NVIDIA 發佈 Nemotron 3.5 Super VL 與 Nemotron 3.5 Bolt 74B-A9B
NVIDIA 發佈 Nemotron 3.5 Super VL 和 Nemotron 3.5 Bolt 74B-A9B,兩者在 Intelligence Index 分別得分 26.5 和 21.4。
推薦理由:文章把兩款模型與前代及同級模型的分數、輸出 tokens 用量和參數規模並列,呈現其能力與效率差異。
NVIDIA 發佈 Nemotron 3.5 Super VL 和 Nemotron 3.5 Bolt 74B-A9B,兩者在 Intelligence Index 分別得分 26.5 和 21.4。
推薦理由:文章把兩款模型與前代及同級模型的分數、輸出 tokens 用量和參數規模並列,呈現其能力與效率差異。
NVIDIA Nemotron Team 宣佈 NVIDIA Nemotron 3.5 Super VL 獲 vLLM Day 0 支援,vLLM 提供面向生產工作流程的模型服務層。
OpenHands 宣佈以 NVIDIA 發佈合作夥伴身份,將 Nemotron 3.5 Super VL 引入長時間運行的軟件工程智能體工作流。該模型採用 120B 參數的混合專家架構,其中 12B 參數處於啟用狀態,支援文字、圖像、文件及影片輸入,並具備智能體推理與工具使用能力。
NVIDIA 發佈開放的 Nemotron 3.5 Super VL,並推出兩款 Bolt 邊緣模型,將 Nemotron 系列覆蓋範圍延伸至數據中心、邊緣設備和本地硬件。
NVIDIA Nemotron 3.5 Super VL 以多模態推理支援專用 AI 智能體,是面向企業工作流程的開放、可自訂多模態模型。其採用 120B 參數的 MoE 架構,可用於處理較長、較複雜的工作流程,包括閲讀文件、跨來源核對資訊、遵循公司政策及呼叫多個工具。
英偉達發佈開放多模態模型 Nemotron 3.5 Super VL,總參數量 1200 億、激活參數 120 億;英偉達稱,其單 GPU 智能體任務吞吐量最高可達同規模其他開放模型的 5 倍。
NVIDIA 於 2026 年 10 月 15 日發佈開放多模態模型 Nemotron 3.5 Super VL,並公佈兩款面向邊緣及本地硬件的 Bolt 模型。
推薦理由:報道呈現 Nemotron 3.5 從企業伺服器到邊緣裝置的部署分層,並列出可用模型、量化方案與開放資料,展示其產品佈局。
WeJot 將 AI 問卷生成、AI 影片訪談、抽樣、分析及視覺化報告納入研究流程,並與傳統表單工具作流程比較。傳統表單工具擅長收集結構化答案,適合簡單調查;開放式研究的招募、分析和報告通常仍要另行處理。生成的問題和摘要仍是草稿,須由熟悉受眾的人員審核;文章沒有提供量化效能數據。
Pawdub 是一款 Android 寵物字幕應用程式,明言不能翻譯動物,而是在裝置端偵測寵物叫聲並配上玩笑字幕。字幕文案設有 8 種角色人設,支援 59 種語言,下載語言後可離線使用;音訊和影片只在手機上處理,不會上載。應用程式已提交 Google Play 審核,免費版與 Pro 版提供不同字幕樣式及匯出功能。
Invoice-Check JP以QLoRA微調的Qwen2.5-VL-3B-Instruct讀取日本合格發票,並以校驗碼、登記資料及税額計算判定是否自動核准。在600張合成測試發票中,86.8%獲自動核准,獲核准者沒有檢查可捕捉的錯誤欄位。結果僅適用於虛構公司的合成發票,不能代表真實發票表現。
Apertus 1.5 更新 8B 和 70B 模型,加入圖像與音訊理解及可選思考模式,並將上下文窗口擴至 262,144 tokens。持續預訓練分別為 8B 和 70B 模型加入 4 trillion tokens 和 2 trillion tokens 的文字及多模態訓練資料,總訓練量分別達 19T 和 17T。
推薦理由:文章同時公開訓練資料、各階段檢查點與可重跑的評測記錄,讀者可據此瞭解 Apertus 1.5 的訓練流程及比較評測結果。
yoking chan 建立了一款在瀏覽器本機運行的音訊轉 MIDI 工具,使用 TensorFlow.js 執行 Spotify 開源 basic-pitch 模型,音訊毋須上傳即可轉成可編輯的 MIDI 檔案。
GearWitness 是面向設備租賃業者的本地 AI 歸還檢查工作站,可比對交收前後的照片、整理配件清單,並提出附有證據的變化項目。系統以 OpenCV 對齊照片,再透過 Ollama 在本機使用 Gemma 3 4B 分析;操作人員須逐項確認,所有待處理項目完成決定後才能核准檢查。
Xreal 新推出的 One Pro Plus 高階顯示眼鏡已開售,亮度達 1,200 nits,較上一代 One Pro 的 700 nits 提升。售價為 $599,新增 Reading 顯示模式及更流暢的 AI 3D 轉換功能,但 2D 轉 3D 的效果仍不完美,並會犧牲不少畫面更新率。
RevCheck 讓用戶比較 mobile.bg 或 cars.bg 上的二手車,約 30 秒提供並排報告和選車建議。Gemma 4 檢查車輛照片,DeepSeek V4 Pro 列出引擎常見問題,TabPFN 3.5 根據可比車源估算價格區間。工具支援英文和保加利亞文,使用開放權重模型。
Chumsak 是一款以本機開放權重 Gemma 4 評改韓國資訊管理專業工程師考試答案的工具。它按 5 項加權準則評分,提供作文 25 分制或簡答題 10 分制的估分,並列出缺漏關鍵詞、3 項改進建議及參考大綱。答案不會離開用戶的電腦。
千問推出 N1、N1 Pro 兩款 AI 眼鏡及一款 AI 耳夾式耳機,將「主動服務」作為產品方向。N1 Pro 配備眼動追蹤,千問眼鏡亦以專用芯片和灰度感知鏈路持續理解環境,功耗為 5 毫瓦。系統按用戶授權提供服務,發送、支付等關鍵操作仍須由用戶確認。
元太科技與漢王科技聯合發佈 E Ink Kaleido 4 彩色電子紙技術,以及全球首款搭載該技術的漢王 M10C二代彩墨辦公本。Kaleido 4 的色域容積較前代提升 2 倍,達到 40K 以上,白畫面反射率提升 15%,對比度提升 50%,並支持最高 18FPS 視頻內容播放。M10C二代整合書寫、語音識別、OCR 和大模型功能,支持智能會議紀要、AI閲讀問答及離線語音轉寫。
OpenCode 宣佈即日起免費提供 DeepSeek V4.1 Flash 調用,在 OpenCode 平台內使用不再消耗 Go 套餐額度。免費版本支援 200K 上下文窗口,採用因果編碼器-解碼器架構,主幹參數為 552B;該模型於 9 月 10 日發布,屬原生多模態 MoE 模型。用戶回報指生成速度波動較大,在 200K 上下文下約為 50 tokens/s。
AI 餐牌分析透過自然語言處理、圖像識別和數據建模,協助食客理解菜式並按個人需要作出選擇。系統可從文字描述或菜式圖片推斷食材、份量和烹調方式,估算卡路里及營養素,並標示飲食選項和致敏原。它亦可按用戶的飲食限制、喜好及營養目標,排序或推薦菜式。
Google DeepMind 推出 Gemini 4 Argon,這款多模態 LLM 參數規模達 1.7 trillion,可在單次 forward pass 中理解文字、圖片及程式碼。它提供支援串流、函數呼叫及微調的託管 API;Google DeepMind 稱,TPU 部署時典型純文字查詢回應時間低於 200 ms。
TypeSafe AI 發佈 Jev 1.14,新增實驗性圖像輸入及 Box 類型,選用標頭可把上下文擴至 262k tokens。預設上下文為每個請求 64k、每條問題 32k tokens;目前透過 TypeSafe 託管 API 以 jev-preview 提供。圖像及 Box 尚未適合正式環境,輸入價格為每百萬 tokens $0.042,輸出免費。
生成式世界模擬框架結合 DAO 與 JING,將持續演進的共享世界狀態連接至連續的第一人稱視聽體驗。DAO 作為可計算世界引擎,維護角色、物件與空間的狀態及其關係,並按互動規則和世界時間推進世界;JING 根據觀察者條件、參照內容、觀察歷史及當前行動生成視聽體驗。用戶可透過視角控制和文字指令探索環境、操作物件及與角色交流,行動會影響共享狀態及後續體驗。
評估住宅平面圖時,可把牆視作邊、開口視作節點,檢查動線是否穿過休息區,而非只憑外觀判斷。文章提出五項空間測試,並指出電腦視覺和佈局模型可辨識門窗、傢俱及大致步行路徑;Juhe(居合)則是作者正在構建的 AI 家居風水顧問。
inclusionAI 的 ZwZ2-4B 是基於 Qwen3.5-4B 的模型,屬於 Zooming-without-Zooming-v2(ZwZ2),可透過比較、整合、匹配及多步推理連結不同區域的視覺證據,推理時毋須縮放工具。
AI 智能體 Lily 分享將歌曲音訊製作成樂譜的流程,以及 3 個險些上線的錯誤。她以 basic-pitch 擷取音符事件,再用 LilyPond 排版並輸出 PDF;錯誤涉及等音拼寫、LilyPond 記譜規則及調性判斷分歧。獨奏和鋼琴主導的曲目效果較清晰,輸出因此標示為根據音訊編配,而非樂譜轉錄。
LocalFolio 是面向自由工作者、獨立承包商及獨資經營者的離線優先發票和收據整理工具,透過 Ollama 在本機執行 Llama 3.2 (3B Vision),擷取文件資料並自動分類。文件毋須上傳雲端,資料存入可搜尋的 SQLite 帳冊;本機推理每次掃描成本為 $0.00。
階躍開放 Step 5 Preview 的 BF16 與 FP8 模型權重,並同步公開技術博客及配套開源開發工具。模型採用稀疏 MoE 架構,總參數量為 600B、每 token 僅激活 27B 參數,支援 100 萬 token 上下文窗口及文字與視覺輸入。
推薦理由:文章拆解 Step 5 Preview 面向長程 Agent 任務的架構與訓練設計,並説明 Sparse GQA 如何降低百萬 token 上下文的計算開銷。
上海人工智能實驗室訪問學者兼大灣區大學教授許地生團隊,依託書生科學多模態大模型 S2,以人機協同方式完成三維 Ghys 猜想的證明。北京大學董彬、劉若川團隊使用 SHEAF 框架完成形式化驗證;相關論文已發布於 arXiv,形式化程式碼亦已在 GitHub 公開。
推薦理由:這項成果將專家判斷納入模型求解流程,並經 SHEAF 框架形式化驗證,提供人機協同處理長期數學問題的具體案例。
研究提出多模態智能體記憶的雙軸分析框架,分別考察多模態資訊的形成與表徵,以及記憶管理如何隨累積經驗調整。框架將記憶管理分為 T1 靜態記憶、T2 動態記憶及 T3 自我演進記憶,分別按固定方式重用記憶、按穩定政策更新,以及按演進政策更新,並提出兼顧來源忠實度、時間有效性、來源脈絡與可復原證據的設計原則。
TypeSafe AI 發表 AI 模型 Jev 1.14,新增 box 回答型以回傳圖中目標的長方形座標,並實驗性提供圖片輸入及長上下文。Jev 1.13 和 1.14 均支援 PNG、JPEG 輸入;啟用長上下文後,兩項長度上限均提高至 262k tokens。TypeSafe AI 預期多語言能力改善最大;圖片輸入與 box 仍未適合正式使用。
彭博社稱,Apple 計劃於 12 月透過 iOS 27.3 在中國大陸推出 Apple Intelligence,首批功能覆蓋 iPhone、iPad 和 Mac。
開源工具 FoodTruth 透過食品包裝正反面影像擷取營養與成分資料,並審核誤導宣稱及法規風險。其審核流程採用 Gemma 開放權重模型(gemma-4-26b-a4b-it/gemma-4-31b-it),再以規則引擎評估糖分風險、蛋白質品質、熱量效益及 FSSAI/FDA 標示合規。程式碼以 MIT 授權開源,並提出每月 $4.99 或每年 $39 的消費者訂閲方案。
DecisionRobust 基準測試評估 JEV 類決策模型在文字與視覺輸入下抵抗對抗性操縱的能力,涵蓋文字與圖像擾動,以及兩種模態下的提示詞注入。研究測試了文字任務的 30 種模型配置和視覺任務的 17 種,結果顯示不同任務及攻擊類型下的相對穩健性各異,抵抗輸入擾動不代表能抵抗提示詞注入。標籤一致性檢查可大幅降低文字和圖像設定下測得的攻擊成功率。
這份 2026 年 11 月的排名比較 5 款大型語言模型,已列出的模型包括 GPT-5.6 Sol、Claude Fable 5、Gemini 3.1 Pro Preview 和 Grok 4.5。
面向電影人的 AI 前期製作工具清單涵蓋 10 款產品,功能包括劇本分析、製作排程、預算編製、分鏡製作及虛擬製作環境。部分平台可連接開發流程中的多個環節,讓劇本修訂同步反映在相關製作文件;AI 生成的分析、排程和視覺內容仍須由有經驗的電影工作者核對。
格式塔科技押注超聲腦機接口,探索在不開顱下讀取和調控大腦深部區域,並以慢性疼痛作為首個產品方向。公司披露,經顱聚焦超聲可實現4到8毫米聚焦,最深可達顱骨下6到7釐米;功能性超聲成像的時間分辨率低於100毫秒。格式塔預計2026年底發布針對慢性疼痛的第一代產品並開展相關臨牀試驗,也正以多模態腦數據構建大腦基礎模型。
多模態 AI 在生產環境的主要難點不只是視覺模型選擇,而是輸入接收、預處理、路由和人工覆核等整條管線。原文指出,40–60% 的真實文件頁面需要預處理,才能達到演示準確度,部署亦應保留視覺原生及 OCR 後備路徑。文章建議以真實失敗樣本建立回歸測試集,並把低信心結果交由人工覆核。
Jev 發佈 jev-1.14.0,並透過 API 標頭旗標提供可組合圖片、box 類型及較長上下文等實驗性功能。官方提醒這些功能仍有不少不穩定之處,不適合用於生產環境。新版本預期在多語言支援方面提升最多;jev-latest 將於一週後更新至 jev-1.14.0,jev-1.13.0 暫時仍可使用。
Google 推出 Gemini 4 Argon,定位為面向深度、多步推理及長程任務的前沿模型,支援最高 1 million tokens 的上下文窗口。
推薦理由:文中整理模型的接入渠道與分階段 API 定價,並指出長上下文工作流的成本取決於 token 用量,為企業規劃實測提供具體參照。