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。
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。
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。
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。
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。
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。
Google 的 Gemini Decision 1 與 Decisions API 支援在單次請求中,針對同一份輸入回答最多 1,000 個範圍明確的問題,並回傳概率分佈及信心分數。
LlamaIndex 評比 2026 年 OCR 模型的表格處理能力,稱 4B 的 OCRia-1 在 ParseBench 表格維度得分 91.5,專用文件解析器較適合表格、圖表和複雜結構文件。
Will Wright 正在開發新作 MyMems,以 AI 將玩家的記憶轉化為遊戲世界。玩家可口述故事,將生成的內容放到地圖上,也可加入代表熟人的 AI 虛擬角色;世界可設為私人或與他人分享。遊戲預計於 2027 年推出。
CADMAGEDDON 提出以本地推理將網格重建為可編輯 CAD 的方法:幾何工具識別並擬合網格實體,Qwen3.8-27B VLM 則根據渲染結果決定建模與修正步驟。
Disney Imagineering 與 AWS 合作打造三個 AI 驅動的《星球大戰》Anzellan 音響動畫原型,可按現場情況與訪客互動。它們會按現場人數、訪客年齡等因素調整回應,並可評論生日襟章或特定《星球大戰》T 恤。
Moda 為 Ray-Ban Meta Gen 2 AI 眼鏡打造模式系統,按工作、煮食或會議情境調整助理的聆聽、視覺、説話及靜默方式。視覺偵測預設在手機上處理,雲端處理須由用戶選擇啟用;會議錄音須先取得同意,設定及工作階段資料則保留在本機。
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。
生成式媒體平台 each::labs 宣佈完成 $7M 種子輪融資,由 Revo Capital 與歐洲復興開發銀行(EBRD)共同領投。公司稱,月收入在 8 月至 10 月間增至約 $2M,約為此前五倍,年化收入 run rate 超過 $20mn。
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。
Oronode Lumina 設計為完整的 AI 桌面環境,整合本地運行 AI 模型、多種模型及供應商、AI 編碼與開發流程、圖片、影片及音訊創作工具、自動化和電腦互動。它旨在讓 AI 不止是聊天機械人,還能協助用戶思考、創作、開發和完成工作。
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。
阿里雲百煉上線 Qwen4-Max 預覽版,並將模型接入 Token Plan 訂閲體系,新客首購套餐優惠低至 5 折。優惠至 11 月 30 日,Lite 套餐折後每月 19.5 元,含 20000 Credits。預覽版目前只可透過 Token Plan 調用,暫不開放單獨按量計費。
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。
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。
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。
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。
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。
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。
Gemini 4 Neon(gemini-4-neon)已正式開放使用(GA),面向複雜軟件工程、知識工作及科學工作流程,提供快速端到端任務處理。
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。
文章詳解 Qwen4-Max 的多模態能力、API 接入方式及模型和內置工具的收費規則。文中列出其兼容 OpenAI 與 Anthropic API,並提供 Python、Node.js 和 cURL 串流調用範例。模型輸入價格為 ¥10 /M tokens,輸出為 ¥30 /M tokens。
面向非結構化數據的 AI 智能體採用感知、認知、執行三層架構,串連多源文件解析、檢索推理及工具調用。方案結合 OCR、RAG、知識圖譜與 ReAct 工作流,自動抽取及校驗資訊,輸出標準 JSON;低質素結果可轉交人工覆核。
阿里雲開發者社區文章詳解 Qwen4-Max 的定位、架構、能力及適用場景,並與上一代 Qwen3.8-Max 比較多項指標。文章指出,Qwen4-Max 總參數為 2.4T,每個 Token 啟用 71B 參數,支援 1M Token 上下文;Work360 單項任務平均成本由 26.58 元降至 11.16 元。
阿里雲 Token Plan 以 Credits 統一計量模型呼叫及內置工具費用,額度按月刷新且不結轉,影片生成等非同步任務在完成後統一結算。單次 Credits 消耗會隨模型、Token 用量、思考模式及工具呼叫而變,文章建議以工作台訂閲頁的用量詳情核對。
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。
作者以同一段 43 秒、涵蓋 3 個畫面的 X.com 操作錄影,比較 4 種交給模型的方式及 token 開銷;Claude 不能直接開啟錄影,須先轉成可讀輸入。
上海截至今年9月累計認定跨國公司地區總部1124家、外資研發中心680家,外資佈局的創新含量持續提升。2026年1~9月,上海新設外資企業4720家,實際使用外資132億美元,同比增長9.4%,並新認定地區總部48家及外資研發中心44家。
蔚來回應 ES9 燈光秀將車主手寫「爸爸我愛你」誤判為違規,稱系統把「愛」識別成其他字,相關限制策略不合理,已完成修復。燈光秀會先以 OCR 將手寫內容識別為文字,再送入敏感詞庫校驗;修復後,車主實測已能正常投影。
三星電子計劃於 CES 2027 公佈暫名「TV-1」的智能電視,透過人工智能捕捉觀眾的動作和興趣,並據此調整觀看環境;用戶起身時影片會自動暫停,重新坐下後恢復播放。用戶亦可直接在電視上查找劇中演員的衣着及畫面中餐廳的資訊。
德適科技公佈醫療影像通用大模型 iMed-6.0 的技術進展,旗下 Thoth 與 Aegis 在 MMMU 和 MedBench VLM 多個榜單包攬全球冠亞軍。
OpenAI 發佈 GPT-6.2 Astra 和 GPT-6.2 Sol,作者實測認為 Astra 能力偏科,科研與程式碼審查較強,方案規劃和影片創作較弱。在作者自建的程式碼審查測試中,Astra 找出 96% 問題,Sol 為 84%,GPT-6.1 Sol 為 65%;Astra 在 Agents' Last Exam 約得 78%,每項任務約 3 美元。
文章整理一套以官方免費額度和標準 SDK 組成的 $0 AI 媒體原型流程,涵蓋圖像生成、語音轉文字、影片及音訊。
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。
騰訊混元宣佈開源 Hy4 flash 系列,包含 Hy4 flash、Hy4 flash-FP8 和 Hy4 flash Base,開發者可在 GitHub、Hugging Face、ModelScope 和 GitCode 下載部署。
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。