月之暗面 Kimi‑K3.1‑Pro 登陸微軟 Azure AI Foundry,並開放 3T 級模型權重
月之暗面 Kimi‑K3.1‑Pro 已登陸微軟 Azure AI Foundry,列入 “Direct from Azure” 模型序列,企業用戶可透過 Azure 基礎設施測試及部署。
月之暗面 Kimi‑K3.1‑Pro 已登陸微軟 Azure AI Foundry,列入 “Direct from Azure” 模型序列,企業用戶可透過 Azure 基礎設施測試及部署。
Physical Intelligence 聯合創辦人謝爾蓋·萊文在訪談中指出,通用機械人發展的核心瓶頸是以可承受的工程成本取得高質素物理交互數據,建立可持續的數據閉環。
螞蟻百靈官方團隊推出原生多模態模型 Ling-3.2-flash,官方評測中三項基準均高於 Claude Opus 5(max)。其 OmniDocBench1.5、ZEROBench(Sub)及 Vision2Web 得分分別為 92.21、43.71、85.86;模型具備 560B 總參數、25B 激活參數及 1M 上下文窗口,支援圖像、文字與影片輸入。
螞蟻百靈官方團隊推出原生多模態模型 Ling-3.2-flash,總參數量為 560B、激活參數量為 25B,支援 1M 上下文窗口及圖像、文字和影片輸入。模型重點強化複雜視覺理解、多模態長程 Agent、3D 理解與互動及醫療多模態能力。
Thinking Machines Lab 發佈 Inkling 2 Small,這款混合專家(MoE)模型共有 594B 參數、啟用 17B,並支援圖像輸入。
VeRL-Omni 發佈 v0.3.0,擴展多模態強化學習的異步執行,並擴大圖像、影片、音訊及多模態理解的後訓練支援。V1 訓練器成為預設,版本亦提供 MiniMax H3 DiffusionNFT 和 MiniCPM-o 4.5 AVQA GSPO 等配方。
PhysioWave-T 論文提出面向 EEG、ECG 及 sEMG 的小波基礎模型系列,透過動態尺度折疊減少 token 數量。其 30M 參數 EEG 模型以超過 15M 個窗口預訓練;在四種 EEG 路線中,尺度折疊相較尺度擴展使 Transformer 延遲降低 4.0–7.2 倍、峯值記憶體降低 6.8–12.7 倍,準確度沒有下降。
Seven Sports 開發的 Amblyotube 是一款可在 Meta Quest 商店下載的 VR 應用程式,讓用戶觀看 YouTube 內容時,為雙眼提供不同的視覺體驗,進行弱視訓練。應用程式以數碼模糊、AI Sharpener 和色彩提示等功能,引導雙眼融合視覺訊號。Amblyotube 只屬輔助訓練工具,不能取代處方或手術,使用者須同時諮詢眼科專科醫生。
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。
Meta 於 2026 年 11 月 5 日宣佈,即時語音對話與表情豐富的虛擬形象正陸續登陸美國的 Muse app,支援手機、網頁及 Mac。用戶可打斷語音回應,並在對話持續期間讓智能體於背景處理任務;虛擬形象的表情和動作會與語音同步。
SkinMind 是多模態智能體 RAG 框架,透過反覆探索大型皮膚科知識圖譜,蒐集文字及圖像證據,回答皮膚科視覺問題時比直接作答及其他檢索方法更準確。SkinMind-KG 整合皮膚科指引、教科書及 423K 張圖像,包含超過 1.0M 個節點和 2.0M 條邊。
EarthRecord 是一項評測基準,利用 56 個地點四十年的 Landsat、MODIS、VIIRS 和 Sentinel-2 原始數據,評估多模態 AI 智能體分析土地變化的能力。
OmniLatent 以共享潛在空間聯合編碼幾何、形變、外觀及二元部件 ID,從單張圖像生成具部件感知能力的 3D 資產。模型可在單次推理中生成幾何、形變、紋理及表面部件 ID,並支援互動式分割、細化、部件細分及遮擋部件補全。
Glyph 利用基礎模型和稀疏自編碼器,從多模態臨牀資料中抽取並解讀臨牀概念。研究分析來自不同機構 41,628 名患者的腹部 CT 影像、CT 放射科報告及化驗測量資料,找出 397 個具預測性的概念,以及 4,463 項經 Bonferroni 校正後達顯著水平的關聯。
Google 示範在 Gemini Canvas 上傳紙上草圖,並將其轉成可互動的應用程式原型。用戶可在預覽中測試,再透過對話修改顏色、字體或功能,也可直接編輯生成的程式碼。Canvas 應用程式可透過公開連結分享,任何持有連結的人均可查看及編輯相關資料;共享連結只可在網頁開啟。
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 宣佈 Gemini Omni 1.2 Flash 正式開放使用,影片生成時長上限增至 15 秒,並加入多輪對話式編輯。720p 價格下調 30% 至約 $0.07 每秒;Google DeepMind 的並列評測中,1.2 在文字生成影片的一致性勝率為 62%,1.1 為 38%。
EXOSHOCK 登陸 Quest 和 PC VR 進入搶先體驗,帶出 VR 頭戴式裝置作為視覺訓練平台的設計可能。Amblyotube 利用 Meta Quest 的雙眼獨立顯示,對 YouTube 影片作左右眼不同的影像處理,並內置 LogMAR 視力檢查。軟件定位為輔助訓練工具,建議每日使用 30–40 分鐘,每次最多 1 小時。
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。
騰訊發佈語言模型 Hy4,加入圖像理解及自主操作軟件能力;模型權重暫未公開,目前可透過 Tencent Cloud、OpenRouter 及騰訊應用程式使用。
SoundCloud 宣佈,創作者可直接將 ElevenMusic 製作的音樂發布至 SoundCloud,省去另行匯出及上載步驟。新舊 SoundCloud Artist Pro 訂戶可免費使用 ElevenMusic Pro 三個月;直接發布的曲目會標示 ElevenMusic 為創作來源,並須遵守 SoundCloud 的內容政策及相關權利要求。
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。
Amblyotube 以 Meta Quest VR App 將 YouTube 影片轉化為雙眼分視訓練,透過向雙眼呈現不同影像,訓練視覺協調和注意力。內置 LogMAR 檢查會以 Landolt C 視標測試每隻眼及雙眼視力,並可按測得的視力自動調整治療設定。Amblyotube 是輔助視覺訓練工具,並非診斷、治療或療法;弱視須由眼科及視覺矯正專業人員評估。
LiveFoley 提出串流因果自回歸擴散架構,以極低延遲改善影片轉音訊生成的視聽對齊和音訊質素。Trailing Sliding Window 可將非因果分段編碼器轉為串流模組,而 Unified Varhop Framework 適應不同延遲和運算預算。實驗顯示,LiveFoley 的時間對齊能力媲美離線模型,生成質素領先串流系統。
文章提供一套識別及阻止選舉深偽影片與音訊的方法,涵蓋 Docker + Python 檢測流程和實用核查清單。流程結合 MTCNN、DeepFaceLab、Whisper 及 C2PA-Verifier,檢查影像、聲音和真確性標籤。文章亦列出美國、印度和巴西的案例及不同檢測方案的準確度與成本比較。
阿里雲 QwenWork 在 2026 年雙十一期間提供訂閲折扣及積分優惠,並涵蓋功能、價格、選購與接入方式。平台支援釘釘整合、Office 產物生成、多模態處理及全棧網頁交付,分為個人版與企業版。付費版本連續包月 8 折、年付 7 折。
NitroFusion2 在多模態 Diffusion Transformer 中,使用凍結 MMDiT 的中間文字 token 狀態作為判別器表示,提出 Text-Stream Adversarial Distillation。
洲明科技與香港理工大學簽署合作協議,共建「AI與光顯融合創新聯合實驗室」,圍繞AI智能分析等技術開展聯合攻關,推動「光顯+AI」科研成果產業化。雙方將合作探索智慧城市、政企交互、文旅融合及能源等場景的應用。
奧迪與上汽集團在上海為 AUDI 品牌研發實體奧迪創新技術中心(AITC)舉行開業典禮,中心將主導車型由概念定義至量產交付的端到端開發。AITC 聚焦駕駛輔助系統與 AI 智能座艙,並推進第二代智能數字平台(ADP 2.0)研發。自2028年起,基於 ADP 2.0 的四款全新車型將陸續投入中國市場。
PCBRouteAgent 是一個多模態 PCB 佈線智能體,在 247 塊合成及真實電路板上接受評估,涵蓋 PCBWorld-Bench 的四個測試子集。它在 D2、D3-A、D3-B 和 D3-C 的 clean-pass rate 分別為 100%、94.9%、100% 和 40%。
穿戴設備品牌 Rollme(羅麥)在海外推出 AuraCam 頭戴式無線耳機,售價 89.99 美元。耳機配備 800 萬像素前置鏡頭及電子圖像防抖技術,支援由 OpenAI 驅動的圖像識別和即時翻譯。產品支援藍牙 5.4 及 Wi-Fi 6,續航力達 50 小時,並支援快充。
穿戴設備品牌 Rollme 在海外推出 AuraCam 頭戴式無線耳機,支援圖像識別、即時翻譯、會議錄音及拍攝影片,定價 89.99 美元。耳機配備 800 萬像素鏡頭,圖像識別和即時翻譯功能由 OpenAI 提供支援,續航最長可達 50 小時。
Rollme 最近在海外推出 AuraCam 頭戴式無線耳機,支援圖像識別、即時翻譯、會議錄音及拍攝影片等功能。耳機配備 800 萬像素攝像頭,定價 89.99 美元,最長續航 50 小時,並支援藍牙 5.4 和 Wi-Fi 6。
華中科技大學王興剛團隊與地平線機器人等機構提出 Multimodal Flow,以全連續架構和共享 Flow Matching 目標統一語言與視覺建模。從零預訓練的 MF-1 有 1.6B 參數,使用 150B Tokens;GenEval 得分為 0.821,VQAv2 得分為 72.6。受控對比顯示,Multimodal Flow 在同等數據與參數預算下,整體表現超越混合式及全離散架構。
上海交通大學副教授鄧志傑解析擴散語言模型如何在保證生成質量的同時提升速度,涵蓋 LLaDA、Dream、多塊並行生成、後訓練及推理系統優化。LLaDA2.1-mini 經 CForce 訓練後,四項任務平均得分由 85.57 提升至 86.41,平均 TPF 由 6.94 提升至 9.08。演講亦介紹擴散語言模型在流式影片、語音修復、多模態及智能體中的應用探索。
ACM MM 2026 的四位主題演講嘉賓,將探討多媒體 AI 如何回應具體的人、複雜環境及長遠影響。議題包括具身 AI 參與人際交流、多人對話中的選擇性聆聽、AI 摘要的取捨責任,以及讓青少年參與安全設計。大會將於 2026 年 11 月 10 日至 14 日在巴西里約熱內盧舉行。
阿里雲 OSS 以 Object、Table、Vector 三種 Bucket 管理非結構化、結構化及向量數據,三者共用 SDK、權限策略、日誌審計和生命週期管理。Vector Bucket 支援隨向量儲存標量元數據、按元數據篩選及匯出至表格儲存。Table Bucket 原生支援 Apache Iceberg,並由儲存端處理 Compaction、快照管理和孤兒文件清理。
Google Research 推出 Agile Deliberation,協助用戶為主觀概念建立圖像分類器,並找出概念邊界。測試涵蓋 2 個概念及 18 場實時測試,F1 平均較零樣本 Gemini 2.5 Flash 高 10.5 分。程式碼以 Apache 2.0 授權於 GitHub 公開,並提供 Gemini API 示範筆記本,毋須微調。
上海交通大學副教授鄧志傑在CNCC 2026演講中,探討如何透過並行生成、後訓練及推理系統優化,提升擴散語言模型的生成速度並維持質量。LLaDA2.1-mini經CForce訓練後,四項任務平均得分由85.57升至86.41,平均TPF由6.94升至9.08。Fast-dLLM結合近似KV緩存與置信度解碼後,速度由6.7升至54.4 TPS,準確率則由79.3%變為78.5%。
ACM Multimedia 2026 的四位主題演講嘉賓將探討具身 AI 互動、多人環境中的選擇性聆聽、AI 摘要的取捨責任,以及青少年參與多媒體系統安全設計。會議將於 2026 年 11 月 10 日至 14 日在巴西里約熱內盧舉行。