Déjà 讓用戶透過本機螢幕記錄找回昨日看過的酒店
開發者 Phantom842 建成 Déjà,一款在手提電腦本機記錄螢幕並可透過對話搜尋過往畫面的工具。Déjà 每隔數秒檢查畫面變化,RapidOCR 約 5 秒在 CPU 上辨識訂房頁面;faster-whisper 不到 1 秒將語音轉成文字,再由搜尋選出匹配畫面,交 Gemma 3 1B(透過 Ollama)閲讀前五項並圈出答案所據截圖。
開發者 Phantom842 建成 Déjà,一款在手提電腦本機記錄螢幕並可透過對話搜尋過往畫面的工具。Déjà 每隔數秒檢查畫面變化,RapidOCR 約 5 秒在 CPU 上辨識訂房頁面;faster-whisper 不到 1 秒將語音轉成文字,再由搜尋選出匹配畫面,交 Gemma 3 1B(透過 Ollama)閲讀前五項並圈出答案所據截圖。
Trify3D 的 API 層將請求路由至 Tripo3D、Meshy 和 Rodin,讓用戶比較多個引擎生成的 3D 網格。架構以 Trigger.dev 管理非同步任務,並透過冪等處理保障點數不會重複扣除,同時支援 Webhook 通知。
原生音訊模型直接處理或生成聲學表徵,保留文字轉錄會丟失的時間、語氣及説話者線索。這與先將語音轉成文字、再合成語音的流程不同,兩者的因果流程及評估成效所需證據亦有別。指南以五項可觀察操作梳理其運作,並指出表現亦會受周邊數據、介面、硬件、權限及人員影響。
Receipt Sorter 是一款以 Qwen2.5-VL 7B 驅動的開源命令列工具,可在本機整理收據和發票,產生會計所需的 CSV 及分類摘要。它透過 Ollama 本機處理文件,並將不確定或可能重複的項目標記供人工覆核;原始文件只會複製,不會移動或修改。
Rhuturaj Takle 撰寫 .NET 電腦視覺整合指南,涵蓋影像分類、物件偵測、OCR、臉部辨識及圖像嵌入向量等任務。內容示範以 ML.NET、ONNX Runtime、Azure AI Vision 和 OpenCV 等技術實作,並比較雲端 API、自行部署模型與多模態 LLM 的適用情境。指南亦討論評估方式、個人資料私隱,以及臉部辨識的法律和倫理限制。
Vision Assistant v1.0.0 是面向自由工作者、小型企業主及代理公司團隊的桌面 AI 助手,可透過 Ctrl + Shift + Space 啟動,並支援多螢幕擷取、本機記憶及視覺分析。它在本機儲存用戶偏好及項目工作階段,協助自動處理審核工作、記錄客戶備註及簡化工作流程,並提供 Windows 可執行套件。
DeepSeek 透過 OpenRouter 提供 DeepSeek V4.1 Flash 1017,這是 DeepSeek V4.1 Flash 於 2026 年 10 月 17 日的模型快照。
Seven Sports 參考 NASA CRS-35 任務研究,為 Meta Quest 設計 Amblyotube,一款第一人稱 VR 視力訓練應用程式。其核心引擎以模糊着色器處理主導眼畫面、用 AI 鋭化弱視眼中的人物,並以洋紅色焦點提示協助雙眼融合。應用程式支援 YouTube 影片,相關着色器開源。
Invosorter 透過 Ollama 在本機運行 Gemma 4 E2B,擷取印度發票及收據資料,並支援欄位檢查、人工修正及匯出 CSV 或 Excel。測試涵蓋 4 張合成發票,首 3 張在已評分欄位均無差異,第 4 張有 11 項中的 10 項相符,GSTIN 中 I 與 1 混淆的錯誤亦被標示。原型目前只處理 PDF 首頁,在 CPU-only 筆電上每張發票推理約需 1 至 2 分鐘。
StepFun 以開放權重形式發佈 Step 5 Preview,FP8 和 BF16 checkpoints 已上架 Hugging Face 及 ModelScope;模型總參數為 600B,每個 token 啟用 27B 參數,上下文窗口最高達 1M tokens。
Receipt Box 是供自由工作者使用的收據及發票分類工具,透過 Ollama 在本機運行 Gemma 3 4B 視覺模型,整理出費用儀錶板。收據和發票不會上載至任何地方,並可編輯分類結果、標示重複文件及按季度查看 VAT。工具支援多種貨幣,並可匯出 CSV 或 Excel 檔案交給會計師。
Autotrust 維護的 JEV-27B-VL 是 27B 參數視覺語言模型,System 1 可直接為指定選項輸出概率。System 1 支援是非、2–256 個選項的選擇及 0–5 評分,提示詞最多 256K tokens;System 2 基於未修改的 Qwen3.8-27B,可接收圖像並生成文字或逐步推理。
Florence-2-Large 是一款視覺基礎模型,可透過文字提示在單一架構中執行圖像描述、物件偵測、定位及分割。它以 FLD-5B 訓練,數據集包含 5.4 billion 項視覺標註及 126 million 張圖片。指南指出它在小物件和細粒度視覺任務上有所限制;較小的 florence-2-base 推理快 15-20%,但複雜場景的準確度較低。
BillSnap 是為自由工作者設計的本地發票、收據及銀行結單擷取工具,使用本機運行的開放權重視覺模型處理財務資料,避免將資料傳送至第三方 AI 伺服器。作者的朋友投入 42 份 PDF 收據及實體收據照片,工具在本機不到 45 秒完成交易解析和分類,期間沒有雲端呼叫。交易可匯出為 CSV、JSON 及 QuickBooks 相容格式。
MomentSort 以 AI 協助婚禮攝影師搜尋及整理相片,結合 SigLIP 圖像嵌入向量、相似度搜尋、模糊檢測和相片分組。託管版本目前以示範模式運行,提供示範搜尋功能;完整資料夾分析則預計在本機執行,因為需要存取用戶的相片資料夾及較大型的 AI 模型。
這個開源 BGMI 研究原型以 PaddleOCR 和微調的 YOLOv11,從擊殺提示畫面辨識事件,探索低延遲賽事記分板更新。5 分鐘、60 FPS 影片經兩階段篩選後,送入 ML 流程的影格由 18,000 幅減至 132 幅,整體減少約 99.3%。目前名單初始化、記分表輸出及介面整合仍待完成,尚非已部署的完整計分服務。
HumanSkill-4D 是一個無需訓練的框架,透過共享多模態推理和幾何運算子,根據語言查詢選取可動態 Gaussian 化身的區域與動作區間。研究引入三個由人手標註的基準,評估結果顯示,HumanSkill-4D 在部件分割及 3D、4D 指代分割方面優於基線方法。每個化身只需數分鐘設定,並使用精簡記憶。
UniAVC提出統一音訊與影片創作模型,先以大量單模態數據訓練音訊和影片分支,再以稀缺配對數據進行對齊,支援聯合合成、跨模態生成及指令引導編輯。模型採用各自獨立的噪聲排程和非對稱監督,可用同一組權重執行多種創作任務,無需任務專用 adapter。
論文提出 Muse Glimmer 30B,一款開源因果語言模型,可經約 4-bit 量化在消費級硬件本地進行多步推理及工具使用。模型配備感知編碼器,接受文字和圖像輸入、輸出文字,訓練資料涵蓋逾百種語言。論文稱其在工具使用、多步規劃及智能體任務完成基準上的表現優於 Gemma4-31B 和 Qwen3.6-27B。
這份選舉實務指南説明如何識別和應對 deepfake,並保護選舉宣傳及資訊渠道。指南比較 Microsoft Video Authenticator、Sensity AI、Deepware Scanner 和 Detectron,並建議交叉比對兩種工具的結果。另附批次檢查影片的 Python 腳本,需使用 Python 3.10+ 和配備 CUDA 的 GPU。
這份指南提供記者及公眾在 2026 年歐洲選舉期間識別、分析及舉報深度偽造內容的實用方法。核查方法包括檢查影像瑕疵、口形同步及中繼資料,並使用 Microsoft Video Authenticator、Deepware Scanner、Sensity AI、ffprobe 和 ffmpeg。
LocalListing AI 可根據產品相片及賣家提供的資料,生成可供檢視和編輯的商品列表草稿。它能撰寫商品標題、描述、關鍵字、社交平台文案及 WhatsApp 訊息,也可翻譯成 Hindi,並標示可見特徵和仍待確認的資料。開源專案預設透過 Ollama 使用 Gemma 3 4B Vision 進行本地推理;生成內容仍須由賣家檢查。
Elorian 發佈首個模型 Glimpse,作為研究預覽推出並提供 API 存取,聊天介面則僅限候補名單用戶使用。Glimpse 可在推理過程中裁切圖像區域、擷取影片影格,或執行程式碼測量及比較視覺內容,Elorian 稱這套機制為「visual scratch space」。
AgriBridge 是面向印度農民的開源 AI 農業智能平台,結合影像分析、多語言語音識別、RAG 和環境數據提供情境化農業支援。平台支援英語、印地語和孟加拉語,斷網時可將作物掃描排隊儲存在本機,但 AI 分析仍須連接後端。其 DINOv2 分類管線有 387 個輸出類別,準確度仍需進一步實地驗證。
Meta 於 10 月 15 日發佈總參數量達 8,160 億的開放權重模型 Muse Spark Open,並與 Apple 合作,讓模型可在 2 部配備 M5 Ultra 晶片的 Mac Studio 上完全本機運行。
推薦理由:文章梳理 Muse Spark Open 在 Mac Studio 叢集本機運行所需的記憶體與互連條件,並指出企業還須衡量授權限制和部署成本。
Meta 與 Apple 硬件團隊合作推出開放權重 AI 模型 Muse Spark Open,並協作確保模型可在 M5 Mac Studio Ultra 上高效運行。
DJ 及製作人 Reinier Zonneveld 推出生成式 AI 音樂平台 GasLab,獲 $1M pre-seed 融資。平台只以同意參與的藝人及唱片公司提供的音樂為基礎生成作品,並透過 Digital Notary 記錄每首作品的貢獻音樂及權利人。被歸屬的藝人可分享訂閲或發行收入。
Receipt Sorter 是 Hacktoberfest Open-Source AI Challenge 第 2 週的參賽作品,將收據及發票整理成報税檔案,並抽取資料寫入 ledger.csv。預設使用 Qwen2.5-VL 7B,透過 Ollama 在本機推理;缺少日期或總額的文件會移至 needs-review/,不會猜測。
Meta 於 2026 年 10 月 15 日開放 Muse Spark Open 權重,其 Muse Model License 對產品標示、衍生模型及商業 API 設下使用條件。
推薦理由:文章拆解 Muse Model License 對產品標示、衍生模型及 API 收入的條件,呈現下載權重後部署或微調仍須核對的授權邊界。
Meta 於 10 月 15 日開放 Muse Spark Open,並與 Apple 合作,讓開發者可透過 MLX 在 Mac Studio 本機運行這款 8,160 億參數模型。
推薦理由:文章並列模型評測與多部 Mac Studio 的本機配置,呈現其工具使用與編程表現差異,以及部署所需的記憶體規模。
Meta於2026年10月15日公開 Muse Spark Open,供編碼及多階段工作的 AI 智能體開發,並可由開發者自行執行和訓練。與 Qwen、GLM、Kimi 比較,其 Terminal-Bench 2.1、DeepSWE 1.1、MCP-Atlas、JobBench 分數分別為76.4、60、89.2、61.8,表現因基準而異。
金溢科技與北京航空航天大學團隊圍繞多模態數據生成方法開展研究,首次提出面向路側視角的交通世界模型 TWM(Traffic World Model)。相關研究探索以生成式人工智能構建可控的道路場景數據,為高速公路事件監測及運行管理中的模型訓練、測試和評估提供數據支持。
OmniVerifier-C1 將複雜的多模態規則分解為逐點評分,並以解耦式強化學習訓練分級視覺驗證器,提升對分佈外多模態批評任務的泛化能力。研究亦指出,若有真實圖像可供比較,成對驗證比逐點驗證能提供更準確的批評;迷宮和數獨等結構化世界建模任務的實驗驗證了這一方法的成效。
Liquid AI 發佈 d1-ultra 多模態決策模型,可讀取文字及圖像,並以單次前向傳遞為各個可能答案輸出概率,生成的輸出 token 為 0。Liquid AI 稱,d1-ultra 在其 112 項評測的 8 個類別領先,並在 Artificial Analysis Decision Index 得分 65、排名第 1。
CoWorld Reasoner 提出以影片世界模型作為視覺推理引擎的智能體框架,在七項基準測試中勝過同一 VLM 的直接推理。最強版本在 MMSI 和 ERQA 的相對準確率分別提升 11.8% 和 13.0%,並在五項基準測試中勝過使用相同骨幹模型的五個演進基線。
Google 公佈新旗艦模型 Gemini 4 Argon,同時將於 11 月起停止向 Google AI Plus 訂戶提供 Gemini Pro,令用戶須重新評估工作流程。Argon 主打更自主的智能體能力,並承諾提升速度、推理及多模態功能。作者憂慮新預設模型是否適合自身用途,並質疑其能力提升能否在日常使用中體現。
MJev-Spatial 基於 Qwen3.5-4B,將空間推理任務統一為單次前向傳播分類,推理時不生成答案 token。模型總分達 65.64%,在 12 項基準測試中七項排名第一,並在全部 12 項勝過基礎模型。其速度是最快自回歸基線的 2.5 倍、基礎模型的 5.6 倍。
MMSearch-OPD結合可控數據精煉、強化學習(RL)與 on-policy distillation(OPD),提升長程多模態搜尋能力。Refine 流程擴展現有簡單多模態問題的推理鏈,並控制搜尋深度及跨模態證據要求。實驗顯示,數據精煉帶來提升,而在 SFT 後聯合訓練進一步改善搜尋能力。
小米開源空間音訊理解大模型 MiDashengLM-Spatial,公開完整模型權重及推理程式碼,並採用 Apache 2.0 授權。該模型以 MiDashengLM-7B 為基座,是業界首個開源端到端空間音訊理解大模型,具備空間感知與推理能力。模型將陸續應用於小米智能家居及汽車座艙等場景。
Meta 已公開 Muse Spark Open 的模型權重,這款面向編碼及長時程智能體任務的多模態模型共有 816B 參數,每個 token 啟用 42B。
推薦理由:文章並列智能體評測成績、其他基準的相對表現與桌面部署硬件需求,呈現模型的能力定位及本機運行門檻。