Cloudflare 在 Workers AI 推出 Clairic System One 抽取模型預覽版
Cloudflare 在 Workers AI 推出 Clairic 預覽版,這款 System One 抽取模型可從文字或圖像抽取及計算具類型的欄位值,而非生成文字。
Cloudflare 在 Workers AI 推出 Clairic 預覽版,這款 System One 抽取模型可從文字或圖像抽取及計算具類型的欄位值,而非生成文字。
Vercel 擴充 AI Gateway,新增 NVIDIA Nemotron 3.5 Lightning、Elorian Glimpse 和 Liquid AI d1-ultra 三款模型。
Eşya Bul 的驗證器以 CLIP 比較商品圖片與候選描述,最高正向分數超過 0.85 才保留刊登項目;這不代表準確率達 85%。Softmax 分數受納入比較的候選描述影響,各商品組別的分數也未必是可直接比較的校準機率;分數不能證明賣家誠信、商品運作正常或仍有貨。文章建議按商品組別和多個閾值統計誤收與誤拒,固定候選描述,並把同一刊登的近似照片放在同一資料切分中。
研究提出 PhysRSI-eval,量化視覺語言智能體在實體操作中的遞迴自我改進能力,並分析其觀察性擴展規律。五軸指標涵蓋首次嘗試表現、效率、成功、預算及從失敗中改進;研究在固定互動預算下測試不同 VLM 的 18 項操作任務。移除歷史記錄會降低後期成功率,凍結工作空間對未見佈局仍有用,三個跨任務案例亦較早成功。
Mangoslab 研發的 Nemonic Dot 盲文打印機獲《時代》2026 年度最佳發明獎。設備內置 AI 系統,支援超過 100 種語言,可即時將語音或文字轉成凸點盲文,印在寬 12 毫米的塑膠或金屬標籤上,凸點高 0.6 毫米。產品計劃於 2026 年第四季公開發售。
IT之家上手測試聯想 YOGA Pro 15 RTX Spark,展示 RTX Spark N1X 在端側 AI、專業創作及遊戲中的實測表現。128GB 統一記憶體版本在 Comfy Desktop 以 FLUX.2 DEV NVFP4 Turbo 生成單張圖片需 16.6s,使用 LTX-2.5 NVFP4 生成 8 步 720P/120fps 影片片段需 71.15s。
Visual-Attribution Gating(VAG)以對比驗證篩選多模態 RLVR 的 on-policy 自我蒸餾(OPSD)更新,避免把無視覺依據的教師修正傳給學生模型。
Cloudflare 公佈 Clairic 預覽版,這款抽取模型運行於 Workers AI,可按指定欄位處理文字及最多 4 張可選圖片。模型會一次並行回答各欄位,為標量答案附上信心分數與 p_null,文字答案則提供字元偏移;Cloudflare 表示計劃稍後公開權重,現時尚未發布。
研究提出以低秩適配器進行參數高效微調,將多模態骨幹模型用於腦編碼,並把適配規模擴展至最多 104B 參數。方法在九個多模態骨幹上提升腦編碼表現,並在 Qwen3-Omni 上取得 Algonauts 2025 Challenge 最佳已發表成績。多 LoRA kernel 支援 200+ 個適配模型組成的集成,於撰文時在 Algonauts 賽後公開排行榜排名第一。
林嶽以演員吳越遭視頻號帳號盜用形象和聲音推銷護膚品為例,分析 AI 盜臉帶貨的低成本及維權取證困難,並提出技術、平台應用與法規協同治理。文中稱,普通精度的明星換臉影片每條成本只需75元,數字人工具月費為198元,聲音克隆只需3秒片段樣本。他建議平台核驗高風險帶貨內容、留存溯源記錄,並降低權利人的舉證負擔。
OpenVLHarness 將持續多模態記憶、異質工具介面和迭代證據組合用於多模態推理,在 22 項基準上較匹配的無工具基線提升 9.7–12.6 分。研究涵蓋八個開源及專有模型,包括 Qwen3-VL-8B(+11.2)、Kimi K3(+9.7)和 GPT-6 Astra(+9.9)。
Stateful Harness 將世界狀態演變與凍結影片渲染分開,以提升含隱藏狀態的互動世界模型一致性及規則遵循能力。在 WorldState-Bench 的 50 對反事實孿生案例中,MiniMax-H3 指定所需結局後,兩種情況均產生要求結局的比例由 32% 升至 64%;完整 Stateful Harness 配合同一凍結模型則達 92%。
InfiniDream 是一套視覺語言模型框架,透過符號化程序資產生成及確定性場景放置,生成開放式、可編輯的照片級寫實 3D 世界。其文字到世界流程結合語義場景規劃與確定性視錐引導網格放置,以構建具精確物件放置、程序化填充及動畫的大型 3D 世界。在 100 項物件及 20 項場景生成任務中,InfiniDream 在四項感知指標上均有提升。
Ray-Ban 與 Meta 宣佈 Ray-Ban Meta(Gen 3)即日起在香港及澳門發售,建議售價 3,759 港元起,消費者可透過 Ray-Ban 零售門市、EssilorLuxottica 旗下零售品牌門市及其港澳批發網絡購買。
DeOverlay 以來源錨定流匹配移除影片中的字幕、標題和標誌等疊加內容,並保留場景結構。它提出 DVTE-Bench,涵蓋 1,631 組配對影片及八類文字疊加;DeOverlay 在五項重建與感知指標上均勝過四個基線,Mask LPIPS 和 Mask VFID 較最佳受測基線分別降低 58.3% 和 70.3%。
Microsoft 完成 MAI-Base-2 的預訓練,這款大型語言模型採用全層 MoE 架構,總參數為 2.8 trillion,啟用參數為 80 billion。
Cloudflare 的 Clef 27B 多模態決策模型現可在 Ollama 本機執行或 Ollama Cloud 使用。模型支援文字及圖像輸入,根據狀態和具型別問題作出決策,兼容 Jev 和 System One API;模型以 Qwen3.8-27B 微調,採用 Apache 2.0 授權。
Nace AI 發佈 Drex Max 多模態決策模型,可讀取文字和圖像並返回經校準的概率,不生成文字;模型在公開 Decision Index 0.3.2 得分 67.59,較 Jev 1.14 高 6.9 分。
比亞迪發布 AI 超級智能體「迪迪蝦」,並已向旗下多款搭載璇璣架構2.0的車型推送,其他車型將陸續透過 OTA 升級。迪迪蝦以端雲協同、多模態感知、工具、技能和記憶系統為核心,並透過支援 A2A、MCP 標準協議的生態智能體開放平台接入出行、娛樂及生活服務等領域的合作夥伴智能體。
螞蟻百靈開源 Ming-3.0 語音系列,涵蓋語音合成、音訊理解與對話、語音識別三類任務,共提供五款模型。Ming-3.0-tts 的 Voice Design 支援以文字描述或參考音訊設定音色,導演模式可描述情緒變化、重讀詞及節奏;Ming-3.0-audio-flash / tiny 可轉寫、總結及分析長音訊的觀點,並輸出結構化內容。
SlothPlate 是一款以 Google 開放權重 Gemma 4 驅動的餐單規劃助手,按現有食材及用戶對烹調時間和所需工夫的偏好,生成三款餐點建議。用戶選定餐點後,可整合缺少食材成購物清單,並在瀏覽器儲存計劃。目前 AI 生成需連接互聯網,提交的圖片或食材資料會傳送至模型供應商處理,亦不支援本機推理或雲端同步。
MiniMax 發佈 M3.1 Flash,稱其智能體任務成本較前代降低 70%,推理速度接近 3 倍,日常高峯輸出超過 200 tokens/s。
Amazon SageMaker JumpStart 在 2026 年 1 月至 9 月新增逾 100 個模型,涵蓋 30 家供應商,並更新模型探索及部署功能。
RoboJudge 提出 RoboJudge-Bench 和 RoboJudge-Train,並微調出 9B 評審模型 RoboJudge-9B,用於評估具身影片生成的物理遵循度和指令對齊度。
Qwen-Audio-3.1-ASR 模型系列在 Qwen-Audio-3.0-ASR 基礎上提升語音識別能力,並擴展説話人分段轉錄及通用音訊理解。系列支援 30 種語言和 16 種中文方言,提供適用於非同步檔案轉錄、低延遲串流、互動式語音輸入及非串流識別的不同版本。部分版本支援説話人分段轉錄和通用音訊理解,包括音訊問答、聲音事件檢測及音樂描述。
OvisOCR3 是一款 0.8B 視覺語言模型,透過多教師知識蒸餾和強化學習,整合五類 OCR 相關任務。在 OmniDocBench v1.6 獲得 96.74 分,並在 OCRBench v2 英文及中文測試集分別取得 65.9 和 61.3 分。模型在多項文件解析、OCR、關鍵資訊提取、圖表説明及跨頁表格基準測試中取得領先成績。
研究發現,視覺語言動作(VLA)策略的動作程序會綁定絕對座標,並忽略視覺場景變化。把任務 A 的激活值注入動作專家後,pi0.5 在任務 B 場景中仍於 1,968 個回合的 99.6% 執行任務 A 的動作軌跡;涵蓋六種 VLA、420,000+ 次 rollout 的分析亦發現,目標選擇與動作生成在可區分時分別由 VLM 和 expert 路徑承擔。
NiCE 正以 Cognigy 為核心,把公司定位轉向 AI 平台,並將客戶互動數據和智能體問責能力置於策略中心。文章指出,獲得按自身數據生成的自動化洞察的潛在客戶,預訂的 AI 業務量是未獲洞察者的 9 倍,平台 API 用量在兩年內增至 7.5 倍。AI ARR 按年增長 52%,但部署仍是收入轉化的瓶頸。
Spot-Undoo v2 在 Week 3 從以流動裝置為先的應用程式升級為開源 AI 桌面工作室及 GPU 加速地理引擎,為 Kerala 旅客規劃轉乘行程。桌面版採用 1680px 寬屏佈局,Leaflet 地圖可達 60fps;本機透過 Ollama 執行 Qwen 2.5:3B 或 Gemma 4。系統按可用時間、預算及交通時間匹配行程,完全離線時則以數學方式備援規劃。
香港人工智能專業協會與葵青地區康健中心合辦「AI防騙講座」,講解騙徒如何利用 AI 換臉及擬真語音冒充親友或銀行職員行騙。講座示範人工智能生成文字、圖像、聲音及短片的能力,並講解深偽釣魚訊息和假投資陷阱。
MiniMax 已在 API 發佈 M3.1 Flash,輸入價格為每 1M tokens $0.15,輸出價格為每 1M tokens $0.60。
Apple 正研發代號 J450 的 AI 室內攝影機,預計於 2027 年內發布,並以不錄製影片加強私隱保護。裝置配備低幀率及紅外線感應器,支援人臉和寵物識別,並以 AI 生成環境文字描述。J450 未納入 10 月 13 日發布的 Home Collection 系列,Apple 或按該系列銷售表現決定是否推進自有品牌智能家居硬件佈局。
蘋果正研發內部代號 J450 的室內攝像頭,利用 AI 分析周圍環境,並向用戶提供文字描述,而非影片畫面。攝像頭配備低幀率感測器和紅外線感測器,支援人臉識別,以識別人員或寵物,並無法錄製家中的私密場景。古爾曼預計產品將於明年某個時候推出,但不屬於 Home Collection 系列配件。
文章示範如何在一部 NVIDIA DGX Spark 上部署本地模型,透過 LiteLLM 的 OpenAI 相容端點連接 n8n,讓工作流程無需呼叫雲端 API。
作者在單張 24GB VRAM 本地環境實測 vLLM Semantic Router 的 Decision 3.0(d3)9B 與 27B,對比結構化決策及多模態推論表現。
MiniMax M3.1 Flash 已在 OpenRouter 以 $0 免費提供,用戶可透過 API key 試用。模型支援文字、圖像和影片輸入、文字輸出及工具使用;推理不能關閉,可選 low、medium、high、xhigh 或 max,預設為 max。
成都空御科技有限公司完成B輪融資,獲蘇州明智智能製造產業投資基金(清華系)戰略投資。資金將重點用於核心技術迭代及低空安全產業佈局。其核心團隊源自清華大學電子工程系,專注多模態探測資訊融合,透過雷達、光電及無線電等多源感知,實現低空目標精準探測、識別與處置。
文章提出按任務類型、所需能力、延遲與風險,將 AI 請求路由至合適模型,而非讓所有任務共用一個模型。文中建議以少量任務類別和三層模型策略起步。團隊可用成功率、延遲、成本及人工修正等指標,持續檢視路由效果。
AIX財經訪問五名以不同方式捲入 AI 詐騙的人,記錄他們如何遇上或識破騙局。案例包括盜用照片製作換臉影片、仿冒朋友聲音索款、以交友關係誘導投資,以及寄送疑似經 AI 換臉的照片勒索;一名受訪者差點被騙投入5萬美元,另一人差點轉出5000元。受訪者識破騙局的線索包括影片細節異常、對方不肯轉頭,以及仿冒帳號狀態不符;文中提醒,遇到陌生投資項目或轉賬要求時要提高警惕。
作者以 MIT 授權開發 MedPort,讓本機開放權重模型讀取化驗報告和出院摘要,整理成供醫生查閲的個人醫療檔案。工具支援 PDF、掃描件和手機相片,會把提取的數值與原頁文字核對,並要求用戶逐項確認。資料留在本機,無需帳戶、雲端或 API key,亦可離線使用。