跳到正文
10月14日週三
  1. HuggingFace Daily Papers(社區熱門論文)37

    Lluna: Collaborative Unimodal Models for Missing-Modality Inference

    Lluna 透過私有單模態預測、圖式殘差協作及漸進式一致性訓練,改善模態缺失時的多模態預測。在涵蓋情感運算、場景理解及醫療預測的八個數據集上,Lluna 的 Mean-Missing 平均表現較最強評估基線提升 4.26%。固定錨點診斷顯示,八項任務在最少輸入下的平均協作均有正向提升;程式碼已提供。

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

    MInfoVisQA:資訊密集型視覺問答的多語言基準

    MInfoVisQA 是一個涵蓋 24 種語言的平行基準,評估多模態大語言模型在資訊密集型視覺問答中的跨語言穩健性。基準包含 8,960 組問答配置,研究評估了 25 個模型;兩個語言對齊問答平均準確率同為 80.4% 的模型,跨語言表現差距分別達 7.8 和 20.3 個百分點。固定使用英文提問時,25 個模型在非英語視覺素材上的得分均較低。

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

    Equal CER, Unequal Damage: Severity-Weighted Character Error Rate for OCR

    研究提出 semCER,利用 LLM 評審按嚴重程度為字素編輯加權,令 OCR 和視覺語言模型的評分比標準 CER 更貼近人類評分。semCER 保留 CER 的對齊方式和分母,無需分詞,並將錯誤拆解為具名編輯。研究公開 61 million 個經評審的編輯、彙總讀者評分及蒸餾評分器。

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

    Intern Lumina U2:用於全方位視覺理解與圖像生成的多碼本擴散大語言模型

    Intern Lumina U2 是一款採用多碼本離散視覺 token 的擴散大語言模型,將文字與圖像、影片及 3D 生成整合於單一主幹網絡,並支援圖像、影片和 3D 輸入。它在視覺理解、圖像生成及圖像編輯方面於統一模型中表現領先,並以穩定性感知取樣策略令圖像生成加速 4.45x。

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

    BlenderWorld:評測視覺智能體根據真實世界參考資料進行 3D 創作

    BlenderWorld 是評測多模態語言模型完成真實世界參照 3D 創作的基準測試,涵蓋 223 項任務。評估採用多角度渲染及 2,651 項二元評分準則;13 個前沿模型中,GPT-6-Astra 以 79.9 分居首,Opus-5 得 73.0 分,GPT-5.6-Sol 得 67.7 分。模型仍難以掌握細緻的 3D 空間一致性及準確重現結構。

  6. HuggingFace Daily Papers(社區熱門論文)40

    WorldCast: Exploring Intelligent Visual Generation in World State Prediction

    WorldCast研究提出多模態生成模型的四級能力層級,並設立評估多步世界狀態預測的基準測試。基準涵蓋八個類別的320個人工設計案例,評估12個具代表性的模型;GPT-Image-2.5 System 得分72.8,Nano Banana Pro 得分42.8,最佳開源模型得分20.1。結果顯示,開源模型在複雜脈絡、交織參照及推理密集任務上仍有明顯差距。

  7. Google DeepMind84

    Gemini 4 Argon:為解決最棘手的問題而打造

    Google DeepMind 發佈 Gemini 4 Argon,今日起按用戶類別透過 Gemini API、AI Studio、Google Antigravity、Gemini app 及 Search 的 AI Mode 提供使用。

    推薦理由:文章並列 Argon 的跨領域基準表現、使用入口、定價與工程及科研案例,讀者可據此瞭解其能力定位和實際應用範圍。

  8. DEV Community41

    ListingLift:供轉售者使用的本地 AI 商品刊登文案工具(Hacktoberfest HF26 Week 2 — Side Hustle)

    ListingLift 是供轉售者使用的本地 AI 商品刊登文案工具,透過 Ollama 在賣家裝置上運行 Gemma(gemma4:e4b),按商品照片生成刊登內容。它會產生標題、SEO 標籤、描述、建議價格範圍、商品狀況備註及平台提示。工具毋須雲端 API,亦可在沒有網絡訊號時使用。

10月13日週二
  1. Lovable Blog29

    如何將 Replicate 整合至 Lovable?

    Lovable 可透過無程式碼介面及 API 能力整合 Replicate,讓開發者在應用程式中使用圖像生成、文字轉語音和影片等 AI 模型。開發者可先在 Replicate Playground 測試及調整模型,再將 API 程式碼加入 Lovable;Replicate 亦提供模型部署和硬件擴展功能。

  2. 第一財經55

    肺癌多模態大模型 DeepGEM 2.0 發佈,基因檢測費用有望降至數百元

    鐘南山團隊與金域醫學聯合開發的肺癌病理基因多模態大模型 DeepGEM 2.0 正式發佈,可利用常規數碼病理切片圖像進行基因預篩。模型涵蓋國內已獲批肺癌靶向藥對應的 12 個基因,預測精確度最高可達 90%,最快 1 分鐘輸出結果。採用「AI 初篩+特定基因靶向驗證」模式,有望將肺癌基因檢測費用降至數百元。

  3. IT之家25

    Apple 首款智能家居中樞 HomeView 攝影機規格曝光:1130 萬像素 Sony IMX614 感光元件

    Apple 首款智能家居中樞 HomeView 攝影機規格曝光,配備 Sony IMX614 CMOS 感光元件,有效像素約 1130 萬。它可拍攝 3744 × 3024 照片,影片錄製支援 30FPS/60FPS,並採用 RGB 成像。HomeView 可識別人體、人臉、手部、貓和狗,支援 3D 人臉追蹤及裝置距離偵測,但不支援 Face ID、紅外線和螢幕距離偵測。

  4. IT之家42

    哈囉 Robotaxi 發佈生成式駕駛世界模型 HelloWorld,整合場景控制、連續生成、多感測器觀測與高效推理能力

    哈囉 Robotaxi 昨天宣佈推出生成式駕駛世界模型 HelloWorld,整合場景控制、連續生成、多感測器觀測與高效推理能力。模型可根據自然語言描述或編輯車輛、行人及運動軌跡,生成多視角影片與激光雷達觀測;施工、密集交通、雨雪、霧天及不同光照條件均可用來引導生成。

  5. DoNews41

    哈囉發佈生成式駕駛世界模型 HelloWorld

    哈囉於2026年10月13日在深圳發佈生成式駕駛世界模型 HelloWorld,可按自然語言指令或手動編輯車輛、行人及運動軌跡,生成多視角影片與激光雷達觀測數據。研發人員可構建行人橫過、前車變道、雨雪天氣及晝夜切換等長尾測試場景,補足真實路測對罕見情境的覆蓋不足。該模型旨在加快自動駕駛演算法迭代及安全驗證。

  6. elsewhere:文章63

    自然意志發佈首個物理世界通用基礎模型 Natura-1

    自然意志發佈 Natura-1,這款 500 億參數的物理世界通用基礎模型以 100 萬小時第一人稱人類經驗完成預訓練。模型以語言和視覺為輸入,可在 100 毫秒控制迴路中驅動 20 自由度靈巧手。在自建的 12 維度基準中,Natura-1 的 Base 和 Agentic 綜合得分分別為 53.4% 和 59.1%;Agentic 在全部 12 個維度取得最高或並列最高得分。

  7. IT之家33

    導演徐克談 AI:幻覺與真實交織,界線日益模糊

    導演徐克在法國盧米埃爾電影節表示,AI 正日益模糊現實與幻覺的界線。資訊來源增多、傳播加快,令內容更易被塑造、真實來源更難追溯;圖像、影片和文字均可生成或修改,觀眾難以確認內容是否反映真實事件。他亦認為,AI 普及可能影響人們對自我身份及外部世界的理解。

  8. Unite.AI78

    AMD 將以約 $8.2B 全股票交易收購 World Labs

    AMD 於 2026 年 9 月 28 日宣佈,已達成協議,將以約 $8.2B 的全股票交易收購由 Fei-Fei Li 領導的 World Labs。交易完成後,Li 將出任 AMD 執行副總裁兼首席科學家,World Labs 團隊會繼續專注 AI 模型研究。交易預計於 2026 年底前完成,尚待監管批准及其他慣常交割條件。

    推薦理由:收購安排把 World Labs 的模型研究團隊納入 AMD,並列明 Fei-Fei Li 完成交易後的職務,呈現 AMD 將模型專長接入硬件規劃的方向。

  9. IT之家49

    三星首款智能眼鏡曝光:約 41 克重、驍龍 AR1 Gen1,預計下月上市

    三星首款智能眼鏡預計下月開售,搭配標準鏡片重約 41 克,搭載驍龍 AR1 Gen1。眼鏡沒有顯示屏,配備 1200 萬像素攝像頭,支援以 30 幀錄製 3K 影片;眼鏡本體最長可用 9 小時,搭配充電盒最長可用 72 小時。Gentle Monster 款將在韓國和美國發售,Warby Parker 款僅在美國上市,售價尚未公佈。

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

    Game2Real-Bench: Do Toy Games Reveal and Transfer to Real-World Visual Reasoning?

    Game2Real-Bench 評估玩具遊戲中的能力能否反映並遷移至真實世界視覺推理,涵蓋細粒度感知、空間推理、約束推理及序列規劃。研究以 1,000 個遊戲樣本和 400 個真實世界樣本評估 25 個 VLM,兩者的 Pearson 和 Spearman 相關係數均為 0.935。Game2Real-Dataset 收錄近 24K 個經驗證的遊戲樣本,涵蓋 18 項任務及 65 個 QA 家族。

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

    PORTAL 重新檢視多模態 LLM 投影器訓練,提出免配對數據初始化方法

    論文提出 PORTAL,透過最優傳輸及各模態摘要統計,在無需配對圖像描述數據或梯度最佳化的情況下初始化多模態 LLM 投影器,省去投影器訓練階段。研究亦發現,投影器只用 10% 至 20% 訓練數據已能恢復大部分下游效能提升,不同數據集訓練的投影器亦可線性插值並大致保留效能。

  12. elsewhere:文章57

    elsewhere 刊出田柯宇播客訪談摘錄

    elsewhere 刊出田柯宇播客訪談摘錄;田柯宇稱字節跳動訴訟一審判賠約50萬元,案件目前仍在二審。他承認曾手動停止同事的程序,稱約十天內操作五次,並認為行為違紀且浪費他人時間;他否認曾持續兩個月或影響其他人的研究。訪談亦談及他取得 NeurIPS Best Paper 後的職涯挫折,以及其團隊以預測未來為方向的多模態基座模型創業。

  13. Unite.AI28

    甚麼是多模態 AI?模型如何結合文字、圖像、音訊和影片

    多模態 AI 可接收、關聯或生成文字、圖像、音訊、影片及感測器數據等多種媒介的資訊。其運作可按五項可觀察操作理解:編碼各模態、連結相關訊號、融合證據、結合情境推理,再生成答案;但並非每個系統都以五個軟件元件實現。多個單模態工具若從不共享上下文,不能只因功能並列而視作多模態 AI。

  14. Unite.AI63

    CHOP 利用開源 NVIDIA AI 工具建立兒童心臟模型

    費城兒童醫院(CHOP)以 MONAI 建立心臟建模服務,將既有 CT、MRI 和 3D 超聲波影像轉成解剖結構精確的兒童心臟模型。NVIDIA 稱,每個模型數秒即可生成,取代熟練研究人員過去約需 4 小時的流程,令模型可用於常規臨牀。美國已有超過 20 間兒童醫院運作心臟建模項目,CHOP 預計 2026 年處理約 200 宗建模病例。

  15. Unite.AI51

    ReImaGin 以圖像生成輔助 VLM 鏈式推理

    研究提出 ReImaGin,讓視覺語言模型在鏈式推理過程中生成圖像,並將圖像作為後續推理的輸入,而非提供給用戶的成品。該系統在三個 VLM、六項視覺推理任務中的多數模型與任務組合上勝過 No Tools 及 Visual Sketchpad;GPT-5 的拼圖完成準確率由兩種基線的 29.5% 和 16.7% 提升至 44.9%。

  16. Unite.AI42

    AI 提前預測暴力事件

    阿拉巴馬大學研究人員以暴力事件發生前的影片訓練模型,測試能否從行為線索預測暴力。模型結合面部外觀、音訊和身體動作,Deit-Tiny 配置在測試集達 91.21% 準確率、88.96% 平衡準確率、93.65% F1-score 及 96.38% ROC-AUC。

  17. Unite.AI70

    NVIDIA 研究發現,AI 智能體使用工具時更容易回應有害請求

    NVIDIA 研究測試 11 款視覺語言模型後發現,使用工具會令模型在三項安全基準上更容易未能拒絕有害請求。工具使用下,拒絕失敗率的相對增幅最高達 68.7%;研究提出上下文稀釋及安全焦點轉移,作為安全性下降的兩種可能原因。在最後一次工具調用後重新提供原始請求和圖片,五款模型的平均失敗率下降 7.6%。

10月12日週一
  1. IT之家37

    我國首列具身智能數碼地鐵列車 VELLINK 亮相,可主動優化營運並智能制定行車策略

    由中車長春軌道客車股份有限公司牽頭研製的 VELLINK 亮相,成為我國首列具身智能數碼地鐵列車。列車搭載多模態感知大模型及中國中車股份有限公司自主研製的「斫輪」大模型,可即時感知線路環境和運行狀態,並智能制定行車策略。列車整體減重約 18%,綜合節能率超過 10%,全壽命週期碳排放減少約 15%。

  2. 創業邦56

    模思智能完成超10億元Pre-A輪融資,押注全模態即時互動智能

    模思智能完成超10億元Pre-A輪融資,由華控基金領投;資金將用於全模態即時互動智能研發、能力建設及全球商業化落地。模思亦將推進AI for AI,讓AI參與數據生產、篩選和模型迭代。即將發布的MOSS Live由前端互動模型與後端能動性模型協作,前者持續看、聽、説,後者負責複雜推理和任務執行。