上海交大鄧志傑:擴散語言模型如何兼顧速度與質量
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%。
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。
SleuthVLM 論文提出一種不直接聽取音訊的影片理解智能體,透過語音轉錄及自主搜尋影片內容,在四個全模態基準上取得 75.0% 平均準確率。影片最長達 90 分鐘;該成績較 Gemini 3.8 Flash 高 2.6 個百分點,並以 77.8% 登上 Video-MME-v2 排行榜首。
米哈遊聯合清華大學、香港大學、新加坡國立大學等機構開源 GameScaling 通用遊戲模型系列,共八個模型,涵蓋 0.8B、2B、9B、27B 四檔規模,權重及推理程式碼採 Apache 2.0 協議發布。
NEO-VLA 提出一種無固定視覺編碼器的視覺語言動作框架,讓圖像與語言在骨幹網絡中共同演化,供動作專家從不同深度讀取視覺表徵。在受控比較中,原生架構勝過依賴編碼器的架構;完整微調可縮小差距,但不能消除差距,單靠擴大規模亦無法追回。在多種操控情境及分佈轉移下,NEO-VLA 的控制表現更強、更穩健。
Claude Opus 4.7 將截圖長邊上限提高至 2,576px,同一張 3456×2234 PNG 的圖像 token 用量約為 Opus 4.6 的 3 倍。
國博以高清圖片結合AI技術,360度全景呈現明萬曆孝端皇后九龍九鳳冠的細節。鳳冠通高48.5釐米、重2320克,鑲嵌寶石115塊、珍珠4414顆;以它為原型製作的鳳冠冰箱貼銷量已超350萬件,目前於國博北16展廳展出。
香港大學俞益洲教授團隊提出 RaPO 強化微調演算法,以緩解多模態大語言模型(MLLM)在視覺持續學習中的災難性遺忘;論文獲 NeurIPS 2026 接收。
愛立信中國區總裁方迎解讀新一代通訊網政策、AI趨勢及網絡與AI融合實踐,並表示愛立信將以智能網絡底座支持中國網絡建設和AI應用發展。愛立信研究預計,到2030年前,38%智能手機用戶會把日常任務交由人工智能處理;到2030年,AI重度用戶比例將約達30%。愛立信以AI優化網絡調度,並透過5G-A切片、上行增強等技術提升可靠性、降低時延。
得物 App 成為中國市場首批接入 Apple Intelligence 國行版視覺智能功能的應用之一,讓用戶可用 iPhone 相機拍攝商品並在得物搜尋相關商品。用戶可查看商品詳情、歷史價格走勢、AI 解讀及真實用戶評價。目前該功能隨 Apple Intelligence 國行 Beta 測試版開放體驗。
華為昇騰基於 vLLM Ascend、SGLang 完成 Kimi K3.1 Pro 的 0 Day 推理適配,支援模型在發佈首日部署。適配支援昇騰 Atlas 800 A3、Atlas 900 A3 SuperPod 超節點及昇騰 950 超節點系列,並涵蓋新增稀疏注意力路徑、多模態推理及長上下文所需的算子與框架協同優化。
教育機構可結合多模態大模型、認知圖譜與自適應蘇格拉底式追問引擎,構建涵蓋錯因診斷、啟發答疑、變式訓練及教研反饋的 AI 系統。落地時需處理手寫公式與圖表識別,並透過提示詞工程及輸出護欄限制模型輸出,避免直接洩露答案或產生幻覺。
多家券商晨會研報聚焦AI算力產業鏈業績、2027年券商板塊配置機會,以及AI眼鏡全綵顯示與AI交互帶來的產業變化。中信建投稱,2026年前三季度測試儀器、GPU/ASIC、線纜板塊歸母淨利潤分別增長1160%、720%、214%。華泰建議把握2027年券商板塊配置機會;國金認為鏡片與渠道有望受益。
生成式 AI 驅動的深度偽造投資騙局,會利用名人背書、偽造平台、關係經營及漸進誘導建立信任,並在提款時以附加費用收網。澳洲證券及投資委員會數據顯示,2025 年利用深偽名人形象為投資計劃背書的騙局數量同比上升 25%,虛假投資每年令澳洲民眾損失接近 10 億澳元。文章提出結合技術核驗、機構仿冒識別及去污名化溝通防範此類騙局。
文章參照 CAIE 人工智能工程師體系,提出職場人由人機溝通、資料處理與任務拆解、AI 工作流搭建,進階至企業級項目應用的四階學習路線。前三階對應 CAIE 一級的基礎與應用能力,第四階延伸至 CAIE 二級;學習應圍繞真實工作任務,逐步加入流程核驗、人工審批,以及企業項目的數據權限、成效驗收和維護安排。
Gemini Omni 1.2 Flash 已正式開放使用,支援最長 15 秒影片生成和對話式編輯。影片輸出價格下調 30% 至 $12.00 per 1M tokens,付費層級速率限制加倍;影片延長每輪支援 3 至 10 秒,總長度最高 30 秒。
月之暗面已將 Kimi K3.1 Pro 的模型權重上載至 Hugging Face,正式開放權重。模型採用 MoE,總參數為 2.8 萬億,每次推理啟用其中 1040 億,支援 100 萬 token 上下文及看圖;Artificial Analysis 綜合智能指數為 46.5 分,較 DeepSeek-V4.1-Flash 的 32.6 分高約 14 分。
推薦理由:文章交代授權例外及部署所需硬件,呈現權重開放後商用與自行部署各自面對的實際門檻,方便判斷其適用範圍。
Dharma-AI 推出 2B Field Extractor,從文件提取欄位並輸出結構化 JSON;文件中不存在的欄位會回傳 null。模型在供應商自家基準測試中得分 0.834,高於四種前沿模型配置的 0.741 至 0.816;Dharma-AI 稱成本約低 6 至 147 倍。文章提供試用示範,但未確認授權條款、模型權重是否開放或有否商業方案。
NexoPeek 將 voxel 式縮放帶入蛋白質結構探索,讓用戶在 Meta Quest 上以互動 3D 場景查看和操作蛋白質模型。應用程式提供 12 個以真實 PDB 結構為基礎的導覽,並支援多來源結構搜尋及本機檔案載入。文中測試的離線口袋預測與晶體學確定的結合口袋重合 96%,RMSD 約 0.8 Å。
自由身 AI 評估員分享評估圖像、影片、音訊及用戶介面模型輸出後的心得,指出遵從指示比外觀出色更重要。評估時,誤報問題比漏掉小問題更糟,簡短而清晰的意見也比冗長解釋更有用。模型的改進仍有賴人員仔細、持續地檢查輸出。
AWS以Amazon Bedrock AgentCore協調專責智能體評估航空航天零件替代,把跨文件人工核對由數天縮短至數分鐘,工程師仍保留最終決策權。系統以結構化證據在智能體之間傳遞資料,並透過多模態嵌入搜尋文字及圖像資料。人工審批可暫停工作流程,狀態儲存於DynamoDB,待工程師返回後恢復。
Google Research 推出 Agile Deliberation,協助用戶為主觀類別建立圖像分類器,並提供開源程式碼及互動式 Colab notebook 示範。
VRChat 在徵詢用戶後決定不為 AI 生成內容加上標籤,引發社羣反彈;Seven Sports 的 Amblyotube 則讓用戶設定視覺訓練強度及 AI 鋭化效果。這款 Meta Quest 應用透過雙眼不同畫面進行訓練,並支援 YouTube 風格影片及離線播放的兒童影片目錄。Amblyotube 是輔助視覺訓練及教育軟件,不可取代專業醫療指導。
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。
Pangram 推出 Pangram Image 1.0 和較小、較快的 Pangram Image Flash 1.0,分別用於偵測靜態 AI 圖像和逐幀檢查影片。
Interactive Visual Gym 提出結合可執行任務環境與模擬用戶的閉環評測及訓練框架,用於衡量視覺互動模型在持續任務中的表現。其 IVG-Bench 涵蓋烹飪、家居操作及手機介面,共 315 個互動情境;表現最佳的 Gemini 4 Argon 在時限內只完成 53.4% 的任務。
騰訊於 2026 年 11 月 4 日發佈 Hy4,為其旗艦語言模型加入視覺理解、圖表分析、視覺數學推理,以及操作命令列工具和圖形介面的能力。騰訊稱 Hy4 的上下文窗口為一百萬 tokens;TechNode 將其描述為 770 billion parameters,文章亦列出其遊戲開發基準較 Preview 提升 19.1%,GameLogic 提升 9.8%。
Kimi K3.1 Pro 以開放權重、多模態智能體模型形式推出,提供 1-million-token 上下文窗口。模型由 Kimi K3 經大規模聯合強化學習後訓練,涵蓋數百個下游領域;總參數量為 2.8T,啟用參數為 104B。
推薦理由:模型卡列出多類編碼、智能體、推理與多模態基準,並附上評測工具、設定及數據來源,方便理解各項分數的比較口徑。
vLLM 為 Kimi K3.1 Pro 提供 Day-0 支援,涵蓋 NVIDIA GPU、AMD GPU、Google TPU 及 Alibaba T-Head Zhenwu PPU。
騰訊推出 Hy4,這款大語言模型新增視覺理解及電腦操作能力,並以推理和工具調用支援長程智能體任務。Hy4 延續 Hy4 Preview 的 1 million token 上下文窗口;相較 Hy4 Preview,GameDev 基準提升 19.1%,GameLogic 基準提升 9.8%,但基準線數值未公開。
CAPTCHA、IP 封鎖及裝置指紋識別等防禦措施未能阻止惡意機械人,反而可能排除視障人士、長者及重視私隱的正當用戶。Amblyotube 利用 Meta Quest 將 YouTube 影片分別呈現給左右眼,作弱視訓練;它是輔助工具,不能取代專業治療。
iOS 27.3 首個開發者預覽版為中國內地用戶帶來 Apple 智能,並在部分體驗中接入千問;查詢結果及以千問完成的文字創作內容會同步至千問 App。用戶可在 Siri、寫作工具和視覺智能中調用千問,使用文字與圖像理解能力;千問 App 對查詢結果提供語音播報、分享、複製、收藏及重新生成等功能。
Apple 於 2026年11月4日凌晨推送 iOS 27.3 首個開發者預覽版,首次為國行設備提供 Apple 智能功能並接入通義千問。通義千問整合至 Siri、寫作工具及視覺智能,用戶可直接進行文字與圖像理解;相關問詢及創作內容會即時同步至千問 App,並支援語音播報、複製及收藏。
Steve Yedlin 的 Chromagraph Camera 售價 13 美元,使用他為電影製作採用的色彩數學處理照片。文章亦詳述 Seven Sports 開發的 Meta Quest App Amblyotube,透過分別調整雙眼影像,將影片轉化為弱視訓練;建議每日使用 30–40 分鐘,每日最多 1 小時,適用於 13 歲或以上人士。
國行 Apple 智能以千問完成的文字創作內容及問詢結果,會同步至千問 App。iOS 27.3 首個開發者預覽版為國行 iPhone 帶來 Apple 智能與 Siri,用戶可在 Siri、寫作工具和視覺智能中調用千問,涵蓋文字及圖像理解相關能力。同步至千問 App 的內容可語音播報、分享、複製、收藏或重新生成。
LongBanana 是一個針對長上下文多參考圖像合成、由專家設計及驗證的基準,包含 90 項任務及共 4,670 個專家指定的原子評估項目。每項任務約有 32 張參考圖像和 20 項約束,並以圖像中的實體與關係圖評估內容保真度、關係綁定及整體約束滿足度。研究亦提出 LongBanana-Gen;實驗顯示,精簡的智能體框架優於直接生成,而 RPR 工作流程的成效視乎框架而異,程式碼及數據已公開。
魔芯科技發布基於華為昇騰原生的 4D 世界模型 MoWorld 2.0,將多種物理要素融入空間建模和互動,生成可用於仿真、實時渲染及反覆調用的 4D 高斯資產。影片推理速度由 MoWorld 1.0 最高約 50 幀每秒提升至約 70 幀每秒,3D/4D 高斯資產渲染速度達 500 幀每秒以上。該模型在全國產昇騰算力基座上完成訓練和部署,相關方案推理成本最低可降至同等規模 GPU 方案的 30%。
作者用 Home Assistant 在指定日期窗口和日間每 30 分鐘拍攝沿途 13 個交通攝影機畫面,交由視覺模型評估車龍,再把結果存為感應器數據,以圖表比較不同路口及行車方向。流程會檢查影像是否有效,並將非即時畫面記為無數據。作者估算整個季節的 API 費用約 $11,影像佔用約 640 MB。
騰訊於 2026 年 11 月 4 日發布完整 Hy4,加入視覺理解和電腦操作能力,並透過託管 API 及騰訊產品提供。API 定價維持預覽版水平,分別為 $0.834 per million input tokens、$2.501 per million output tokens 及 $0.042 per million cached input tokens。
ForkCount 開發者修復了應用程式安裝為 PWA 後無法登入的錯誤,但 258 名追蹤者至今無人註冊。應用程式免費,註冊需時 30 秒;作者邀請追蹤者試用,並回報遇到的問題及所用手機。