Inkling 2 Mini 發佈,面向本地部署的多模態 MoE 模型
Thinking Machines Lab 與 Hugging Face 發佈 Inkling 2 Mini,一款支援 1M-token 上下文及圖像、文字輸入的本地多模態 MoE 模型。
推薦理由:文章拆解 Inkling 2 Mini 如何重用中間層權重、透過跨輪訊息逐步修正計算,讓 24 個實體層執行相當於 48 個邏輯層的計算,呈現循環式架構的設計。
Thinking Machines Lab 與 Hugging Face 發佈 Inkling 2 Mini,一款支援 1M-token 上下文及圖像、文字輸入的本地多模態 MoE 模型。
推薦理由:文章拆解 Inkling 2 Mini 如何重用中間層權重、透過跨輪訊息逐步修正計算,讓 24 個實體層執行相當於 48 個邏輯層的計算,呈現循環式架構的設計。
HKGAI 雪巍教授團隊聯同 Dolby Laboratories 發表的空間音訊研究論文,獲 ACM MM 2026 最佳論文獎。論文提出 StereoCodec、StereoGen 及 StereoCLAP,讓模型按文字生成具左右方位及動態軌跡的立體聲音訊。這項技術可降低 AI 影視、動畫及遊戲的後期製作門檻,並為多模態世界模型提供技術支點。
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。
香港大學研究人員結合電腦圖像學、波動光學及 AI 校準,開發兩種全像顯示技術,以呈現更自然的焦點、視角和材質變化。一種以多邊形網格保留場景幾何結構和深度,另一種 HoloPathTracer 模擬光線與場景幾何及材質的互動。兩項研究仍處於研究原型階段,實際消費應用仍需提升運算速度及改進空間光調制器和光學系統。
AWS 宣佈 NVIDIA Nemotron 3.5 Super VL 現已可在 Amazon SageMaker JumpStart 部署;這款視覺語言模型接受圖像、影片及文字輸入,並生成文字。
NVIDIA 為 Cosmos 3 模型系列新增四個開放權重 checkpoint,用於互動式世界模擬及多感測器、多視角駕駛場景生成。四個模型均以 Cosmos 3 Nano 為基礎進行後訓練,各有 16B 可訓練參數,並按 OpenMDW1.1 條款供商業及非商業用途。
推薦理由:四個 checkpoint 涵蓋多視角駕駛資料、同步攝影機與 LiDAR 串流、模擬器控制轉影片及雙臂機械人互動,並分別交代用途與後訓練流程。
Amazon Marketplace 以 Amazon SageMaker AI 建立 A+ Content 質素評估流程,整體評估商品詳情頁並提供改善建議。系統把完整頁面渲染成單一快照,結合 VLM 評分、OCR 可讀性訊號、CatBoost 分類器及 SHAP 解釋結果,再由 LLM 整理改善建議。
Google Research 在《Nature》發表研究,提出 AI-PPG-ACC-HTN 系統,利用消費級智能手錶被動檢測高血壓徵兆,無需袖帶校準,並以 24 小時動態血壓監測(ABPM)作為臨牀基準。
推薦理由:研究以 24 小時動態血壓監測作臨牀基準,分別檢視手錶系統在初篩及確認測試中的表現,並交代多日生理訊號聚合的做法。
聆音EchoCare超聲大模型亮相TVB《AI智有計》第四集,展示CAIR與香港中文大學及威爾斯親王醫院合作測試超聲切面識別和尺寸測量功能。相關算法已能識別不同心臟超聲切面,團隊正評估其在檢查中的表現及減少手動操作的潛力。
Agile Deliberation 將主觀 AI 分類器的建立設計成迭代對話,協助用戶釐清概念邊界並逐步完善定義。研究團隊透過 18 場、每場 1.5 小時的真人測試評估框架,發現它能減少用戶疲勞和焦慮,並產生比標準基線更一致、表現更佳的 AI 模型。相關程式碼和演算法已在 GitHub 開源。
Amazon Bedrock 現已支援 Kimi K3 在印度境內推理,透過 in.moonshotai.kimi-k3 inference profile,推理處理會留在 Mumbai 和 Hyderabad 區域內,以符合嚴格的資料駐留要求。文章提供 Python 範例,示範讀取印地語電費單、抽取結構化資料,並以 Hinglish 回答後續問題;亦説明跨區推理選項、權限設定及提示詞快取。
度小滿與香港科技大學及香港生成式人工智慧研發中心(HKGAI)聯合發佈軒轅4.5金融增強大模型,涵蓋大語言模型及多模態模型。在獲客、風控及客戶經營等金融場景中,模型效果提升30%,推理成本僅為通用模型的10%。其自進化RSI技術用於模型訓練及智能體場景目標適配,並以超過1000億Token的場景增強資料支援金融任務。
AWS 文章示範如何運用 Amazon Nova Multimodal Embeddings、Amazon Bedrock AgentCore 和 Strands Agents SDK,建立協助工程師評估零件替代方案的多智能體助理。
HKGAI 旗下「港話通」(HKChat)接入自研 YuE2,推出可由哼唱或圖片生成原創廣東歌的 AI 音樂功能。用戶可加入文字描述補充創作意念,功能現階段免費開放予所有用戶體驗。
作者以 NVIDIA Nemotron Voice Agent 打造萬聖節互動投影 MonsterHouse,讓鬼屋聆聽訪客並以暴躁老海盜船聲線回應,訪客表現有禮時態度會軟化。
CAIR 與深圳德力凱電子股份有限公司自研的經顱多普勒多模態大模型,在「顱影・數智爭鋒」實戰活動中正式亮相。模型覆蓋 98% 以上臨牀場景,超聲提示準確率達 93.8%,超聲所見準確率達 97.52%,可解析超聲頻譜信號、測算血流動力學參數及標註異常徵象,輔助醫師研判。
AWS Machine Learning Blog 介紹如何在 Amazon EKS、EKS Auto Mode 和 SageMaker HyperPod EKS 上部署 NVIDIA Nemotron 模型,以支援智能體 AI 工作流程。
推薦理由:文章以並行度測試比較聚合與分離式部署,並示範如何根據 TTFT、ITL 和吞吐量規劃容量及判斷擴展方向。
Mistral Large 4(Le Chonk)以開放權重形式登上 Hugging Face,提供 FP8 和 NVFP4 兩個官方版本。模型是多模態、多語言 MoE,約有 1T 總參數、49B 活躍參數及 1M tokens 上下文窗口,支援文字和圖片輸入並生成文字。
推薦理由:文章整理 Mistral Large 4 在 Transformers、vLLM 和 llama.cpp 的部署方式,並附上不同硬件配置與上下文長度下的實測速度,提供實際部署參考。
Mistral AI 發佈改進版 Mistral Large 4(Le Chonk)的開放權重;這款 1-trillion-parameter 原生多模態模型提升了編碼、防禦性網絡安全及推理效率。
推薦理由:文章把編碼基準成績與 tokens 使用效率並列,並交代開放權重模型的自託管及企業託管服務選項,呈現能力比較與部署方式。
AI 影片分析可利用哥倫比亞工地現有 CCTV,即時監察高空作業區,改善防墮保護及風險監測。系統可標示高空作業時未佩戴安全帶、邊緣開口、缺少護欄及未按有效許可證作業等情況,並即時通知安全團隊。這有助支援《2021 年第 4272 號決議》要求的持續監察。
Liquid AI 發佈 LFM3 新一代模型系列,以共享骨幹涵蓋文字、視覺、音訊、全模態及決策模型。LFM3-1.7B 以少 35% 參數超越 LFM2.5-2.6B;文字模型的上下文窗口為 256K,所有模型均可在單張 GPU 微調。LFM3 全系列採開放權重,現已在 Hugging Face 提供。
推薦理由:LFM3 將文字、視覺、音訊與決策模型建基於同一骨幹,並支援單張 GPU 微調及端側部署,呈現小型模型按任務專門化的實作路徑。
Property Finder 評估將視覺 AI 工作負載遷移至 Amazon Bedrock 時,發現 96.8% 的評測標籤直接沿用單一模型預測,因而重新建立專家標註的評測集。
推薦理由:文章以房地產影像分類案例,説明專家標註、多標籤設計和逐輪提示詞優化如何減少評測偏差,並讓不同模型的比較更貼近實際正確性。
Runway 推出 App Studio,讓用戶以自然語言免寫程式建立可生成圖像、影片及音訊的自訂創意應用程式,並使用 Brand Kits 和 Workflows。
港大商學院人工智能評估實驗室發佈 AI 影片生成模型評測報告,評估超過十款模型的影片生成能力,以及識別和防範錯誤資訊等高風險內容的能力。Seedance 2.0 Pro 生成表現總排名第一,並在六個評估維度均居首;Hailuo-2.3 安全與責任評分最高,但生成能力總排名第九。
Google Research 介紹其結核病篩查工作,從胸部 X 光 AI 工具的臨牀部署,延伸至 MedGemma、MedSigLIP 等開放模型。合作方 Nexus AI 的工具已在六個國家約 40 間醫療機構運作,超過 90 名臨牀人員評估逾 25,000 張胸部 X 光影像,將處理時間由數週縮短至不足 45 秒。
推薦理由:文章串連臨牀驗證、監管認證與多國部署案例,呈現胸部 X 光篩查工具從研究成果走向醫療現場所需的合作與落地環節。
NVIDIA 擴展 Nemotron Retriever 系列,推出可商用的開放模型 Nemotron 3.5 Embed、Nemotron 3.5 Rerank 及 Nemotron 3.5 Parse,涵蓋多模態檢索、重排及文件抽取。
推薦理由:這次更新把多模態嵌入、重排與文件解析納入同一檢索系列,並列出多項基準與吞吐數據,呈現準確度和部署效率的取捨。
Octave 為 Reliance 在 Amazon Bedrock 上建立三層多租戶 AI 基礎平台,以支援受監管產業的文件搜尋與 AI 工作流程。平台採用 Cohere Embed v4,並以每租戶向量儲存、AgentCore 隔離執行環境及 Amazon Bedrock Guardrails 分層控制資料存取與內容風險。
推薦理由:文章拆解多租戶合規場景中的隔離、身份與內容安全取捨,並呈現如何把共用基礎設施轉化為可重用的 AI 功能底座。
PyTorch 2.15 為 Mac 的 MPS 後端加入 FP8 支援,並加快 LLM 解碼及多項 Metal 運算。在 M3 Ultra 使用 torch.compile 時,Qwen3.6-35B-A3B 的 MoE 解碼速度由 9.4 升至 61.3 tokens/s;Wan2.2 影片 VAE 解碼的峯值驅動程式記憶體由約 270 GiB 降至約 8 GiB。
推薦理由:文章列出 Mac MPS 上的模型解碼提速和 Wan2.2 影片 VAE 記憶體降幅,具體呈現 PyTorch 2.15 後端更新對本機推理工作負載的變化。
Amazon SageMaker JumpStart 在 2026 年 1 月至 9 月新增逾 100 個模型,涵蓋 30 家供應商,並更新模型探索及部署功能。
香港人工智能專業協會與葵青地區康健中心合辦「AI防騙講座」,講解騙徒如何利用 AI 換臉及擬真語音冒充親友或銀行職員行騙。講座示範人工智能生成文字、圖像、聲音及短片的能力,並講解深偽釣魚訊息和假投資陷阱。
Meta 推出 Muse Spark Open,一款約 816B 參數、每個 token 約啟用 42B 參數的開放權重多模態混合專家模型,支援文字、圖像、音訊和影片輸入,並生成文字。模型的上下文窗口最高為 1M tokens。文章列出 Transformers、llama.cpp、SGLang 和 vLLM 等推理部署方式,以及使用 TRL 進行 LoRA 微調的示例。
推薦理由:文章把模型規模、長上下文與多模態輸入能力,連同多種部署和微調方案放在同一份技術指南中,可用來瞭解模型的運行配置與使用方式。
Apertus 1.5 更新 8B 和 70B 模型,加入圖像與音訊理解及可選思考模式,並將上下文窗口擴至 262,144 tokens。持續預訓練分別為 8B 和 70B 模型加入 4 trillion tokens 和 2 trillion tokens 的文字及多模態訓練資料,總訓練量分別達 19T 和 17T。
推薦理由:文章同時公開訓練資料、各階段檢查點與可重跑的評測記錄,讀者可據此瞭解 Apertus 1.5 的訓練流程及比較評測結果。
Google Research 在 Research@ 2026 展示 10 項研究進展與工具,涵蓋地理空間分析、科研、醫療、災害預測及教育。Google Earth AI 擴大早期使用範圍,Deep Review 開放予公眾;Groundsource 整理出逾 2.6 million 宗洪災事件的數據集,協助訓練可提前最多 24 小時預測城市山洪機率的模型。
Google DeepMind 發佈 Gemini 4 Argon,今日起按用戶類別透過 Gemini API、AI Studio、Google Antigravity、Gemini app 及 Search 的 AI Mode 提供使用。
推薦理由:文章並列 Argon 的跨領域基準表現、使用入口、定價與工程及科研案例,讀者可據此瞭解其能力定位和實際應用範圍。
日本建築工地面對高空墮下、機械事故及熱疾病等安全風險,電腦視覺可透過現場影像進行持續、即時監察。2025 年日本有 214 名建築工人因工死亡,約佔全行業 700 宗死亡事故的 31%;高空墮下是建築事故的首要成因。日本自 2025 年 6 月 1 日起規定僱主採取預防熱疾病措施。
OpenAI 開始向更多 ChatGPT 用戶推出 GPT-6,並為 ChatGPT 加入 Intelligent UI,讓回應可按問題組合文字、視覺內容和互動元件。
推薦理由:這次更新把可按問題生成互動介面與逐步作答帶進 ChatGPT,並交代推出方案及回應速度數據,呈現 GPT-6 在使用方式和回應節奏上的改變。
Liquid AI 發佈兩款開放權重端側決策模型 d1-3B 和實驗版 d1-omni-600M。d1-3B 支援文字與圖像輸入,在 Decision Index 0.2.1 得分 48.57,並在七個公開數據集取得 82.9 的平均分;d1-omni-600M 支援文字與圖像或文字與音訊輸入。
推薦理由:文章把 d1-3B 的公開基準成績與多款邊緣設備的延遲數據並列,讓讀者瞭解其決策表現及端側推理速度。
Google DeepMind 發佈 EmbeddingGemma 2,將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,供裝置端推理使用。
推薦理由:EmbeddingGemma 2 將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,並列出裝置端記憶體與向量儲存數據,方便評估跨模態搜尋的本地部署。
Mistral AI 推出 Mistral Large 4 公開預覽版,權重預計月底釋出。模型具原生多模態能力,總參數量為 1 trillion、活躍參數量為 49 billion,並可透過 Mistral Studio API 試用。在 Artificial Analysis Cyber Index 名列全球前五,漏洞重現及修補測試得分 82%,Cybench 則解決 93% 的挑戰。
推薦理由:文章以 Cyber Index、漏洞重現與修補測試及 Cybench 結果,呈現 Mistral Large 4 在網絡安全基準中的相對表現。
CAIR 在香港特區政府人工智能資助計劃專案分享會上,展示醫療 AI 研發成果及在香港醫院的合作進展。中心已形成涵蓋 CARES 4.0、EchoCare 和 SurgMotion 的全棧醫療 AI 技術體系,並與香港 3 家醫院合作開展科研及臨牀驗證。相關系統已在內地 30 餘家醫院部署。