跳到正文
11月19日週四
  1. HuggingFace Daily Papers(社區熱門論文)45

    GameRealm:以互動遊戲為視覺學習提供基礎

    GameRealm 是大型多模態遊戲資料集,收錄超過 120 million 個 RGB 影格及 1,000 hours 遊戲片段,並以同步標註將視覺觀察與遊戲中的監督訊號連結。資料集涵蓋深度、相機參數、音訊、控制輸入及 3D 點軌跡,並支援單視角、立體、多視角及全景錄製。實驗顯示,GameRealm 能提升視覺基礎模型在視覺生成及幾何學習任務上的表現。

  2. Google DeepMind74

    Google DeepMind 向 Google AI Ultra 訂戶推出 Genie 4 及新版 Project Genie

    Google DeepMind 向符合資格的 Google AI Ultra 訂戶推出新版 Project Genie,提供 Genie 4、Project Genie 智能體及社羣作品廊。

    推薦理由:新版體驗把 Genie 4 的即時世界編輯與原生音訊、Genie 3 的延長生成,以及智能體創作和作品分享整合起來,呈現互動世界的創作與探索流程。

  3. DEV Community37

    音樂推薦系統:別再只推薦歌曲,開始理解用戶意圖

    新一代音樂推薦系統應從點擊預測轉向理解用戶意圖,結合多模態檢索、重新排序和智能體解説。建議架構涵蓋文字、音訊、協同及視覺嵌入,並以 RRF 融合候選結果;文中列出 Qwen3-Embedding、CLAP、VGGish 和 BGE-M3 等模型。系統目標延遲為 p95 檢索低於 40ms、重新排序低於 25ms,生成及解説低於 300ms 並以串流方式輸出。

11月18日週三
  1. TNW48

    Disney 新款《星球大戰》機械人偶採用 AWS AI 回應訪客

    Disney打造了3個能回應訪客並彼此互動的《星球大戰》機械人偶,AI由AWS提供,角色名為Vilo Vele、Kado Bre’a和Jibu Bre’a。角色透過鏡頭和咪高峯感知周遭情況,系統會從Imagineers預先錄製的對白中選擇播放內容,而非自行撰寫對白。系統運行於Amazon Bedrock;Disney表示,互動數據只用於當刻,不會存入雲端重用或用來訓練AI模型。

  2. TechPowerUp66

    NVIDIA RTX Spark 小型桌面電腦現已開售

    NVIDIA RTX Spark 小型桌面電腦已由 ASUS、Dell 及 MSI 開售,支援本機 AI 智能體、圖像及影片生成,以及模型微調。硬件配備 20 核心 NVIDIA Grace CPU、具備 6,144 CUDA cores 的 NVIDIA Blackwell RTX GPU,以及最高 128 GB 統一記憶體,AI 效能最高達 1 petaflop。

  3. gihyo.jp78

    Microsoft 發佈 7 款 AI 模型,Codename MDASH 在 6 個開源項目確認 99 項漏洞並提交修正方案

    Microsoft 在 Microsoft Ignite 2026 發佈 7 款 AI 模型,涵蓋編碼、圖像、語音、決策、檢索及安全用途。MAI Code 2 和 MAI Code 2 Flash 已可在 GitHub Copilot 使用;MAI Image 2.7 支援文字生成及編輯,MAI Realtime 1 支援語音對話。

    推薦理由:七款模型涵蓋編碼、圖像、語音、檢索與安全用途,文章亦列出基準、費用和部署案例,可比較不同模型的定位與應用場景。

  4. Tech.eu44

    each::labs 融資 700 萬美元,旨在加快生成式媒體製作並降低成本

    生成式媒體平台 each::labs 在由 Revo Capital 和歐洲復興開發銀行共同領投的種子輪融資中籌得 700 萬美元,計劃加快自研 AI 模型開發並擴展 each::studio。平台整合逾 600 個第三方 AI 模型,每日處理約 100 萬次生成,服務超過 750 個付費機構。其功能包括生成失敗時自動切換、支出提醒及可重用工作流程。

  5. Tech.eu38

    Visage Technologies 啟動獲歐盟資助的 310 萬歐元自適應訓練技術研發項目

    Visage Technologies 啟動一項總額 310 萬歐元的研發項目,開發用於自適應學習及模擬訓練的情感認知平台。歐盟共同資助 190 萬歐元,項目由 2026 年 4 月至 2029 年 4 月進行,初期聚焦船舶導航模擬訓練。平台將分析攝影機、咪高峯、穿戴式裝置及其他感測器數據,估算學習者的認知與情緒狀態,並提供 ACInsight SDK、ACTutor 和 ACTrainer。

  6. 阿里雲開發者社區 AI73

    阿里雲 Qwen4‑Max 預覽版全解:能力、功能、適用場景、價格及最新優惠

    阿里雲發佈 Qwen4‑Max 預覽版,並在千問 AI 平台首發 Token Plan 訂閲服務,主打複雜專業任務。模型支援 1M Token 上下文窗口及文字、圖片、影片輸入,重點強化複雜編程與智能體長鏈路執行。預覽版僅開放訂閲制調用,Token Plan Lite 新客首購價為每月19.5元,模型標識 qwen4‑max‑preview 將於2026年11月25日下線。

  7. 阿里雲開發者社區 AI64

    阿里雲 Qwen4‑Max 預覽版深度解析:定位、能力與 Qwen3‑Max 的差異

    Qwen4‑Max 預覽版定位為面向複雜推理與編程的旗艦模型,較 Qwen3‑Max 原生支援圖像、影片理解,並擴展智能體的專業軟件操作及跨工具長流程能力。預覽期為11月11日10:00至11月25日24:00(UTC+8),期滿後 qwen4‑max‑preview 標識下線,正式版將使用新標識。參數量、上下文窗口、官方基準跑分及正式版定價尚未公佈,預覽版不適合承載不可中斷的生產業務。

  8. 阿里雲開發者社區 AI59

    阿里雲 Wan3.0‑Video 深度解析:模型能力、適用場景、價格與接入指南

    阿里雲開發者社區的指南梳理 Wan3.0‑Video 的影片生成能力、適用場景、價格與 API 接入條件。模型支援文生影片、圖生影片和參考生影片,單次最長生成 30 秒,亦可使用辦公文件及網頁連結作輸入;北京地域價格為 0.30、0.60、1.20 元/秒,分別對應 480P、720P、1080P。文章亦指出,邀測階段須申請權限,模型未開源,只可透過阿里雲百煉 API 調用。

  9. The Decoder66

    Suno 新增 Visuals 功能,為 AI 生成音樂配搭 AI 生成影片

    Suno 推出 Visuals,可為歌曲生成配套圖像和影片片段,影片最長 15 秒,並會配合歌曲結構、歌詞及唇形同步。功能使用 H3 Move(MiniMax 影片模型 H3 的定製安全過濾版本),用戶可從參考照片、提示詞或 Suno 預設角色開始;歌詞影片可調整字體和顏色、延長片段,並選擇長度及畫面比例。

  10. 阿里雲開發者社區 AI24

    杭州輕象科技如何以 AI 將半導體專家經驗轉化為可持續調用的企業知識?

    杭州輕象科技以 ElphVideo 影片大模型處理現場視頻,並將作業過程與 SOP、設備手冊及專家講解對齊,構建多模態知識庫。知識可按需檢索並追溯來源,供設備維保、培訓、質量及工藝等崗位使用。工程師可查找相似案例及排查依據,新員工可結合真實作業視頻學習關鍵操作與注意事項。

  11. DEV Community68

    全頁截圖在 Claude 中會縮至 355px 寬

    Claude 會把圖片長邊縮至 2576px,令一張 2540 x 18410 的全頁截圖變成 355 x 2576。原有 16px 內文因此只剩約 2.2px;切成 11 張約 1270 x 900 的截圖可保持文字可讀,但需 15,548 tokens,純文字約需 3,300 tokens(估算),可保留精確字串但不包含版面。作者建議提供頁面文字,並只附上相關畫格。

  12. 阿里雲開發者社區 AI44

    2026 年阿里雲雙 11 百煉平台選型指南:六大模組、模型組合與價格參考

    阿里雲百煉大模型服務平台涵蓋模型推理、應用開發、知識庫 RAG、Agent、模型微調及專屬部署六大模組,並提供選型與計費方案。雙 11 期間,全模型低至 4.5 折,新用戶可獲超過 7000 萬免費 Token,有效期 90 天。建議先用免費額度驗證功能,再按調用量和使用場景選擇 Token Plan、節省計劃或專屬部署。

  13. HuggingFace Daily Papers(社區熱門論文)47

    M3OPD-Reasoner:以多教師 on-policy 蒸餾進行多模態推理後訓練的開放方案

    M3OPD-Reasoner提出一套完全開放的多模態推理後訓練方案,涵蓋圖像 STEM、圖像感知及影片三個領域。評測 21 個基準後,研究發現從 Qwen3.5-9B 直接以 GSPO 訓練各領域教師,再用 MOPD 蒸餾的方案表現最佳;接續 MixRL 仍可提升學生模型,形成 M3OPD-Reasoner-9B。

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

    π^4:用於 4D 場景幾何與運動的基礎模型

    π^4 是面向 4D 場景感知的統一基礎模型,可從未經標定的 RGB 圖像或影片中恢復稠密幾何、相機位姿和度量尺度,並為多圖輸入提供點追蹤及移動物體遮罩。在多項基準測試的幾何評估中,π^4 的整體平均排名最佳,2D/3D 點追蹤及移動物體分割表現具競爭力。完整系統約有 0.5B 參數,可在一次前向傳播中聯合重建與追蹤,處理數千張輸入圖像;訓練上下文最多為 64 個視角,程式碼和模型已提供。

  15. IT之家68

    騰訊混元宣佈 Hy4 flash 模型開源

    騰訊混元宣佈開源 Hy4 flash,提供 Hy4 flash、Hy4 flash-FP8 和 Hy4 flash Base 三個版本。模型總參數量為 224B,包含 64B Engram 參數,每個 token 激活 12B,支援多模態輸入及 100 萬 token 上下文長度,API 價格較 Hy4 大幅降低。