Out of Bounds:我們打造校園地盤戰,鼓勵波士頓學生走出校園圈
Out of Bounds 是為波士頓大學生打造的社區集章遊戲,以校園地盤競賽鼓勵學生探索校園圈以外的城市。遊戲涵蓋 8 個社區,玩家須在地點 200 m 範圍內打卡,或提交經 Google Gemini 確認的照片。打卡位於對手校園地盤可得 2× 分數,每週由集章最多的校園奪下地盤。
Out of Bounds 是為波士頓大學生打造的社區集章遊戲,以校園地盤競賽鼓勵學生探索校園圈以外的城市。遊戲涵蓋 8 個社區,玩家須在地點 200 m 範圍內打卡,或提交經 Google Gemini 確認的照片。打卡位於對手校園地盤可得 2× 分數,每週由集章最多的校園奪下地盤。
非接觸式健康傳感軟件公司 IntelliProve 宣佈完成 270 萬歐元種子輪融資,由 Miles Ahead 領投,The White and Yellow Cross 與 imec.istart 跟投。
Foilcase 在 iPhone 上結合 Vision 圖像特徵與 OCR 識別集換式卡牌印刷版本,無法可靠判定時會要求用戶選擇,而非猜測。測試涵蓋 9,903 張卡牌及 400 次查詢;即使提供正確收藏編號,圖像匹配選中正確印刷版本的比例亦只有 89.5%。
阿里雲開發者社區文章整理 Qwen3.8-Max 在百煉平台的模型能力、上下文規格、計費及地域限流資訊。模型採用 2.4 萬億參數 MoE 架構,可輸入圖像、文字和影片並輸出文字,上下文長度為 1,000,000 tokens;華北2(北京)按量價格每百萬 Tokens 分別為輸入 12 元、輸出 36 元。
黃金比例面部計算器透過臉部特徵點量度距離並計算比例;不同工具採用的測量點和參考值不同,因此同一張照片也可能得出不同結果。文章説明四項比例及評分方式,並指出拍攝角度、鏡頭和表情都會影響讀數;這些數值並非科學的美貌標準,也不能反映健康或性格。
AMD於11月16日完成對World Labs的收購,交易金額為82億美元,全部以股票支付。World Labs由李飛飛等人於2024年創立,交易完成後,李飛飛出任AMD執行副總裁兼首席科學家。團隊將繼續作為獨立前沿研究組織研發基礎模型,並與AMD硬件、軟件和系統工程師協作。
推薦理由:文章聚焦收購如何把世界模型研究與AMD計算平台連接,並分析模型負載提前進入芯片、軟件和系統設計的意義。
Tesla 推出 FSD v15,加入以照片級真實感呈現車輛周遭環境的效果。Elon Musk 稱,這是無需使用遊戲引擎的即時 AI 影片生成。
Thinking Machines Lab 開放權重發佈 264 億參數的 Inkling 2 Mini,可由文字或圖片生成文字及程式碼。模型共 24 層,每個 token 會將中間 12 層依次運行 3 次,合計經過 48 層;每個 token 使用 34 億個參數,計入重用權重則合計 54 億個。
推薦理由:文章將 Inkling 2 Mini 與 Qwen3.8-27B、Gemma 4 31B 的單 token 參數用量及基準成績並列,方便比較循環層設計的計算取捨。
Aurae 是一款使用 Presage SmartSpectra SDK 的桌面應用程式,透過網絡攝影機即時測量脈搏、呼吸率及心率變異度,無須穿戴裝置,也不會儲存資料。應用程式須先取得用戶同意才會啟動鏡頭,並以「等待讀數」、「穩定中」及「訊號穩定」顯示讀數狀態;它明確聲明並非醫療工具。
Smile Garden 是一款使用 Presage SmartSpectra SDK 的桌面花園遊戲,透過鏡頭偵測微笑、説話和伸展動作,分別為植物澆水、施肥和固定。植物按日生長,缺席不會受罰或枯萎;用戶也可改用鍵盤遊玩。攝影機影像在裝置上處理,影片和音訊不會被錄製、上傳或儲存。
AI 體育賽事戰技法分析系統以多視角計算機視覺(CV)和運動感測器融合為感知基礎,結合標準化場地座標映射、技戰術事件圖譜、ST-GNN 與多模態大模型,串連自動追蹤、量化評估、影片剪輯及賽前推演。系統可把賽後人工打點和剪輯所需的 4~6 小時縮短至數分鐘,並將防線脱節等描述轉化為跑動距離、衝刺頻次等指標。
荷蘭個人資料保護局(AP)測試 6 款當地有售的 AI 鏡頭眼鏡後,建議消費者現階段不要購買一般用途款式。測試發現,眼鏡在模擬急救中曾錯誤聲稱救護車已在途中,也有產品讀錯藥物説明或極端天氣警告;多款眼鏡的錄影指示燈不明顯,並存在保安漏洞。AP 沒有要求禁售,而是建議場所管理者在場地規則中禁止佩戴和使用,並呼籲荷蘭及歐洲政界參考研究結果制定政策。
推薦理由:報道並列呈現 AI 眼鏡在急救等安全情境中的錯誤資訊、錄影私隱及保安漏洞,也交代 AP 建議場所禁用而非要求禁售。
Germey 主張以一份結構化簡報作為共同來源,建立內容資產流水線,分別生成文章、封面、短片和旁白,並保留各項輸出的追溯關係。他建議以統一任務狀態、版本管理和冪等鍵處理不同媒體的生成、重試與發布,並將人工審核留在核心主張、標題、視覺含義及發布決策等環節。團隊可先統計一週內的人工交接次數,找出優先改善的流程環節。
視覺語言模型評估由早期驗證零樣本跨模態對齊,逐步轉向診斷推理、指令遵循、魯棒性與可信部署。現有方法涵蓋靜態基準、動態評估及診斷探針,並延伸至多語言、多文化、安全對齊和具身場景。評估範式正由離線測試擴展至動態、交互式場景,關注模型在真實環境中的可靠性與公平性。
這篇綜述梳理 AI 如何利用語音及多模態數據檢測痴呆症,並追蹤方法從手工聲學特徵、傳統分類器,演進至自監督語音模型和大語言模型推理。文章比較純聲學分析、多模態融合、大模型推理及聯邦學習等路線,並討論數據稀缺、私隱保護、模型可解釋性與公平性等挑戰。
這篇綜述梳理多模態大語言模型視覺定位由專用定位頭轉向自回歸座標生成或掩碼預測的演進。內容聚焦推理增強、免訓練策略與像素級擴展三條路線,分析它們在精度、效率和通用性上的不同取捨,並指出細粒度感知仍是重要瓶頸。
文本驅動4D動態場景生成與編輯研究,正由依賴SDS的迭代蒸餾,轉向原生4D生成、物理感知建模及智能體協同構建。4DGS已成為主流場景表示;SS4D可在2分鐘內生成高質素動態3D物體。外部物理模擬器有助提升物理一致性,但計算開銷較大,長時序穩定性與即時互動仍是待解問題。
城市多模態學習綜述梳理了研究由靜態城市表徵,發展至長時序理解、多智能體協作推理及模型訓練優化的脈絡。UrbanFeel、UrbanWell 等基準補足時序與主觀感知評測,Urban-R1 則以強化學習後訓練緩解地理偏差,提升跨地域泛化能力。研究仍聚焦建立標準化評測,並改善模型的時空推理與地理偏差。
生成模型水印與檢測技術在不可感知性、魯棒性與資訊容量之間權衡,研究由事後分類轉向在生成過程中嵌入水印。2023年KGW的綠紅列表範式適用於自回歸生成,但在擴散語言模型的並行生成中受限,促使研究探索潛空間幾何與順序無關方法。綜述涵蓋文本、圖像及音視頻水印、攻防分析與模型溯源。
阿里雲於 2026 年 11 月 11 日上線通義千問第四代旗艦 Qwen4-Max 預覽版,預覽期內模型調用按標準費率的 20% 計費。模型支援 100 萬 Token 上下文及文字、圖片、影片輸入,並具備原生 Agentic 能力。優惠至 2026 年 11 月 25 日 24:00(UTC+8);屆時 qwen4-max-preview 模型標識將下線,正式版會採用全新模型名稱。
這篇綜述梳理皮膚癌深度學習診斷方法從病灶分割與分類,演進至公平性、可解釋性和臨牀推理。內容涵蓋 CNN、視覺語言模型(VLM)及 MedSAM 等方法,並討論資料標註稀缺、膚色偏差、跨域泛化和部署效率等挑戰。近期研究探索以 Mamba、參數高效微調(PEFT)及多智能體推理,兼顧診斷能力與輕量化部署。
深度學習癌症影像診斷研究由端到端分類,逐步發展至可解釋模型、腫瘤內異質性建模及多模態放射基因組融合。綜述涵蓋 Grad-CAM、概念瓶頸模型(CBM)及 HA-DLC 等方法,並比較它們在精度、計算效率、標註需求與臨牀可解釋性上的取捨。跨中心泛化、數據異質與標註稀缺仍是臨牀部署的主要挑戰。
深度學習步態識別由二維剪影的時序建模,逐步發展至三維重建、多模態融合及大模型與生成式 AI,研究目標亦從身份識別延伸至屬性估計和臨牀診斷。GaitSet、SMPLGait、LidarGait、FoundationGait 和 BioGait-VLM 等方法呈現不同技術路線,涉及表徵學習、跨模態對齊、魯棒性與隱私保護。文章梳理各路線的演進、取捨和應用。
牙科影像分析研究由 CNN 主導的單一任務分割與分類,逐步發展至結合自監督學習、Mamba 與視覺語言模型的多元方法,目標是在標註稀缺、多模態異構及計算受限的條件下提升幾何保真度、跨域泛化與臨牀推理能力。綜述梳理牙齒分割與重建、疾病診斷、多模態大模型及幾何規劃等研究路線,並指出專用小模型與通用大模型需要融合,而非互相取代。
作者打造 TalkPause,一款透過攝影機偵測用戶説話、暫停音樂並在安靜倒數後恢復播放的 Windows 桌面應用程式。它使用 Presage SmartSpectra SDK 的 talking 訊號,不使用麥克風或語音轉錄;説話持續 1 秒才會觸發暫停,安靜恢復延遲可設為 1、2、3、5 或 8 秒。應用程式可控制本機音訊及 Spotify、瀏覽器播放器等 Windows 媒體工作階段。
HUSH 是一款桌面第一人稱恐怖逃脱遊戲,透過 Presage SmartSpectra SDK 將玩家的脈搏、呼吸、面部反應和聲音轉成怪物可察覺的噪音。遊戲會先花約 20 s 記錄玩家的個人基準;沒有攝影機或 API key 也可使用模擬模式遊玩。
作者打造首個全端人臉識別應用,藉此學習前端、後端、身份驗證、API 串接及部署。項目使用 React、Node.js、Express、JWT 和 Human.js,作者分享規劃、開發與除錯過程中的挑戰及經驗。
Alyven Music 作者以 Next.js + TypeScript 建立非同步 AI 音訊生成流程,讓 API 先返回 jobId,再由 Webhook 回報完成狀態。流程以資料庫交易建立任務及扣除點數,派送失敗或生成失敗時退款,並以冪等檢查避免重複退款。前端每 3 秒輪詢任務狀態;文中亦建議把生成音訊轉存至自有儲存空間,並用 cron 處理逾時未完成的任務。
Gemini 原生支援多語言,指示、資料及輸出可在任何模態中使用 100 多種語言,亦可混合語言。示範中,單一提示詞模板在 15 秒內將 1789 年法國《權利宣言》平行翻譯成英文、普通話、印地語及西班牙文,並保留原有 Markdown 排版。
這篇實用指南説明如何在 macOS 遊玩未本地化遊戲時,以屏幕區域 OCR 辨識對話文字,同時不切走遊戲焦點。流程使用 Apple Vision 本機辨識選取區域,再以浮動面板顯示翻譯;辨識在本機進行,但翻譯需要網絡連線。
Long Exposure 使用 Presage SmartSpectra SDK,將臉部幾何、脈搏和呼吸資料轉化為需時約一分鐘完成的銀版肖像,不會拍攝或保存用戶照片。SDK 約需 12 秒令脈搏訊號可靠、約 30 秒令呼吸訊號可靠,肖像會隨脈搏起伏並配合呼吸動態呈現。
Thinking Machines Lab 發佈 Inkling 2 Mini 開源模型,採用 26,4B 參數的 Looped MoE,checkpoint 約 20GB。
這篇綜述梳理 LLM 驅動數據可視化生成與評估的演進,涵蓋從規則系統到多智能體協作,以及評估從結構匹配轉向多維對齊。MultiVis-Agent 在 MultiVis-Bench 上的任務完成率為 74.18%,以部分生成靈活性換取可靠性。領域核心問題是在確保數據保真度的同時,實現複雜可視化的可靠生成。
Qwen4‑Max 預覽版相較 Qwen3‑Max,轉向真實任務交付,並在原生圖像與影片理解、智能體操作範圍、發布流程和計費方式上有所不同。
阿里雲通義萬相 Wan3.0‑Video 支援文生影片、圖生影片及參考生影片,單次生成最長 30 秒,並可輸入辦公文件。模型提供 480P、720P、1080P 輸出,透過阿里雲百煉的非同步 API 提供服務;邀測期間須申請權限,且未開源,只能雲端呼叫。計費按成功生成時長及解像度計算,華北2(北京)1080P 原價為 1.2 元/秒,文章亦整理素材版權、人工審核和異常處理等注意事項。
阿里雲 Qwen4-Max 面向長鏈路專業工作,定位為旗艦多模態智能體基座模型,並以長上下文及降低單任務成本為重點。模型總參數為 2.4T,每 Token 激活 71B,支援 100 萬 Token 上下文;官方 Work360 評測得分為 52.69,平均單任務成本較上一代下降 58%。
2026年,阿里雲百煉平台上線 Qwen4-Max,並將其接入 Token Plan 訂閲體系,首發新客首購套餐優惠為 5 折。Qwen4-Max 支援文字、圖像理解、工具調用、聯網檢索和結構化輸出;預覽版僅可透過 Token Plan 調用,暫不提供單獨按量計費。
阿里雲百煉上線 Qwen4-Max,並將其接入 Token Plan 訂閲體系。Token Plan 個人版新用戶首購 Lite 月費由 39 元減至 19.5 元;Qwen4-Max 預覽版在 2026年11月25日24:00(UTC+8)前按標準費率的 20% 扣減 Credits,夜間調用另有折扣。
阿里雲開發者社區文章介紹 Qwen3.8-Max 的模型定位、主要能力、適用場景及計費方式,並列出按量 API 和 Token Plan 兩種模式。文章稱,Qwen3.8-Max 採用 2.4 萬億參數 MoE 架構,支援百萬 Token 上下文、文字、圖片及影片輸入,並針對智能體、編碼和專業辦公等複雜任務。
Malik MediGuard AI(v3.1.0)是一款以 Python 和 Google Gemini AI 建立的開源醫療及醫療帳單審核助手,採用 MIT License。它可讀取處方和帳單、尋找平價仿製藥、標示可能超收的費用,並配對政府醫療計劃;另設疾病與醫院定位模組。