跳到正文
10月19日週一
  1. DEV Community39

    Khata: Turning Paper Bills into Useful Business Records

    Khata 是為印度小商店打造的本地帳單轉帳簿原型,使用 Ollama 在本機執行 Gemma 3 4B,從帳單圖片擷取資料,供用戶核對後儲存至 SQLite。小型測試中,資料擷取總準確率為 19/20(95%);一名店主處理 10 張帳單,連同修正所需時間由 60 分鐘減至 40 分鐘。項目仍屬原型,作者計劃改善可靠性,並用更多帳單和店主測試。

  2. DEV Community48

    Ledger Lift:離線將商店手寫銷售帳簿轉成 CSV

    Ledger Lift 是桌面應用程式,可將商店手寫銷售帳簿照片轉成可編輯資料列及 CSV,並在本機處理,毋須上傳至託管 API。它透過 Ollama 執行開放權重視覺模型 qwen3-vl:2b-instruct,模型約 2 GB,下載後可離線使用。用戶須逐列核對並標記已審閲,才可下載;Apple M4 處理 15 列約需 21 秒,首列約 10 秒。

  3. DEV Community54

    AppTutorial 為 Windows 提供本機 AI 螢幕操作教學

    AppTutorial 是一款面向 Windows 的 AI 螢幕軟件教學工具,按下快捷鍵後會辨識目前使用的應用程式和用戶意圖,並逐步引導完成操作。它預設透過本機 Ollama 執行開放權重視覺模型 Qwen2.5-VL,毋須雲端 AI 或 API 金鑰;系統逐步提供操作提示,以半透明高亮標示操作位置並自動核對每一步。

  4. DEV Community53

    Kwota 將尼日利亞工匠的語音工作描述轉成 PDF 報價並透過 WhatsApp 傳送

    Aghazie David 開發 Kwota,讓尼日利亞工匠以語音描述工作後生成 PDF 報價,並開啟已填妥報價內容的 WhatsApp 連結。工具支援皮欽語、約魯巴語、豪薩語、伊博語及尼日利亞英語,使用 NaijaVox-2.0 轉錄、Gemma 3 12B 配對工匠價目表中的項目;數量會從轉錄內容抽取並核對,報價只採用工匠價目表或其口述金額,不由模型生成。

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

    FocusGUI:專為 GUI 智能體設計的聚焦全模態感知

    FocusGUI 是一款輕量級適配器,會按每一步的決策需要動態篩選多模態證據,提升 GUI 智能體的操作準確度,無須微調骨幹模型。它只需動作監督,在四個全模態骨幹模型上的平均 Type Match 提升 +33.2,Exact Match 達到凍結骨幹模型的 3.0 倍;相較最強的現有增強方法,Type Match 提升 +30.1。

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

    Omni-Woodpecker:透過證據先驗重平衡修正全模態大語言模型的幻覺

    Omni-Woodpecker(OWP)是一個免訓練框架,透過識別跨模態衝突並重平衡隱藏表示,減少全模態大語言模型的跨模態幻覺。以 Qwen2.5-Omni-7B 為骨幹時,OWP 在 CMM 和 AVHBench 分別提升 12.9 和 8.6 分;在四項通用推理基準上提升 0.67-2.25 分。OWP 亦適用於 VideoLLaMA2-AV,在相同基準上分別提升 4.6 和 3.9 分。

  7. HuggingFace Daily Papers(社區熱門論文)52

    Ropedia W0 以人類經驗擴展跨具身形態移動操作世界模型

    論文提出 Ropedia W0,一個透過統一運動學表示整合人類與機械人數據、支援跨具身形態移動操作的世界基礎模型。其 Xp-Data 包含 10k hours 的人類第一人稱視角數據及 3k hours 的機械人數據,並推出以高質素靈巧人形機械人遙操作數據為基礎的長時程基準 Xp-Teleop。

  8. HuggingFace Daily Papers(社區熱門論文)44

    SpatialScout:視覺語言模型智能體能否主動探索並繪製 3D 場景地圖?

    SpatialScout 評估視覺語言模型智能體主動探索場景並進行物件級 3D 地圖構建的能力,結果顯示模型在精確度量地圖方面仍有明顯不足。基準涵蓋 80 個室內場景及 3,140 個目標物件;表現最佳的 Claude Opus 5.5 平均重疊分數為 41.71%。其中,47.23% 的目標 IoU 高於 0.5,只有 3.25% 高於 0.9。

  9. HuggingFace Daily Papers(社區熱門論文)44

    MMedAgent-Plus:擴展多模態醫療智能體的模態、任務與工作流程

    MMedAgent-Plus 結合視覺語言規劃器與 18 個涵蓋 12 項任務、8 種模態的專家模型,協調執行多步驟醫療分析。規劃器以 208,928 個樣本進行指令微調;端到端評估中,350 個案例有 90.6% 正確調用所需專家,最終答案準確率達 0.98,高於最強基線的 0.28。

  10. HuggingFace Daily Papers(社區熱門論文)33

    TRACE:追蹤多模態臨牀軌跡以預測住院風險

    TRACE 以每日臨牀事件構建時間軌跡,提升住院死亡率、住院時間及再入院風險預測。研究在 MIMIC-IV、eICU 和 MIMIC-III 的近 180,000 次住院記錄上評估 TRACE;在九種數據集與任務組閤中,AUROC 均為最高,ACC 則在八種組閤中最高。軌跡歸因亦可定位與風險相關的住院日及資料模態。

  11. HuggingFace Daily Papers(社區熱門論文)56

    視覺語言模型的規模限制:特定子任務出現反向縮放

    這項研究發現,視覺語言模型在特定子任務上會出現反向縮放,即較大型模型有時不及同系列較小模型。研究評估 19 個模型及 8 個多模態基準,共進行 558,334 次模型與問題評估,找出 375 組出現反向縮放的子任務與模型配對。影響較大的領域包括多圖像空間推理、視覺感知及大學程度 STEM 知識,部分案例準確率差距超過 20 個百分點;圖表理解相對較不受影響。

  12. DEV Community32

    RainGuard AI:趕在下雨前外出巡查

    RainGuard AI 是一款面向屋苑的開源 AI 預防性維修助理,協助維修團隊在降雨前識別潛在風險,並將風險轉化為現場檢查任務。項目採用 FastAPI、JavaScript 前端、MongoDB Atlas 和託管的 Gemma 多模態 AI,協助分析巡查證據並生成預防建議。

  13. DEV Community29

    Architecting AI Car Stunt Videos: Inside the Multi-Model Video Diffusion Pipeline

    Roadster AI Video 把車輛分析、特技提示詞擴展、多模型影片擴散,以及時間升頻和調色整合成流程,可將單張汽車照片轉成電影感特技影片。擴散階段使用 Seedance 2.0、MiniMax H3 和 Wan 2.1 生成 720p/1080p 影格,並支援 4K 輸出。生成時間由 3D 渲染軟件中的數小時縮短至網頁瀏覽器內兩分鐘以下。

10月18日週日
  1. DEV Community61

    StoreScribe 用 Gemma 4 為 App Store 和 Google Play 生成符合欄位限制的上架文案

    開發者 Souvik Biswas 建立 StoreScribe,使用 Gemma 4 為 App Store 和 Google Play 生成符合各欄位限制的上架文案。工具可分析截圖、搜尋同類應用,並生成最多六種語言的文案;CLI 會讀取專案資料並將結果寫入 fastlane/metadata。CLI 的 --local 模式透過 Ollama 在本機執行 Gemma 4,無需網絡連線。

  2. DEV Community23

    EmotionLens: Exploring AI-Powered Facial Expression Analysis with Open-Source AI

    EmotionLens 團隊以 AI Emotions Detection 作為起點,探索將 AI 面部表情分析發展成協助創作者、演講教練和培訓師檢視錄影的工具。現階段的開發方向包括改善預測可靠性、探索錄影時間軸及摘要,並明確交代本機處理和資料保留方式;這些仍是開發目標,並非已實作功能。團隊提醒,表情預測並不能可靠確定他人的實際情緒。

  3. DEV Community42

    Shopkeepers won't retype their udhaar khata. KhataLens reads it with Gemma 4, locally

    KhataLens 使用 Gemma 4 E2B 經 Ollama 在店主電腦本機讀取手寫賒帳簿,轉成可編輯帳目並計算各客戶欠款。模型約有 4.6B 參數;在 3 張共 24 行手寫頁的測試中,修正讀取規則後,3 次測試均正確識別姓名、金額、日期及賒帳/還款類別。產品亦可草擬付款提醒,但目前尚未有店主使用。

  4. 創業邦53

    情感陪伴機械人如何進入養老服務與消費市場?

    情感陪伴機械人已在日本、韓國、美國及中國的養老服務場景試點,亦有產品進入消費市場,但行業仍處於早期發展階段。bibo公司數據顯示,截至2026年9月1日,活躍用戶日均多模態互動超過60次。日韓美的案例多由政府或公共養老機構承擔採購或訂閲成本,消費市場則仍面對智能化、私隱安全、持續使用和成本等門檻。

  5. DEV Community29

    PocketLedger:為自由工作者而設的私隱優先 AI 開支記錄工具

    PocketLedger 是一款為自由工作者設計的私隱優先本機開支記錄工具,透過 Ollama 運行 Qwen2.5-VL 3B,從收據圖片或文字提取商戶、日期、金額等資料。用戶可檢查和修改欄位後才儲存至本機 SQLite;收據圖像在提取後即丟棄,工具亦支援搜尋、每月支出摘要、多貨幣記錄及 CSV 匯出。

  6. DEV Community53

    掌紋占卜 App 如何推出免註冊圖像轉文字 AI 功能:工程筆記

    文章以掌紋占卜網頁 App 為例,説明如何提供免註冊的圖像轉文字 AI 免費預覽,以及這種設計帶來的工程問題。文章建議以 IP 加短效簽署工作階段 cookie 限流,並先低成本檢查圖片是否為手、過暗或模糊,再呼叫生成文字的模型。展示掌紋線條圖可讓用戶發現不理想的輸入;免費結果應完整呈現,並清楚標示內容屬娛樂與自我反思,而非預測或專業建議。

  7. DEV Community40

    ShilpiList Desk:利用 Gemma 協助 Odisha 手工藝賣家製作多語言商品刊登內容

    ShilpiList Desk 使用開放權重多模態模型 Gemma 4,根據手工藝賣家上載的產品照片及提供資料,生成英文、印地語和奧迪亞語商品標題與描述草稿。工具支援最多 10 件產品批次輸入,並設有提示詞層級的準確度規則、啟發式警告,以及提醒用戶讓奧迪亞語草稿先經母語人士審閲的提示。測試中 6 個樣本全部生成有效刊登資料,中位生成延遲為 3.7 秒;作者尚未確認有付費客戶。

  8. DEV Community30

    PlantLens Pro:將本地 AI 打造成 B2B 副業

    PlantLens Pro 將本地 AI 植物診斷打造成面向獨立苗圃和精品園藝店的離線 B2B 桌面應用,並以 $50 終身授權銷售。應用透過 Ollama 本機運行 LLaVA 1.5 7B,診斷植物病況並生成附有店舖品牌的「Care Recipe」PDF,亦會推薦店內產品。應用不需 API 費用,並可完全離線運作,資料留在店舖硬碟。

  9. 第一財經62

    吳越發聲明、帳號連夜更名:明星也難追責 AI「盜臉」帶貨

    演員吳越表示,有帳號利用 AI 仿冒她帶貨,並要求相關帳號退還騙取的款項;截至發稿,涉事視頻號帳號已更名為「小劉打工日記」。報道提及,部分換臉影片報價僅數十元至數百元,温崢嶸團隊曾在一天內舉報50個假冒帳號,部分帳號下架後又換形式重現。文中引述律師指出,維權面對侵權成本低、平台責任虛化及流程漫長等困境,並建議引入懲罰性賠償及把平台責任前移至事前審核。

  10. MarkTechPost61

    Kyutai 發佈 2.4B REKI 視覺語言動作模型,為機械人操作加入高效記憶

    Kyutai 與 Inria、École des Ponts 發佈 REKI,這款 2.4B 視覺語言動作模型只以公開資料預訓練,並在動作專家中加入近期記憶。REKI 在 LIBERO-Plus 得分 90.4%,為 Kyutai 比較中的最高分;在 RoboTwin,加入記憶後姿態振盪片段比例由 18.6% 降至 4.1%,讀取快取每個動作區塊增加 0.1 ms。

  11. DEV Community47

    Focus67Dumby:100% 離線、具視覺感知能力的便利貼,可分辨編程教學與無腦娛樂內容

    Focus67Dumby 是一款透過 Ollama 本機開放權重模型辨識編程教學與離題娛樂的 100% 離線桌面便利貼。它支援 gemma4:e2b、gemma4:e4b、qwen3-vl:2b 等模型,並以 512x288 記憶體內截圖輔助判斷,資料不會傳送至雲端。產品提供免費自行構建的開源版本,Pro Desktop Edition 售 $19 一次性終身授權。

  12. DEV Community32

    FreelanceFlow:自由工作者的 AI 簿記工具

    FreelanceFlow 是供自由工作者使用的本機 AI 簿記工具,以 Gemma 3 4B 經 Ollama 讀取收據,並提供資料校驗及 CSV 匯出。在 7 張真實收據測試中,金額辨識正確 6/7;有日期的收據日期辨識為 4/4,有店名的收據店名辨識為 3/3,每張平均需時 179.5 秒(手提電腦 CPU)。文件在用戶電腦處理,不會傳到伺服器,亦沒有逐份文件的 API 費用。