Dettato 將多樂器音訊轉為 MIDI,並按樂器分軌
KobiMusic 開源的 Dettato 音樂轉錄模型可在 CPU 或 GPU 上把音訊轉成 MIDI,每種樂器各設一條音軌,另加一條鼓組音軌。
KobiMusic 開源的 Dettato 音樂轉錄模型可在 CPU 或 GPU 上把音訊轉成 MIDI,每種樂器各設一條音軌,另加一條鼓組音軌。
截至 2026 年 11 月 18 日,GPT-6.2 Astra 沒有免費使用途徑,可經 ChatGPT Work、Codex、付費 GitHub Copilot 方案或 API 存取。
GPT-6.2 Astra 沒有免費使用途徑,API 標準價格為每 100 萬輸入 tokens $8、每 100 萬輸出 tokens $40。
Microsoft 發佈 MAI Code 2 和 MAI Code 2 Flash,兩款模型均面向日常企業編碼任務,分別側重多檔案實作與深入除錯,以及大量例行工作。
Gemini 4 Carbon 在 GitHub Copilot 的 input、cached input、output 單價將於 12 月 1 日翻倍,每 1M tokens 分別升至 $4.00、$0.20、$20.00。
螞蟻靈波開源觸覺基礎模型 LingBot-Touch,將不同感測原理的訊號轉為統一觸覺 Token,供不同靈巧手及動作模型使用。在 Sharpa Wave 和 XHand1 兩款靈巧手的26項真機測試中,四種動作模型接入後的平均任務成功率,較不使用觸覺時提高約14至26個百分點。
開發者 Vixhal 在 GitHub 以 MIT 授權發布 qwenGPU,讓 Qwen3.5-2B 在前向計算中執行 CUDA。它在原有 24 層前加入 45 個未訓練的編譯 GPU 層,並以 Gated DeltaNet 狀態充當程式 ROM、暫存器和全域記憶體。
開發者 Divyansh Agrawal 發佈 Qwenputer,將 32 位 RISC-V CPU 與記憶體功能整合進 Qwen3.5-4B,讓模型無需外部工具即可執行程序和精確計算。
MemOS 團隊推出記憶原生模型 MemT 1.0,讓模型把累積經驗寫入原生記憶,並在後續任務中調用。團隊從 4 萬多條成功編程軌跡提煉 1040 條可複用經驗;多語言版 SWE-bench 的 pass^3 提升 8 至 10 個百分點,但 pass@3 沒有明顯提升。
一個微型世界模型可在 Raspberry Pi Pico 2 W 上運行遊戲。頁面未提供模型規模、遊戲名稱或效能數據等更多技術細節。
AI Dev Weekly #30 彙整截至 10 月 15 日的 AI 開發者動態,包括 Gemini 4 Argon 開放開發者使用、Meta 推出 Muse Wonder,以及 GitHub 更新 HydraFusion Max。
Cactus Compute 發佈 Whistle,一款 16.9 MB、可在 CPU 上無需依賴其他套件執行的語音辨識模型,支援英語、德語、法語、西班牙語、意大利語、荷蘭語和波蘭語。
Strands 團隊開源 Strands Decider 2B,這款 2B 參數決策模型面向快速實驗、本地開發及 Agent 工作流。它在 JevBench 公開集的準確度及校準表現,在 2B 級 33 款模型中排名第 3;排除略高於 2B 的模型後,在 30 款中排名第 1,本地決策中位延遲約 115ms。
Microsoft 發佈 MAI-Code-1.1-Flash,稱其相較 6 月在 Microsoft Build 推出的 1.0,價格降至四分之一,完成任務所用 tokens 減少 25%。
QwenAudio 的 SenseVoice 項目介紹 SenseVoiceSmall 的語音識別、語言識別、情緒識別及音訊事件檢測能力,並提供推理、微調與服務部署説明。
斯坦福大學團隊公開 CLM-8B,供 AI 智能體選擇下一步操作或工具;在電腦操作、遊戲和工具呼叫評測中,其表現與 Jev 相若,推理速度最高達 Jev 的 9 倍。
香港生成式人工智能研發中心(HKGAI)推出開源音樂生成模型 YuE2,透過分離符號規劃與聲學渲染,支援創作、翻唱及編輯。按材料截至 2026年9月18日的數據,YuE2 在 HuggingFace Trending 排第4,上線9天官方主模型下載11,626次,連同周邊生態累計約17.9萬次。模型支援六種語言及逾60種音樂流派,權重可免費下載作非商業用途,並可用單張消費級顯示卡在本地執行。
推薦理由:文章交代 YuE2 如何分離符號規劃與聲學渲染,並讓創作者在生成各步驟介入修改,具體呈現可控音樂生成的設計方式。
inclusionAI 發佈 Ming-Image-0.1-Design-Layer,可按輸入圖像及圖層規劃,將扁平設計圖像拆分為指定數量的 RGBA 圖層。模型提供六層卡片製作示例,建議工作分辨率為 1024,亦可使用 512 加快分層;採樣步數為 12,驗證配置為一張 CUDA GPU、80 GiB VRAM。
OpenMOSS 公開 MOSS-Video-Preview,這是一款基於 Llama-3.2-Vision、採用 Cross-Attention 架構的即時影片理解模型,程式碼見 https://github.com/OpenMOSS/MOSS-Video-Preview。
FireRedTeam 發佈 FireRedASR2S,整合語音辨識、語音活動檢測、語言識別和標點預測四個模組。FireRedASR2-LLM 在 4 個普通話測試集的平均 CER 為 2.89%,在 19 個方言及口音測試集為 11.55%。
FireRedTeam 發佈 FireRed-Image-Edit-1.1,基於 FireRed-Image-Edit-1.0,優化人像一致性、多元素融合、風格化文字參照及人像妝效。內置 Agent 可自動處理超過 3 張輸入圖片的區域偵測、裁切拼接及提示詞改寫。項目提供的加速推理配置標示使用 30GB VRAM,生成約 4.5s/sample。
FireRedTeam 為 FireRedTTS-2 發佈完整微調程式碼及教學,示例以 LJSpeech 數據集為基礎。團隊表示,該系統支援多語言和零樣本聲音克隆,使用對話數據微調可生成與示範相若的播客內容。