的比較勝過 GPT-4o;觀看人工導播直播的 11 個串流解説模型中,最佳者為 19.4%。
MMVistaReason 提出開放數據後訓練方案,結合難度感知蒸餾、強化學習及多教師訓練,以提升多模態推理能力。在 15 項基準測試中,MVR-4B 平均得分為 72.8,使用的樣本比 MMFineReason 少約 70%,並勝過 Qwen3.5-9B (Instruct) 和 MMFineReason-8B。
FocusVLA 根據預測的互動意圖,在機械人操作不同階段動態切換全局與局部相機視角。在 RoboTwin 2.0 上,其平均成功率較最強基線 π_{0.5} 高 10.10 pp;真實環境評估中,成功率由 71.7% 提升至 85.0%。意圖預測與動態路由模組可整合至現有 VLA 框架,無須修改核心架構。
Ohio State 研究人員研發 Scentronic 系統,以 AI 電子鼻偵測和分析氣味,再將氣味數據傳送至裝置重現。測試中,16 人均準確辨認出系統重現的五種氣味;研究人員指,這項技術可用於網上購物及醫療診斷等場景。
FlipCheck 用 Gemma 4 識別物品,再以 SerpApi 搜尋最多 200 筆即時 eBay 刊登,交由 TabPFN 根據物品狀況估算快速出售、公平及耐心等候價格,並生成 eBay 標題、描述和商品資料。價格依據的是目前叫價,而非成交價;TabPFN 在 CPU 上處理 200 筆刊登需時 0.2 s。程式目前未部署,可在本機運行。
NVIDIA 擴充 Nemotron Retriever 系列,推出 Nemotron 3.5 Embed、Rerank 和 Parse 開放模型,涵蓋多模態檢索、相關性重排及文件擷取。
LazyCart 使用 Gemma 2 分析雪櫃或食品儲藏室的照片,整理食材並生成只需一個鍋或平底鑊的食譜,再找出所需食材。Browserbase 雲端瀏覽器 Agent 可搜尋網上超市並將商品加入購物車,Sentry Agent Tracing 則記錄及顯示模型推理和 Agent 操作。項目以 MIT License 開源,並支援本機推理備用方案。