跳到正文
10月15日週四
  1. HuggingFace Daily Papers(社區熱門論文)40

    OmniXRef: A Unified Framework for Multimodal Multi-Reference Video Editing

    OmniXRef 提出統一框架,讓用戶結合不同數量的文字、圖片及影片參考,控制來源影片的多種屬性。框架採用 R^2-RoPE,並以單流擴散 Transformer 處理來源影片及來自 MLLM 的多模態上下文;團隊亦建構 OmniXRef-Data 和 OmniXRef-Bench。評估顯示,OmniXRef-Model 的表現優於特定任務基線及商業模型。

  2. HuggingFace Daily Papers(社區熱門論文)48

    Event-STVG:面向長篇事件推理的時空影片定位基準

    Event-STVG 提出面向多模態模型的長篇事件推理基準,要求模型在長影片中辨別重複事件,並進行多目標時空定位。基準涵蓋足球及另外七個領域,共標註 4,016 個事件;在 10 分鐘時長下,表現最強的模型 m-vIoU 只有 5.4%。研究亦觀察到模型難以區分同類重複事件、進行空間定位,以及同時定位所有所需角色。

  3. HuggingFace Daily Papers(社區熱門論文)50

    Stuck on Shuffle: On Attribute-Object Binding in Vision-Language Models

    一項新基準測試揭示,多模態檢索模型普遍存在屬性與物件綁定失誤,涵蓋 CLIP 式雙編碼器及新近的 MLLM 嵌入模型。研究團隊推出 SABER,評估圖像與文字之間四種配對,場景最多包含十個物件;只用合成屬性綁定文字微調 MLLM 嵌入模型,無需圖像監督,仍能提升跨模態及圖像對圖像檢索,並在 SABER 上取得 SOTA 成績。

  4. HuggingFace Daily Papers(社區熱門論文)43

    AVC-Reward:以事件為中心的音訊與影片一致性評估

    AVC-Reward提出以事件為中心的音訊與影片一致性評估框架,並實作為可訓練的獎勵模型,用於評估複雜多事件場景。框架衡量整體敍事協調、事件層級時間同步及細緻屬性對齊。它與人類判斷的吻合度在自動評估方法中達到當前最佳,亦可定位失效原因,並作為線上強化學習訊號提升聯合生成模型的音訊與影片一致性。

  5. HuggingFace Daily Papers(社區熱門論文)42

    Can Visual Generation Expand What Unified Multimodal Models Know?

    視覺生成訓練可把文字未充分記錄的視覺資訊傳入預訓練多模態模型,但轉移至語言的程度不一。研究以 Knowledge Transfer Probing(KTP)測試三個統一多模態模型在七類知識上的轉移。Textual Alignment 和 Interleaved Image--Text Alignment 可提升文字對這些知識的存取,但圖像與文字兩種存取方式之間仍有明顯差距。

  6. Apple Machine Learning Research48

    三模態遮罩擴散模型的設計空間

    研究團隊提出首個從零開始預訓練的三模態遮罩擴散模型(MDM),訓練數據涵蓋文字、圖文及音訊文字。研究系統分析多模態 scaling laws、模態混合比例、噪聲排程及批次大小效應,並提出基於 SDE 的重新參數化,毋須調校最佳批次大小。初步模型規模為 3B(6.4T tokens),在文字生成、T2I 及 T2S 任務均取得強勁結果。

  7. Google Research54

    Google Research 在 Research@ 2026 展示 10 種放大人類創造力的方式

    Google Research 在 Research@ 2026 展示 10 項研究進展與工具,涵蓋地理空間分析、科研、醫療、災害預測及教育。Google Earth AI 擴大早期使用範圍,Deep Review 開放予公眾;Groundsource 整理出逾 2.6 million 宗洪災事件的數據集,協助訓練可提前最多 24 小時預測城市山洪機率的模型。

10月14日週三
  1. IT之家28

    消息指 Nothing 將推出兩款智能眼鏡:音訊版及相機版,後者支援 ChatGPT

    消息人士 Roland Quandt 透露,Nothing 將推出兩款智能眼鏡,分別主打音訊功能及配備相機。音訊版支援播放音樂、通話及透過眼鏡與手機語音助手互動,並配備可在陽光下變暗、室內變亮的光致變色鏡片。相機版支援 ChatGPT 和翻譯功能;彭博社此前稱,Nothing 智能眼鏡會透過手機及雲端處理 AI 任務,且不設 AR 顯示屏。

  2. IT之家55

    榮耀 MagicOS 11 公佈十月升級功能,AI 隨心握更新及 IT之家資訊、圈子首頁與話題頁懸浮按鈕支援跟手移動

    榮耀 MagicOS 官方公佈 MagicOS 十月體驗升級內容,涵蓋 YOYO、桌面與鎖屏、跨品牌互聯、應用設定及生態功能。新增 AI 證件照、存包碼提醒及遊樂園助手,並支援與 iPhone 雙向同步來電、通知及相簿。另有 IT之家資訊及圈子首頁、話題頁懸浮按鈕支援跟手移動,並新增支付風險檢測和親情防詐。

  3. Unite.AI47

    Alibaba 的 Qwen Glasses N1 採用 Himax WiseEye 常開視覺 AI

    Himax 宣佈,WiseEye HX6538 超低功耗 AI 處理器已整合至 Alibaba 最新的 Qwen Glasses N1 系列,為智能眼鏡提供常開視覺感知系統。HX6538 採用 Arm Cortex-M55 CPU 和 Ethos-U55 NPU,以 5 毫瓦功耗進行即時裝置端視覺 AI 推理。處理器偵測到相關事件或有人出現時才喚醒主機進行進一步 AI 處理,否則主機保持休眠。

  4. Unite.AI53

    NEURA Robotics 發佈 Neuron AI 多模態 Physical AI 基礎模型

    NEURA Robotics 於 2026 年 10 月 14 日推出 Neuron AI,稱其為用於 Physical AI 的多模態基礎模型,採用 Perception-Language-Action(PLA)架構,整合視覺、聽覺、觸覺與記憶,將多感官資訊轉化為實體動作。公司表示,模型可在機械人本機即時運行,無需伺服器往返,沒有雲端連線時仍可運作。

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

    Urbex:面向城市級 3D 場景的智能體式空間定位

    Urbex 提出面向城市級 3D 場景的智能體視覺語言框架,把空間定位由候選排序改為主動搜尋。框架在 CityRefer 上透過強化學習優化工具使用策略,取得最佳 Hit@1 和 IoU,並支援無需候選框及真值框的定位,速度大幅快於最強城市級排序基線。STPLS3D-Refer 的 zero-shot 結果亦顯示其跨場景穩健性有所提升。

  6. DoNews61

    iPhone Duo 國行版新增三項大模型備案,10月16日開放預購

    蘋果 iPhone Duo 國行版(型號 A3721)於2026年9月29日完成換證,新增三項大模型備案,並將於10月16日20時起開放預購。備案資料顯示,Apple智能於2026年7月8日獲批並支援端側生成式 AI 服務;阿里千問相關模型將深度整合至 iOS 等系統,為中國用戶提供文字與圖像理解、內容生成等原生 AI 能力。iPhone Duo 將於10月23日發售,起售價為15999元。

  7. MarkTechPost87

    Google 發佈 Gemini 4 Argon API,輸出上限達 1M token

    Google DeepMind 已向開發者、企業及付費 Gemini 訂閲用戶開放 Gemini 4 Argon,單次回應最多可輸出 1M token。模型的輸入與輸出共用 1M token 上下文窗口;Gemini API 入門價格為輸入每百萬 token $2、輸出每百萬 token $10,2026 年 11 月 30 日後調升至 $4/$20。

    推薦理由:文章把 Gemini 4 Argon 的 1M token 輸出上限、定價和基準成績並列,亦交代部分對手分數的來源差異,有助掌握比較結果的限制。

  8. DEV Community41

    I built an app to duel your past self in push-ups and pull-ups!

    RivalRep 是一款網頁應用程式,透過手機鏡頭計算掌上壓和引體上升,讓用戶與個人最佳紀錄回放、自適應機械人或朋友實時對戰。應用程式提供 3 種挑戰模式,並會按用戶的回饋和進度調整訓練計劃。姿勢偵測完全在裝置本機執行,不會上載影片或圖像資料;無須下載或帳戶即可開始訓練。

  9. HuggingFace Daily Papers(社區熱門論文)51

    TacitVLA:降低具推理能力視覺語言動作模型的延遲

    TacitVLA 是一種視覺語言動作(VLA)模型,其動作專家在當前呼叫中不讀取生成的推理文本,令動作無須等待自回歸解碼。在 RoboMME、RMBench、LIBERO 和 PhysicalAI-AV 四項基準上,其表現匹配顯式推理版本,延遲最多降低 3.4x;與同架構、未以推理訓練的版本相比,延遲相當而成功率最高提升 17.1%。

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

    AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards

    AesCode以解耦的跨模態獎勵進行強化學習,提升程式碼生成視覺作品的空間規劃、美感及可驗證正確性。相較使用相同參考圖像的同規模 Qwen3-VL 基線,AesCode-8B 和 AesCode-32B 的視覺品質分數分別提高 31.1 和 22.4 個百分點,達到與 GPT-5.5、Claude Opus 4.8 等閉源前沿模型相若的水平。

  11. HuggingFace Daily Papers(社區熱門論文)43

    EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ

    EgoExplorer 是一套以可穿戴系統建構的 100 小時人類移動操作觀測資料,將第一身影片、重建的全身動作、精細手指動作、觸覺觀察及逐步描述對齊。研究提出 Calibrate-Complete-Constrain 流程;相較最強基線,身體點誤差降低 71.9%,配對評估亦顯示手部穩定性及接觸估計有所提升。

  12. 創業邦85

    Google 全球上線 Gemini 4 Argon

    Google 全球上線 Gemini 4 Argon,Pro 用戶可在 Gemini 應用及搜尋 AI 模式體驗,開發者可付費透過 API 使用。模型結合圖像、影片及語言理解、推理與程式碼執行,並可呼叫工具;官方公開的 19 項基準中,最高思考級別取得 13 項單獨最高、1 項並列最高。

    推薦理由:文章並列 Chrome 重構、ADK 長時間維護及新酶設計等案例,呈現 Gemini 4 Argon 在程式工程與科研任務中的實測範圍。

  13. DoNews44

    雲蝶科技完成數億元B+輪融資

    雲蝶科技於10月14日宣佈完成數億元B+輪系列融資,由StellarS Capital、亞洲聯合基建、長浙投資等機構及個人共同投資。本輪資金將重點投入具身智能技術研發及真實行業場景的規模化落地。公司已形成垂直大模型、行業智能體及視覺識別等產品能力,服務超過4000家企業客戶。

  14. Ai2 / Allen Institute for AI38

    How Molmo 2’s open release helped an MIT researcher rethink fish tracking

    Molmo 2 開放提供模型、程式碼和訓練資料,讓 MIT 研究員 Kai Van Brunt 得以將其微調為 Molmo2Fish,用日常語言修正聲納影片中的三文魚追蹤結果。Molmo2Fish 微調後、未經修正時的表現大致與專用魚類追蹤系統相若,但不同河流的結果有所差異;語言指令能修正部分錯誤,模型目前仍是研究項目,尚未部署。

  15. HuggingFace Daily Papers(社區熱門論文)42

    WinARDet:以壓縮窗口自回歸實現長時程視覺語言定位

    WinARDet提出壓縮窗口自回歸機制,透過限制窗口內的自回歸並壓縮過往窗口,減少密集場景中的重複方框輸出。在每張圖像含有 200-2,000 個物件的 RSDense 上,WinARDet 將 RexOmni F1-score(IoU=0.5)由 32.16 提升至 39.36,冗餘率由 35.48% 降至 13.00%。該方法亦適用於平行方框解碼及多邊形生成。

  16. HuggingFace Daily Papers(社區熱門論文)54

    PrismaCoder 以分解式評分規準推進開放多模態程式碼智能

    研究團隊提出 PrismaForge,以合成評分規準拆解多模態程式碼資料的品質要求,並用於資料篩選及模型訓練。團隊據此建立 PrismaCoder-2M 數據集,並訓練、發布 PrismaCoder-9B 和 PrismaCoder-35B。兩款模型大幅領先開放模型的現有水平,並可與領先專有系統匹敵;該評分規準流程亦提升不同模型骨幹的多模態編碼表現。

  17. HuggingFace Daily Papers(社區熱門論文)39

    GAFU:解鎖統一多模態模型的細粒度理解能力

    GAFU 是一種後訓練框架,將生成端視覺表徵壓縮為精簡的 G tokens,供理解路徑按任務檢索,以提升統一多模態模型的細粒度視覺理解能力。與使用相同數據訓練的 SFT 基線相比,GAFU 在 VStar-Bench、OmniSpatial 和 VSR-Bench 的相對提升最高分別為 20.00%、17.94% 和 8.62%。