跳到正文
目前篩選:模型
10月29日週四
  1. Unite.AI78

    NVIDIA 發佈 Nemotron 3.5 Transcribe 開放權重語音模型及 Granary v2 數據集

    NVIDIA 於 2026 年 10 月 28 日發佈開放權重語音模型 Nemotron 3.5 Transcribe,並同步推出 Granary v2 語音數據集及整理流程。

    推薦理由:Nemotron 3.5 Transcribe 將多語轉錄、説話者標註、翻譯與音訊問答整合於單一檢查點;Granary v2 公開清單涵蓋 48 種語言及 463,062 小時,呈現模型功能與數據集範圍。

  2. Ai2 / Allen Institute for AI49

    研究人員如何調整 olmOCR 2,處理歷史與考古檔案

    研究人員調整 Ai2 開源模型 olmOCR 2,將歷史檔案照片及考古手寫記錄轉為可搜尋文字,並讓檔案機構可按研究需要在本地運行和微調模型。考古團隊以 LoRA 在 57 份記錄上微調模型後,在另外 450 份測試記錄上的轉錄錯誤率由 15.58% 降至 1.11%。團隊希望將方法擴展至 Carnuntum 約 70,000 份陶器記錄。

10月28日週三
  1. Hugging Face Blog76

    NVIDIA 推出 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程

    NVIDIA 推出開放權重的 Nemotron 3.5 Transcribe,並公開 Granary v2 多語言語音資料及整理流程。模型支援 40 種語言轉錄,其中 31 種可與英文互譯,並支援 13 種語言的説話者標註;Granary v2 公開清單涵蓋 48 種語言、463,062 小時及 16 個來源語料庫。醫療語音案例中,微調令留出説話者的 WER 較最佳提示詞基線相對下降 45.8%。

    推薦理由:文章串連提示詞控制、資料整理與微調流程,並以留出説話者的醫療語音評估呈現 WER 相對下降 45.8% 的結果。

  2. TechCrunch · AI63

    Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重音訊轉錄模型

    Nvidia 發佈 Nemotron 3.5 Transcribe 開放權重模型,可轉錄最多 40 種語言的音訊,並推出開源語音數據集 Granary version 2。Nvidia 表示,模型可將 31 種語言與英文互相翻譯、處理最長一小時的錄音,並分辨最多 8 位説話者。Nvidia 稱這個 30 billion parameters 模型可在單一晶片上運行,但只支援錄音、不支援即時串流。

  3. DEV Community61

    ChatGPT、Gemini 和 Claude 掃描表格轉 Excel 評測

    ChatGPT、Gemini 和 Claude 在收據、財務報表及兩頁美國製造業普查表的掃描轉 Excel 測試中,儲存格準確度得分介乎 9.33/10 至 10/10。各文件類型的最高分不同,評分只衡量預先選定儲存格的抽取準確度;測試仍發現漏值、小數錯誤及代碼替換。文章建議對照原件、核對欄列並重算總數,按資料的重要程度驗證活頁簿。

  4. 新浪科技31

    AI進化速遞|谷歌推出大模型 Genie 4

    谷歌推出大模型 Genie 4。其他科技消息包括豆包就「15萬名羣演肖像聲音餵給大模型」傳聞闢謠,宇樹將與紅杉中國成立「杉宇·創計劃」,智元升級 Genie Sim 仿真平台;豪威集團發布 OG05D 傳感器,大眾中國發布 VEGA 技術矩陣,山大華天軟件與阿里雲達成合作。

  5. 第一財經30

    谷歌推出大模型Genie 4

    谷歌推出大模型Genie 4。速遞亦報道豆包就「15萬名羣演肖像聲音喂給大模型」一事闢謠,以及宇樹與紅杉中國成立「杉宇·創計劃」、智元升級Genie Sim模擬平台等消息。

  6. MarkTechPost68

    Google DeepMind 發佈 Genie 4 即時世界模型研究預覽,支援原生音訊

    Google DeepMind 已向受邀測試者提供 Genie 4 研究預覽,這款即時世界模型可根據文字和圖像提示生成可探索環境。它同時生成環境聲、音樂及角色對話,Gemini 3.8 Flash 則在模擬循環中規劃步驟、檢查畫面並修訂計劃。互動每次僅持續數分鐘,複雜提示詞編輯後可能出現物件漂移;Google DeepMind 未公開參數、解像度、幀率或基準測試數據。

  7. 小眾軟件54

    Google DeepMind 發佈 Genie 4,可即時生成可互動的虛擬世界

    Google DeepMind 發佈 Genie 4,這款 AI 模型可即時生成讓用戶進入並探索的虛擬世界。用戶可在場景中行走、轉向,並以提示詞改變天氣、加入人物或動物;模型亦可即時生成聲音及物理效果。目前 Genie 4 只向少量測試者開放,虛擬世界只能持續互動數分鐘,時間較長可能出現物體漂移或物理效果異常。

  8. 第一財經69

    Google 發佈 Genie 4,「一句話生成世界」更近一步

    Google 發佈新一代世界模型 Genie 4,可即時生成可探索的動態 3D 世界,並同步生成音樂、環境音及互動對話。用戶可用自然語言修改場景;Gemini 3.8 Flash 會觀察畫面、拆解目標,並因應世界變化或用戶介入調整計劃。Genie 4 目前僅以研究預覽形式向受信任測試者開放,長時間模擬中的視覺細節和物件持續存在狀態仍可能改變或偏移,複雜物理互動亦仍待解決。