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。
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。
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。
作者以 Java 打造 HappyGF,協助處理供應商發票、擷取資料、按規則命名 PDF、辨識重複發票,並準備已核准的發票供會計師處理。它以 Gemma 解讀發票,並用 Tev1 作結構化決策,兩者均可透過 Ollama 在本機執行。應用程式已用於實際應付帳款工作,作者正準備開源版本。
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。
SellCraft AI 是一款在賣家筆記型電腦本機運行的 Etsy 和 eBay 商品刊登文案工具,使用 Gemma 和 Ollama,根據商品照片及賣家提供的資料生成標題、描述和標籤。商品照片及儲存的刊登資料留在本機,工具不會代賣家發布商品。
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。
Hum to Song 的作者發現 Google Lyria 未能穩定遵循指定調性、速度、和絃與前奏長度,於是改用瀏覽器分析生成音訊。分析涵蓋節拍、調性、和絃與前奏,並據此調整旋律進入時間和半音衝突;一段實際伴奏的旋律協和度由 0.50 提升至 0.63。
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。
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。
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。
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。
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。
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。
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。
AI 製作 Billboard 熱門歌曲的流程涵蓋模型技術、歌曲生成、後期製作、版權及發行。指南以開源 MusicGen 示範從提示詞生成音訊,再用 DAW 加入人聲並處理混音;亦比較多項服務的費用、延遲和音質,並列出歌曲發行前的檢查事項。
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。
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。
獨立測試以同一張機械臂照片比較 Tripo 和 SupaVoxel 的 3D 生成結果,評分分別為 62/100 和 89/100。Tripo 的線纜分離效果較佳,但模型檔為 62.89 MB,首次載入需 41.93 秒;SupaVoxel 模型檔為 5.63 MB,首次載入需 3.75 秒。
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。
Viktor Delgado 以同一張參考圖和預設設定實測 Tripo 與 SupaVoxel 的 image-to-3D 輸出:Tripo GLB 為 61,356,932 bytes,SupaVoxel 為 5,281,064 bytes,前者大 11.62×,但 Tripo 的三角形數量是 SupaVoxel 的 2.04×。
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。
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。
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。
Christian Anderson 開發 listwright,以 Gemma 4 根據商品照片和用戶提供的事實生成 Etsy 商品標題、13 個標籤及描述。
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。
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。
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。
Voxel51 發佈 Voxel51 3.0,將多模態數據的搜尋、整理、標註和評估整合至同一平台,面向以機械人、車輛及工廠感測器數據訓練模型的團隊。新版加入 Voxel51 Agent(45+ MCP 工具、80+ operators 和 18 個開源技能)及數據溯源功能。
MIT 研究人員研發多模態 AI 模型,結合晶體的 3D 原子結構與自然語言描述,提升模型識別材料及預測功能的能力。模型透過對比學習對齊結構與文字;在識別具指定特性的晶體材料時,表現優於基線,而以 AI 生成描述訓練的版本亦較只用論文文字訓練的模型更善於預測功能。
作者用 5.5 小時打造 TrustIntern,供用戶輸入公司、招聘人員、網站及訊息內容,並上載聘書 PDF 或截圖,以調查實習邀約風險。Gemma 4 負責安排調查智能體及讀取文件,分數則由固定規則計算並逐項連結證據,報告亦註明分數不是詐騙概率。
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。
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。
DeepSeek 發佈 DeepSeek-V4.1-Flash-1017,官方稱新版本相較 V4.1 Flash 在多項基準測試中表現提升,並縮短任務時間、減少輸出長度及 token 費用。
作者展示以 C# 和 WebGPU 在瀏覽器內執行 TRELLIS.2 的文字轉 3D 流程,模型在本機 GPU 生成並輸出帶貼圖的 GLB。Chrome 中以 RTX 4070 測得,權重已快取時,Prompt-to-GLB 為 180 s;Photo-to-GLB 首次 148 s,下一次 134 s。
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。
作者以 ESP32-S3、AirPlay 和 Ollama 上的 qwen2.5vl:7b 重建 iPhone 操控方案,透過 USB HID 模擬滑鼠和鍵盤,毋須 Xcode 自動化。
Holo4D 以重建的 3D 軌跡構成整體式 4D 支架,引導影片擴散模型生成新視角影片,同時保留場景幾何結構與動態。實驗展示以軌跡作為條件對鏡頭控制和新視角合成的價值;框架可配合不同的 4D 重建器,無須重新訓練影片生成器。
ShopSnap 將 WhatsApp 訂單截圖轉成每日銷售報告,用戶逐筆檢查後才儲存,客戶資料全程留在本機。它透過 Ollama 本機運行 gemma3:4b 和 qwen2.5:3b;以 10 張虛構截圖測試 11 筆訂單,欄位正確率為 84.1%,每張截圖平均約需 26 s,應用程式目前免費並採用 MIT 授權。
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。
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。