新國大吳昌盛:AI 時代的傳感技術也要有「温度」
新加坡國立大學助理教授吳昌盛以自適應生物電子研究推動更貼合人體需求的傳感技術,並入選《麻省理工科技評論》2026 年度 TR35 亞太區名單。他的團隊以熱響應水凝膠改善傳感器貼合與安全移除,也開發無線兒童腦血流監測設備,成本僅數百美元。吳昌盛主張以物理規律和參考測量約束 AI,並探索多模態觸覺感知與可穿戴監測。
新加坡國立大學助理教授吳昌盛以自適應生物電子研究推動更貼合人體需求的傳感技術,並入選《麻省理工科技評論》2026 年度 TR35 亞太區名單。他的團隊以熱響應水凝膠改善傳感器貼合與安全移除,也開發無線兒童腦血流監測設備,成本僅數百美元。吳昌盛主張以物理規律和參考測量約束 AI,並探索多模態觸覺感知與可穿戴監測。
SeeHere 是一個 AI 無障礙項目,旨在為教育講座影片自動生成同步音訊描述,補充講者旁白未交代的重要視覺資訊。流程結合 Gemini、Tesseract OCR、Google OR-Tools CP-SAT 和 smallest.ai,處理視覺理解、文字核對、描述排程及語音生成。項目以 WebVTT 輸出同步描述,並採用 Next.js、FastAPI、PostgreSQL 和 Vultr。
美團 LongCat 發佈開源音訊驅動人物影片生成框架 LongCat-Video-Avatar 1.6,改善唇音同步、動作協調與長影片視覺一致性,並優化推理效率。材料稱其可生成超過 10 分鐘的影片;在人類偏好比較中,該版本在六個系統中排名第二,Bradley–Terry Elo 評分為 1068.1,研究收集了 33,051 份有效投票。
這篇 Gemini API CLI 第二部分指南以 gemini-api 0.4.6 實測和 Google 官方文件,整理 ADC/OAuth 權限範圍排查,以及 Free、Paid Tier 和 Google AI Pro/Ultra 的配額與計費邊界。
HushGPT 是以 Python 和 Flask 構建、本地優先且可自行託管的開源 AI 工作空間,旨在讓開發者整合多種 AI 工作流程。它涵蓋 AI 對話、文件處理、圖像處理、語音互動、對話記憶、檢索及網絡輔助資訊檢索,並支援可配置模型和具備重試、取消及狀態追蹤功能的背景工作。
作者花一週體驗 Gemini,認為它在音訊理解、多模態互動、文字創作和幽默感方面表現突出,是被低估的模型。文中以辨認《我的世界》及《英雄聯盟》音效、分析歌曲、理解影片和魔方照片等測試,並與千問、豆包及 ChatGPT、Claude 等模型比較。作者亦指出 Gemini 仍有幻覺問題,且網頁版、APP 和 Antigravity 使用體驗不佳。
JimmyLiao 的《Gemini API CLI 官方指南》第一部分介紹 gemini-api 0.4.6,示範如何把它用作可由 shell 操作的 AI 智能體多模態工具箱。
南京大學與玄武區共建的南京大學生物智能研究院於11月12日在南京揭牌,生物智能產業基金同步落地,創新工坊啟動運行,生物智能科技創新聯盟成立。研究院聚焦生物智能基礎與大模型、生物啟發的感知與計算等方向,推動前沿研究成果轉化。
千問辦公(QwenWork)是一站式 AI 辦公平台,支援智能體拆解多步任務並交付文件、互動網頁或簡易網站。文章梳理六項核心能力、網頁端、桌面端和釘釘三種接入方式,以及個人與企業方案;個人版採訂閲和積分雙軌制。雙 11 期間(11 月 1 日至 11 月 30 日),個人標準版首月 29.9 元、高級版首月 69.9 元,僅限首次購買;積分每月刷新且不結轉。
Google 智能眼鏡的相機私隱安排因操作路徑而異,涵蓋 Gemini 視覺查詢、相簿相片和影片、文字對話及 Aira 人工視覺協助。Google 表示,Gemini 查詢會在處理前按設計遮蔽旁人面孔,相關相機畫面不會存入 Gemini History,也不會用於 AI 訓練或廣告定向;文中引述 CNN 指出,這項保障不包括一般儲存的相片和影片。
VLM 為人形機械人提供連接視覺感知與語言推理的語義介面,協助理解場景及其與當前任務的關係。架構可結合影像、時間脈絡、指令、機械人狀態及記憶,並將語義輸出交由下游規劃和驗證層處理,而非直接轉化為致動器命令。有限的運算和電力資源亦要求透過影像篩選、降低 token 數量及事件觸發推理等方式分配負載。
RAPO 透過識別高熵推理位置作為稀疏反思錨點,並以 chain-masked KL 目標訓練策略在後續推理中保留視覺影響。在 Qwen3-VL-2B-Instruct 上,RAPO 將六項基準的平均 mean@8 accuracy 從 GRPO 的 40.79 提升至 43.01。標準推理時無須額外重新注入視覺資訊或選擇錨點。
AURA 2.0 是串流影片大語言模型,能在沒有用戶提問時主動開啟對話、調用工具,並進行互動式視覺定位。模型加入 Model-Initiated Conversation(MIC)、Stream-Aware Tool Calling(SATC)、Interactive Visual Grounding(IVG)及長期互動記憶,並採用三階段訓練方案。
Wemmbu AI Assistant 是一款以 React、Three.js、Node.js 和 Tauri 2 構建的桌面 AI 伴侶,結合可互動的 3D 角色與 AI 對話。應用透過 OpenRouter 提供對話、以 Fish Audio 進行文字轉語音,並用 SQLite 儲存本地記憶;角色亦可配合語音播放作嘴部動畫,並執行受控動作。
開發者以 Congklak 棋盤遊戲為核心,製作一款融入印尼鄉村美學的 3D 恐怖遊戲,並加入多種結局。玩家可啟用 SmartSpectraSDK 面部分析:表情不是 HAPPY 會令 Granny 生氣,未及時望開鏡頭則可能讓她取走棋子。
DeepSeek 已把原本只在自家應用提供的網頁搜尋、連結讀取、檔案輸入、語音及安全控制功能開放至開發者 API。這些功能由 deepseek-flash(API 對應 DeepSeek-V4.1-Flash-1017)提供,並可透過 Messages、Responses 和 Chat Completions 呼叫;搜尋及讀取頁面每 1,000 次成功請求收費 US$0.75。
Off Grid AI Mobile(OGAM)可在 Android 手機上離線執行 LFM3 1.7B 文字模型及 LFM3 VL 2B 視覺模型,兩者均適用於 RAM 至少 4 GB 的手機。
本章探討自主移動機械人(AMR)檢查系統中的可見光與熱成像整合,説明兩種感測方式如何結合,以識別缺陷、異常和運作風險。整合設計涵蓋感測器選擇、機械安裝、視場重疊及校準,讓視覺特徵與温度分佈能夠互相配合。
CAD2SCAN AMR 的施工掃描架構整合機械人、激光掃描、電腦視覺、定位系統、BIM、雲端運算及人工智能,將實體施工現場轉化為持續更新的數碼表示。架構可自動擷取、處理、分析及分發現場資訊,接近實時地支援施工進度與工程模型的比較。
Hot51分享一套供印尼創作者直播前使用的影音同步檢查指南,透過可重複測試和影格記錄估算聲畫差距。在 30 fps 下,三格約等於 100 ms,但這只是計算示例,並非適用於所有裝置的偏移建議;可變影格率錄影則應使用編輯器的時間戳記。
AtollCare 使用 Presage SmartSpectra SDK,將智能手機變成緊急護理流程的首個監測點,連接家屬、急救人員與醫院,並延續患者紀錄。系統透過手機鏡頭量度心率和呼吸率,並保留讀數來源、時間及訊號穩定性;不符合穩定性檢查的讀數不會列作有效評分。家屬可提交事件影片及描述,急救人員補充臨牀資料,醫院則接收整理好的交接資訊。
Google 於 11 月 11 日推出 Gemini Decisions API,可對文字、圖像、音訊、影片或 PDF 中最多 1,000 項封閉式問題進行單次評估。
Perplexity 發佈 Decider v1.3 和 Decider Flash v1.3,兩款決策模型支援分類與評分,並可經 Hugging Face(Apache 授權)、OpenRouter 及 Perplexity Decisions API 使用。
阿里雲 2026 年雙 11 提供雲產品及大模型優惠,涵蓋阿里雲百煉、伺服器和儲存服務,活動至 11 月 30 日。Qwen3.8-Flash 支援原生 1M 上下文及圖片、影片影格輸入,節省計劃低至 4.5 折,Token Plan 夜間優惠為 4 折。文章並整理按量付費、訂閲及免費額度等方案的適用場景與優惠限制。
香港科技大學 MMSense Lab 提出視覺原生智能體框架,為圖像分配編號並存入同一圖像庫,讓不同工具在解題流程中接續調用同一張圖。團隊另提出 ODE,按模型 rollout 的解題紀錄修訂出題規則;在八項評測中,8B 模型平均準確率由 24.9% 升至 39.0%,30B 模型由 30.6% 升至 41.5%。
DeepSeek 發佈全家桶應用 API,向開發者開放聯網搜尋、讀取網址、文件輸入、語音及模型安全檢查等能力。目前只有 DeepSeek-V4.1-Flash(模型名 deepseek-flash)支援這些能力,並支援 OpenAI 和 Anthropic 兩種格式的 API;聯網搜尋每千次 5 元。作者實測指出,自行接入聯網問答時應在每輪加入日期等用戶元資訊,避免模型按錯誤日期搜尋。
推薦理由:文章實測 DeepSeek 全家桶應用 API 的搜尋、文件及語音能力,並呈現加入日期、所在地等用戶元資訊後,聯網問答結果的變化。
Google 推出 Gemini 4 Hydrogen,定位為面向日常編碼與智能體工作流程的快速、高效模型。它支援文字、圖像、音訊及影片,並提供輸入與輸出合計最多 1 million tokens 的上下文窗口。文章指出,Hydrogen 可處理程式碼庫層級編碼、問題修復及涉及工具、研究和執行的多步驟任務。
LogT 提出全自動 SFT 數據引擎,透過邏輯鏈引導推理,生成具挑戰性的視覺問題及結構化工具使用軌跡。以 Qwen2.5-VL-7B 為基礎的 LogT-SFT 使用的數據少 3.1 倍、GPU 時數少逾 120 倍,表現仍超越結合 SFT 和 RL 訓練的 SOTA 方法。只採用簡單 RL 配方且不作工具專用設計,模型表現亦較先前複雜 RL 設定高 9.59 分。
DeepSeek 於 13 日晚間開放全套應用 API,將 DeepSeek App 的多項互動功能整合至原有 API。V4.1-Flash(deepseek-flash)目前在 Messages、Responses 與 Chat Completions 介面支援聯網搜尋、深度思考搜尋、文件輸入、閲讀連結及安全校驗。
Perplexity 發佈 pplx-decider-v1.3 和 pplx-decider-flash-v1.3 兩款開放權重決策模型,並新增 Locate 功能。
受控實驗顯示,多模態語言模型不需要預訓練視覺編碼器;從零開始與主幹模型聯合訓練的編碼器,表現可媲美預訓練編碼器,且毋須額外訓練階段。模型需要專用視覺容量,但不必在融合前配置;將視覺模組加入主幹早期層並在融合過程中訓練,表現相若,亦可縮短首個 token 的生成時間。
Gemini 示範如何以原生多模態能力,在單一提示詞中比較複雜文件的兩個版本,包括數碼 PDF 與掃描文件。提示詞模板要求逐段逐字核對,找出錯字、標點及數字、日期、名稱等差異,並列出位置、兩份文件的引文和簡短説明。
Google 昨日推出 Gemini 4 Hydrogen,將其帶到 Gemini app 和 Google Search,定位為面向大眾的 Gemini 模型。
DeepSeek 正式開放全套應用 API,開發者可透過原有 API 接入深度思考搜尋、文件輸入及閲讀連結等對話功能,並單獨或組合調用語音及底層能力。
推薦理由:此次更新把 DeepSeek App 的搜尋、文件輸入及連結閲讀等互動能力接入既有 API,並列出獨立介面與工具收費,便於評估自有應用的接入範圍和成本。
DeepSeek 向開發者開放應用 API 能力,現有 API 啟用相應參數後即可提供網頁搜尋、檔案輸入及網址讀取等對話功能,工具調用和上下文組裝由服務處理。deepseek-flash 支援 Messages、Responses 和 Chat Completions API,另有 Search and Fetch、OCR、ASR 和 TTS 獨立 API。
Suno 於 2026 年 11 月 13 日推出 Suno Bridge 測試版,可在 Ableton Live 工作階段中生成並同步人聲及樂器分軌。測試版支援 Mac 上的 Ableton Live 12 或以上版本,並要求 Premier 訂閲;應用程式免費下載,生成音訊則消耗 Suno credits。
阿里雲千問 AI 平台於 2026 年 11 月 9 日調整 Token Plan 個人版,Lite、Essential、Standard 月費不變,月額度增加 73.9% 至 77.8%。
EU《人工智能法案》第 50 條要求生成合成音訊、圖像、影片或文字的 AI 系統提供者,以機器可讀格式標記輸出;部署構成深偽的 AI 生成或操縱內容者,須清楚披露內容經人工創作或操縱。相關規定預定於 2026 年 8 月 2 日起適用;機器可讀標記供技術系統偵測,披露則讓受眾瞭解內容來源或修改情況。
Gentle Monster 與 Warby Parker 宣佈下月推出各自首款基於 Android XR 平台的智能眼鏡,產品由三星與 Google 聯合參與開發。
Adobe 與 Google 擴大 AI 合作,將 Google 的圖像及影片模型整合至 Adobe 創作軟件,並把 Adobe 工具延伸至 Google 產品。