跳到正文
10月16日週五
  1. HuggingFace Daily Papers(社區熱門論文)38

    Skill-Decoupled On-Policy Expert Distillation for Unified Vision-Language Models

    SCOPED 為不同能力分別訓練專家,透過獎勵引導反思提取技能,再以在策略蒸餾將程序知識整合至統一視覺語言模型。蒸餾時,技能只用於引導專家監督,不會提供給統一模型在推理時使用,以減少不同能力之間的幹擾。在八個多模態基準測試中,SCOPED 持續優於骨幹模型及混合能力強化學習方法。

  2. HuggingFace Daily Papers(社區熱門論文)35

    EVA-Cap:透過事件中心對齊優化視聽影片描述生成

    EVA-Cap 將視聽影片描述拆解為原子視聽事件,並透過以事件為中心的對齊優化描述生成。該框架在自建 EVA-Data 數據集上以監督式微調(SFT)及羣組相對策略優化(GRPO)訓練,並針對事件完整性、事件內歸因及事件間同步進行優化。評測中,EVA-Cap 在 ChronusAV 的事件中心評測平均提升 +9.0%,在 WorldSense 提升 +3.3%。

  3. DEV Community76

    Meta 發佈 Muse Spark Open 開放權重模型,816B 參數可下載但本地運行約需 1TB RAM

    Meta 於 2026 年 10 月 15 日推出 Muse Spark Open,這款開放權重模型共有 816B 參數,權重可免費下載。模型採用混合專家架構,每個 token 啟用 42B 參數,支援 1,048,576 token 上下文及文字、圖像、音訊和影片輸入,並以智能體編碼為設計方向。

    推薦理由:文章把免費下載、本地運行所需硬件與商用授權條件放在一起,交代 Muse Spark Open 從取得權重到實際部署的門檻。

  4. DoNews43

    閲文升級 DramaBuddy 漫劇助手,完善 OPC 一站式漫劇平台體系

    閲文升級 DramaBuddy 漫劇助手,並完善 OPC 一站式漫劇平台體系。平台開放閲文 200+ 內容流派 IP 資源,以 AI 製作工具打通劇本、分鏡及視覺製作流程,並聯動起點漫劇、ToonScroll、騰訊生態及第三方渠道推動全球發行。平台亦落地 A→S 創作者評級體系,透過分層激勵扶持創新內容。

  5. HuggingFace Daily Papers(社區熱門論文)37

    Intern-Decision:以自回歸掩碼語言建模實現高效多模態決策

    Intern-Decision 提出 0.8B、2B 和 4B 多模態決策模型,可根據文字及可選圖片輸出結構化選擇和候選項目概率。4B 模型在七個評測套件的未加權平均準確率為 90.02%,高於 Jev v1.13.0 的 88.74%;固定 289-token、含三個欄位的請求在單張 RTX 4090 上平均延遲為 44.16 ms。

  6. DoNews79

    Meta 發佈開放權重模型 Muse Spark Open,可在兩台配備 M5 Ultra、512 GB 記憶體的 Mac Studio 本地運行

    Meta 發佈開放權重模型 Muse Spark Open;該模型可在兩台配備 M5 Ultra、512 GB 記憶體的 Mac Studio 上本地運行。模型採用原生多模態架構,總參數量為 816B(激活參數 42B),上下文窗口為 1M token。

    推薦理由:文章並列 Muse Spark Open 的參數規模、上下文窗口及兩台配備 M5 Ultra、512 GB 記憶體的 Mac Studio 本地運行條件,呈現其桌面部署門檻。

  7. SiliconANGLE77

    Meta 發佈 816B 參數 Muse Spark Open 開放權重,面向編碼及智能體任務

    Meta 發佈 Muse Spark Open 的開放權重,這款 816B 參數模型面向編碼及長時間運作的智能體任務。其上下文窗口最高為 1 million tokens;Meta 的測試中,模型在 JobBench 得分 61.8,在 MCP-Atlas 工具使用測試得分 89.2。

    推薦理由:文章比較 Muse Spark Open 在編碼與工具調用基準上的表現,並交代開放權重的商用授權條件,呈現其能力側重與使用限制。

  8. DEV Community43

    Only two lines on an Alberta power bill matter. A local model finds them.

    bill2quote 使用本地視覺模型讀取 Alberta 公用事業帳單,找出能源費和行政費,生成節省比較及可供登記的資料。程式以 20 項確定性檢查驗證讀取結果和計算,並由人員在報價前確認數字。測試合成帳單時,Qwen3-VL 8b 有 7 張帳單的關鍵報價欄位全數正確,平均每張處理約 73 秒。

  9. HuggingFace Daily Papers(社區熱門論文)45

    Xiaomi-Lens-0 技術報告

    Xiaomi-Lens-0 是基於 Qwen3.5 構建的 4B 多模態模型,透過自身視覺表徵預測遮罩,以改善細粒度區域推理和指代理解。在 RefCOCO、RefCOCO+ 和 RefCOCOg 的全部八個 split 中,其指代理解平均較 Qwen3.5 高 5.6 分,並在所比較模型中取得最高分割 cIoU;它亦在所有感知基準上勝過 Qwen3.5。

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

    Harnessing Textual Refusal Directions for Multimodal Safety

    MARS 是一種免訓練方法,利用從 LLM 主幹提取的文本拒絕方向,在無須多模態安全數據的情況下引導多模態模型提升安全性。該方法在五個 SOTA 多模態大語言模型上接受安全性、效用及影片越獄評測,提升安全性的同時保留效用,但可能出現過度拒絕。

  11. DEV Community60

    Apple Intelligence 擬於 2026 年 12 月隨 iOS 27.3 登陸中國內地

    Apple 計劃於 2026 年 12 月隨 iOS 27.3 在中國內地推出 Apple Intelligence,採用 Alibaba 的 AI 模型,而非其在西方使用的 Google Gemini 模型。多家報道對首批功能説法不一,但均稱中國版不包括 Siri AI 和 Image Playground。Apple 尚未公佈計劃,日期、功能清單及合作方角色均為報道內容,審批亦可能影響安排。

  12. Hacker News 熱門(buzzing.cc 中文翻譯)85

    Meta 發佈 Muse Spark Open 開放權重模型,支援在兩台 Apple M5 Ultra Mac Studio 上桌面運行

    Meta 今日發佈 Muse Spark Open 的模型權重;這款原生多模態模型有 816B 總參數(42B active)及 1M-token 上下文窗口。

    推薦理由:Muse Spark Open 同時公佈本機部署配置、託管 API 入口及 GPU 推理速度數據,呈現開放權重模型從桌面運行到託管服務的部署路徑。

  13. Modal 官方工程博客71

    Muse Spark Open 現已可在 Modal 使用

    Meta 已發佈 Muse Spark Open 權重,該模型現已可透過 Modal Auto Endpoints 使用。模型專為智能體編碼和長時程任務而設,具原生多模態理解及 1M-token 上下文窗口,並支援編寫和除錯程式碼、多步規劃、循序使用工具及延長工作流程中的失敗恢復。

  14. PyTorch:Blog74

    Meta 開放 Muse Spark Open 權重

    Meta 開放 Muse Spark Open 權重,模型即日起可在 Hugging Face 按 Muse Model License 取得。模型有 816B 總參數、42B 活躍參數及 1M tokens 上下文窗口,針對編碼和 Agent 工作設計,並支援圖像、文件、音訊及音訊影片理解。

  15. Unite.AI79

    Meta 公開 816B 參數 Muse Spark Open 模型權重

    Meta 於 2026 年 10 月 15 日公開 Muse Spark Open 的模型權重;這款原生多模態開放權重模型有 816B 總參數、42B 啟用參數及 1M-token 上下文窗口。

    推薦理由:文章列出 Muse Spark Open 的權重下載與 API 使用途徑,並交代本地運行至少需要 700GB VRAM(NVFP4)或 2TB(BF16),可供評估部署條件。

  16. Hugging Face Blog81

    Meta 發佈開放權重多模態混合專家模型 Muse Spark Open

    Meta 推出 Muse Spark Open,一款約 816B 參數、每個 token 約啟用 42B 參數的開放權重多模態混合專家模型,支援文字、圖像、音訊和影片輸入,並生成文字。模型的上下文窗口最高為 1M tokens。文章列出 Transformers、llama.cpp、SGLang 和 vLLM 等推理部署方式,以及使用 TRL 進行 LoRA 微調的示例。

    推薦理由:文章把模型規模、長上下文與多模態輸入能力,連同多種部署和微調方案放在同一份技術指南中,可用來瞭解模型的運行配置與使用方式。

  17. Liquid AI 模型與工程博客50

    d1-ultra:推出號稱全球最佳的決策模型

    Liquid AI 推出多模態決策模型 d1-ultra,支援文字和圖片輸入,並以一次前向傳播輸出答案概率,不生成 token。模型在 Artificial Analysis Decision Index 上比其他決策模型至少高 8 分,並在所有任務中勝過 Jev 1.14,提供更準確且校準更佳的答案。

  18. DEV Community37

    PaperTrail:由開放權重 AI 驅動的私隱優先財務助手

    PaperTrail 是私隱優先的財務文件管理工具,利用開放權重多模態 AI 擷取發票及收據資料,並以確定性審核引擎核對算術差異。工具面向自由工作者、個人創業者及獨立創作者,支援 Meta Llama 3.2 Vision、Qwen2.5-VL 本地文件理解工作流程,並提供 Ollama 和 FastAPI 整合選項;記錄可匯出為 CSV 賬簿、可列印明細表及本地備份。

  19. DEV Community34

    PaperTrail:由開放權重 AI 驅動的私隱優先財務副駕駛

    PaperTrail 是面向自由工作者、個人創業者及獨立創作者的私隱優先財務文件管理工具,利用開放權重多模態 AI 擷取發票及收據資料,並以確定性審核引擎核對算術差異。工具支援本機儲存及本機推理,並可匯出 CSV 帳冊、列印用報表及本機備份。其文件理解工作流程採用 Meta Llama 3.2 Vision 和 Qwen2.5-VL,並提供 Ollama 和 FastAPI 本機推理整合選項。

10月15日週四