甚麼是 Physical AI?Foundation models 如何走進現實世界
Physical AI 將學習所得的感知、推理和控制能力應用於在現實世界行動的機器,並須面對不確定性、物理規律及安全限制。其運作可按感知環境、估算狀態與不確定性、規劃可行動作、透過受控致動器執行,以及監察後果和復原五個階段理解。文章亦區分 Physical AI 與在可逆數碼沙盒中運作的純軟件 AI,指出評估須考慮數據、介面、硬件、權限及人員。
Physical AI 將學習所得的感知、推理和控制能力應用於在現實世界行動的機器,並須面對不確定性、物理規律及安全限制。其運作可按感知環境、估算狀態與不確定性、規劃可行動作、透過受控致動器執行,以及監察後果和復原五個階段理解。文章亦區分 Physical AI 與在可逆數碼沙盒中運作的純軟件 AI,指出評估須考慮數據、介面、硬件、權限及人員。
鴻合HiteVision攜多場景方案亮相四川省第二十一屆校園影視教育成果發布展示交流活動,展示AI在課堂影像、教研分析、課後學習及智慧體育中的應用。方案包括鴻合護眼黑板、鴻合AI課堂分析平台、鴻合AI助教機及鴻合智慧體育綜合解決方案,涵蓋課堂音視頻採集、課堂分析、課後練習和體育數據管理。
szp2005 分享開發瀏覽器 WASM 與 Serverless GPU 去背工具時遇到的三類陷阱,涉及量化造成的透明度失真、遮罩放大色邊,以及同步 API 的計費和圖片留存。
面向多寵家庭的視覺感知方案融合寵物面部、鼻紋等生物特徵與時序追蹤,在暗光、遮擋等居家環境中識別個體並感知健康異常。方案採用端雲協同架構,將檢測、身份比對和軌跡追蹤部署於本地設備,以降低原始圖像上傳帶來的私隱風險。相關能力可與餵食器、貓砂盆等設備聯動,記錄個體活動及健康資訊。
Yomi 開發者 Tedy Mezaguer 分享 iOS 漫畫閲讀器處理日文直排 OCR 的方法,將文字辨識、對話框分組和閲讀順序整理成完整流程。流程並行使用雲端 OCR、Apple Vision 文字辨識及文字區域偵測,將候選區域裁切放大後重讀,再按直排方向調整矩形擴張,以 union-find 合併文字行。
艾比森面向全球正式發布 iCon X V3 與 iCon E V2 兩款 MicroLED 互動顯示終端,分別面向高端會議等場景,以及教室、培訓室和中小企業會議室。iCon X V3 配備 Acube(Beta)智能體,現處於公開測試階段,智能化水平為 L2~L3。iCon E V2 支援 600nit 亮度與 160° 視角;以 E130 V2 為例,整機平均功耗為 426W。
MiniMax 創辦人兼 CEO 閆俊傑在訪談中稱,美國 AI 生態以資本支撐封閉系統,中國則以效率支撐協作。他表示,算力短缺促使公司把推理成本壓縮列為核心指標,並稱以 10% 的成本達到前沿模型約 95% 的性能,最後 5% 的差距可能更難追趕。
vLLM 擴展 EPD 多模態服務,支援編碼器與 Prefill、Decode 分開部署,並完善 metadata-only 請求、嵌入傳輸、共享快取及路由整合。
inclusionAI 公開 ZoomGain-4B、ZoomGain-9B 模型檢查點,以及 ZoomGainBench 評測基準和 RL 訓練數據。ZoomGainBench 涵蓋 941 張圖片、1,000 條問題;論文中參與評測的 28 個模型,最佳得分為 61.08,ZoomGain-9B 在多項細粒度感知及一般感知基準上表現較佳。
ZoomGain 發布 ZoomGain-4B、ZoomGain-9B 模型檢查點、ZoomGainBench 評測基準及 RL 訓練數據集,利用全圖與放大局部之間的視覺感知差異,為視覺語言模型構建細粒度監督。論文中,28 個模型的最佳 ZoomGainBench 成績為 61.08;基準涵蓋 941 張圖像及 1,000 條問題,訓練數據則有 9,000 條記錄和 7,713 張來源圖像。
inclusionAI 提供以 llama.cpp 轉換的 ZoomGain-4B GGUF 格式權重,語言模型、視覺編碼器及投影器均有 FP16、Q8_0 和 Q4_K_M 版本。輸入圖片時,須同時提供語言模型和相應的 mmproj 檔案;量化可能影響準確度。
ZoomGain-9B 的權重已轉換為 GGUF 格式,語言模型及視覺編碼器與投影器均提供 FP16、Q8_0 和 Q4_K_M 版本。處理圖片輸入時,須同時提供語言模型和相應的 mmproj 檔案,並使用支援 Qwen3.5 多模態功能的 llama.cpp;量化可能影響準確度。
騰訊的「元寶搜索」正式上線,用戶可透過 so.qq.com 使用,亦可在 QQ瀏覽器的引擎設定中切換為「元寶搜索」。產品基於元寶大模型能力重建搜尋鏈路,依託千億級索引涵蓋全網網頁、公眾號、視頻號及學術文獻,並已接入157個權威信源。搜尋結果優先展示權威機構及官方來源,廣告另設「相關廣告」模組、明確標示並可由用戶收起。
騰訊推出全新 AI 搜尋產品元寶搜索,索引規模達千億級,涵蓋全網網頁、騰訊生態內容及學術文獻,並已接入157個權威信源。產品把廣告設為獨立模組並標註「相關廣告」,用戶可一鍵摺疊;學術搜尋支援論文結論通俗解讀及英文文獻一鍵翻譯。用戶可在瀏覽器透過 so.qq.com 使用,或更新 QQ 瀏覽器後切換;產品亦支援打字、語音及拍照搜尋,並可根據生成的答案繼續追問。
HKUST 公佈自閉症支援 AI 平台 ASD Super Agent,初步測試的曲線下面積(AUC)為 0.92。平台結合早期風險篩查、個人化介入建議及持續跟進,並計劃在部署前進一步進行臨牀研究和真實環境驗證。家長提供的影片、問卷及發展資料可用於生成風險評估報告,但報告不能取代專業評估。
阿里於 2026 年 11 月 11 日發佈 Qwen4-Max 預覽版,首發於 Token Plan,並接入千問辦公、Qoder 等入口。官方列出的升級方向包括知識理解、世界感知、編程與 Agentic,面向複雜編程、專業辦公、前端設計及專業軟件操作;預覽期至 11 月 25 日 24:00(UTC+8),期滿後模型標識下線。
inclusionAI 發佈基於 Qwen3.5 的 Sing VL S1 多模態決策模型,可處理文字或 JSON,以及最多四張圖片,並就指定問題輸出選項、是非判斷或分級評分。Decision Index 0.3 公開評測中,Vision 指數為 73.94;Text 加權總分為 77.26(Non-Skill)及 69.76(Skill)。
Google 向公眾發佈 Gemini 4 Carbon,稱其為旗下迄今最強模型,主打複雜、長週期任務,但普通付費用戶暫時無法使用。付費開發者及企業可透過 Gemini API 和 Gemini for Business 使用;一般消費者則須訂閲 Google AI Ultra,才可在 Gemini 應用及搜尋 AI 模式使用。
推薦理由:文章對照 Gemini 4 Carbon 的任務成本、模型排名與訂閲門檻,呈現企業採用成本優勢和一般付費用戶體驗限制之間的落差。
百度發佈 ERNIE 5.5 Flash Preview,這是基於早前發佈的 ERNIE 5.5 Flash Base 構建的首個後訓練模型,總參數量為 280B、啟用參數量為 14B,並支援 1M-token 上下文窗口。
Google 宣佈 Gemini 4 Carbon(gemini-4-carbon)正式開放使用,並稱其為面向持續智能體編碼、多模態知識工作、科學推理及網絡安全防禦的能力最強推理模型。
鳥類監測可按畫面中的鳥羣密度,自適應結合目標檢測與跟蹤、密度估計,兼顧總量統計及個體資訊。密度估計適合大規模密集鳥羣的總數統計,檢測與跟蹤則適用於較稀疏場景,可取得個體位置、種類及軌跡等資訊。實際方案亦可結合密度估計與抽樣檢測,統計總數並識別物種構成。
Suman Kumar Khan 分享其在 Digital Avenues 的 Prisium 多鏡頭直播平台採用信心累積機制,以減少 AI 自動切鏡因短暫聲音而反覆跳轉。系統結合 MediaPipe 面部特徵點偵測嘴唇活動,以及參與者音訊的主動發言者訊號,讓信心隨證據累積或衰減。挑戰者的信心達到門檻才切換,訊號不明時維持目前鏡頭,多人同時信心偏高則切至全景。
NVIDIA 的 AI 與機械人技術協助回收商從混合廢物流中分揀可回收物料,減少送往堆填區的資源。AIRECO 試產線的辨識準確率超過 95%;Greyparrot 的 Analyzer 已在 20 多個國家部署逾 300 套,將檢查 15 噸廢料所需時間由 375 小時縮短至 6 小時。
阿里雲百煉 Token Plan 正式上線 Qwen4-Max 預覽版,主打理解、多模態、程式開發及 Agent 能力升級。活動期間,新客套餐低至 5 折,調用 Qwen4 模型可享限時 2 折;Lite 套餐 19.50 元/月起,Essential 套餐 39.50 元/月起。
阿里千問 Qwen4-Max 預覽版上線 Token Plan,雙 11 活動提供套餐折扣及模型調用優惠。Lite 套餐每月 19.50 元起,Essential 套餐每月 39.50 元起;Qoder CN 專業版新客首次訂閲每月 19.90 元起。
阿里千問將 Qwen4-Max 預覽版上線 Token Plan,並推出雙 11 優惠,涵蓋模型訂閲、辦公及開發產品。活動期間 Token Plan 新客套餐低至 5 折,調用 Qwen4 模型可享限時 2 折;Lite 套餐由 19.50 元/月起,Essential 套餐由 39.50 元/月起。千問辦公首月 29.9 元起,Qoder CN 專業版新客首次訂閲由 19.90 元/月起。
阿里雲雙十一活動推出 Qwen4-Max 預覽版,並上線 Token Plan。Token Plan 新客套餐低至 5 折,調用 Qwen4 模型限時享 2 折;Lite 套餐由每月 19.50 元起,Essential 套餐由每月 39.50 元起。Qoder CN 專業版新客首次訂閲由每月 19.90 元起。
Google 宣佈 Gemini 4 Carbon 面向全球開放,付費 API 開發者、企業及 Google AI Ultra 用戶可開始體驗。用戶可透過 AI Studio、Gemini 應用程式與 Antigravity 使用;文章並展示其三維復原阿波羅登月艙及 /swarm 多 Agent 蜂羣模式。文中列出每百萬 Token 輸入 2 美元、輸出 10 美元,快取折扣 95%。
瀏覽器本機 AI 分離工具可將歌曲拆成人聲與伴奏,音檔留在裝置內,無須上傳。工具提供 2-stem 與 4-stem 模式,支援 MP3、WAV、FLAC、M4A;4-stem 模式使用 WebGPU 加速。文章比較本機 AI、相位抵消和上傳式服務的音質與私隱,並指出編曲密集或高壓縮的歌曲可能在分離的人聲中留下其他樂器殘影。
Anthropic 啟動 IPO 路演,並於 11 月 10 日發佈 Claude Fable 5.2 和 Claude Mythos 5.2;谷歌則正式開放 Gemini 4 Carbon。
即時互動研究正匯合全雙工語音、全模態建模與持續推理等路線,一批年輕研究者也透過高校、開源社羣及企業合作推進技術落地。文中以 Seeduplex、SeedRealtime、MiniCPM-o 4.5、Interaction Models 和 GPT-Live 等為例,指出全雙工的核心是模型在輸出時仍處理新輸入並調整回應,而非單純降低延遲。
阿里雲百煉 Token Plan 以 Credits 統一計量多款模型及工具調用,文章比較個人版與團隊版的功能、價格和選購方式。個人版四檔月費由 39 元至 312 元,月度額度為 20,000 至 200,000 Credits;團隊版雙十一月價每席為 150 元、550 元或 1,398 元,另有共享用量包。
Google 與 Artificial Analysis 推出多模態知識智能體基準測試 MKA,Gemini 4 Carbon 質素排名第二,平均任務成本約為榜首模型的六分之一。
Artificial Analysis 與 Google DeepMind 推出 Multimodal Knowledge Agent(MKA)基準,評測智能體根據複雜視覺檔案完成知識工作任務的能力。
NVIDIA 於 2026 年 11 月 10 日在 Hugging Face 發佈 Alpamayo 2 Edge 權重,提供一個面向車載運算與延遲限制、參數量為 2 billion 的自動駕駛模型。
VibePrevisBench 是評測智能體把簡短描述轉化為可執行 4D 場景並渲染代理影片的基準,涵蓋 242 項任務及四種輸入類型。研究以規則式 Scene Check 和 VLM 式 Screen Check 評估場景與影片,並分析 11 個前沿編碼智能體:它們在空間和鏡頭運動理解方面表現有別,亦未能有效修正渲染錯誤。
Neuro-VL 是一個以近一百萬份常規臨牀神經影像研究訓練的視覺語言模型,可解讀完整影像檢查並以自然語言討論其發現。在內部及國際數據集上,它在診斷、定位和描述異常,以及生成完整放射科報告方面,表現優於前沿通用模型及專科醫療模型。它亦可比較連續檢查以評估病情進展,並比 OpenAI 和 Google 的領先模型更可靠地抵抗誤導性臨牀假設。
Duo v1 提出互惠世界模型(RWM),共同建模意圖與實現,以支援即時全雙工視聽互動。其技術設計包括自回歸推理、同步注意力及雙重 rollout 蒸餾;模型會持續感知音訊、影片和文字,並即時回應用戶。作者表示,Duo v1 的發布只是第一步,下一個版本即將推出。
MemInStream 是一項評測串流影片理解記憶能力的基準,透過證據控制驗證區分記憶限制與視覺理解失誤。驗證流程為問題配對時間定位證據,並排除僅憑近期觀察、證據之後的觀察或文字輸入便能作答的問題。基準涵蓋情節檢索、狀態追蹤與更新、多重證據整合及情境記憶四大類別。
Open Vision Banana(OVB)提出一套全開放、可重現的方案,把預訓練生成模型轉化為統一的多任務感知系統。OVB 使用 4B 和 9B 參數的開放權重基礎模型及 2.1M-3.8M 個訓練配對,在 Cityscapes 零樣本表現以 73.9 mIoU 超越 Vision Banana 報告的 69.9 mIoU。