百度 Apollo World 世界模型亮相
百度首次披露面向物理 AI、由智能體驅動的全模態世界模型 Apollo World。百度並提出世界模型「2+3」判斷標準;Apollo World 虛擬城市中的車輛、行人等交通參與者具備決策和互動能力,並非按固定腳本行動的道具。
百度首次披露面向物理 AI、由智能體驅動的全模態世界模型 Apollo World。百度並提出世界模型「2+3」判斷標準;Apollo World 虛擬城市中的車輛、行人等交通參與者具備決策和互動能力,並非按固定腳本行動的道具。
CNCC 2026「影片生成的智與情」主題論壇聚焦 AI 影片生成從追求畫面相似,轉向兼顧可用性、敍事連貫與情感表達的挑戰。與會者討論長影片生成、視覺理解與生成的協同,以及影片進入傳播鏈路後的認知安全;AIGC 影片風險包括歷史事實篡改、虛假災情傳播等五類。
Apple 智能國行版將於 11 月 4 日隨 iOS 27.3 開發者 Beta 開啟測試,支援 iPhone 15 Pro、iPhone 15 Pro Max、iPhone 16 全系列及後續新款機型。
TaoMate-FVSR提出音訊引導的面部影片修復框架,結合參考引導影片流模型與音訊同步,修復 AI 生成影片中的面部細節,處理唇部和牙齒與語音不一致的問題。在 talking-head 修復基準測試中,該方法在配對感知相似度及同步評分上均優於其他受比較方法,亦支援更換音訊時的視覺配音。
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。
Ankita 的圖片 token 估算器採用 OpenAI 高精細度計價公式,一名讀者指出,這個公式並非所有供應商的上限。以 2560×1440 截圖為例,估算值是 1,105 tokens,而 Claude 按像素計價約為 4,784 tokens。作者正考慮按供應商計價或採用最壞情況估算,但代理伺服器可能令供應商標籤失準。
阿里巴巴與 Apple 達成合作,將千問接入 Apple 智能,讓中國用戶可在 Siri、寫作工具及視覺智能中調用其文字與圖像理解、內容生成能力。相關功能將於11月4日起隨最新 iOS 開發者 Beta 版開放測試,並於12月隨 iOS 27.3 正式發佈時面向中國用戶推出。用戶傳送至千問的請求、文件和照片,均須先徵得本人同意;阿里巴巴不會將相關數據用於模型訓練。
阿里雲百煉推出 Token Plan 訂閲服務,以 Credits 統一計量,一份訂閲可用於 Claude Code、Cursor、Qwen Code 等工具,並涵蓋多模態模型及內置工具。
Reviso 是一個智能體影片描述框架,透過分層規劃與主動感知,按影片內容優先擷取關鍵視覺證據,以提升描述品質及下游影片理解。在四個影片描述基準測試中,Reviso 表現優於受評估的開源基線,其生成的描述亦更有助下游影片問答。
Lab2Sim 提出一項把科學實驗影片轉化為互動式虛擬實驗的基準,涵蓋 218 條影片及 11,881 個評分項目。EduVideo2Code 將實驗程序編碼為明確狀態機,並透過執行驗證改善生成頁面;在兩個骨幹模型上,四個評估維度均有提升,器材保真度增加 24.15 分。
這套純 Python 全雙工多模態智能體架構,以即時音訊、視覺串流及插話中斷實現低延遲互動。StreamAgent Pro 在本地硬件測得端到端延遲 159.1ms,VAD 執行時間為 0.08ms,插話反應時間為 12.3ms。方案亦以循環緩衝區保留語音起始音節,並透過關鍵影格取樣減少視覺處理開銷超過 90%。
PATEO 宣佈在基於 NVIDIA DRIVE AGX Thor 的 AI Box 部署 NVIDIA Nemotron 和 ByteDance 的 35-billion-parameter 豆包語言模型,結合本地推理與車艙智能體平台。
商湯科技於2026年11月2日晚正式發佈日日新 SenseNova 6.8 Flash 正式版,重點升級辦公協作與多模態設計能力。模型支援長期記憶及跨會話任務協同,涵蓋動態PPT、動態海報、網頁、SVG及Blender3D創作,並可接入 Figma 等專業工作流。
商湯科技發佈日日新 SenseNova6.8Flash 正式版,升級辦公協作與設計生成能力,支援長期記憶及跨會話任務協作。設計功能涵蓋動態 PPT、動態海報、網頁、SVG 及 Blender3D 創作,並可接入 Figma 等專業設計工作流。
Google 已在印度推出實驗性 AI 應用程式 Dreambeans,印度是該應用首個美國以外市場,並支援 13 種當地語言及英文。Dreambeans 可根據用戶連接的 Google 服務資訊,毋須輸入提示詞便生成個人化故事,部分故事更可用 Veo 動畫化。用戶可選擇連接哪些服務、隨時中斷連接或刪除應用程式內的數據,但生成故事一次只能使用一種語言。
全平台輿情數據分析工具整合多個公開網絡平台的輿情數據,透過 AI 分析話題、情緒及傳播情況,協助研判突發事件風險。工具可 7×24 小時輪詢監測,並自動生成預警及分析報告。風險定性、事實核查和處置決策仍須依靠人工會商。
Simon Willison 發佈 llm 0.37,擴展嵌入 API 的多模態輸入支援,並改用半價的 gpt-6-luna 作預設模型。更新亦新增 gpt-6.1-sol、gpt-6.1-terra 和 `llm openai endpoint add`,並讓 Gemini Embedding 2 等模型透過不同 content-type 處理文字、音訊、圖像和影片。
美團發佈 LongCat-2.5,這款原生多模態智能體模型採用 MoE 架構,總參數為 1.6 萬億,單 Token 激活約 480 億參數。模型訓練將 F2P/P2P 測試校驗納入流程,並把 Agent 失敗軌跡轉化為可復現、可驗證的訓練任務。作者據此認為,軟件測試工程師的角色將轉向 Agent 設計、測試數據生產及 AI 輸出審核。
智能眼鏡正透過聲音放大、即時轉寫、唇語識別及 AI 提示,協助聽障、視障及記憶障礙人士,部分方案不設攝像頭以減低私隱爭議。Nuance Audio 眼鏡以六麥克風陣列和開放耳道揚聲器放大人聲;CrossSense 的 Wispy 測試中,物品名稱識別準確率由 46% 升至 82%,加上彩色標註提示後達 89%。
虛擬化身及 AI 深度偽造已用於部分心理治療,讓患者與代表內在聲音或真實人物的形象對話。一項針對進食障礙患者的研究中,48人接受化身療法,另48人接受標準治療;化身組生活質素、認知靈活性及治療參與度指標較佳,但症狀變化未達統計學意義。療效證據仍有限,安全及倫理風險亦有待進一步研究。
OpenAI 的 GPT-6.1 Terra 是 GPT-6.1 系列第二低價模型,本文整理其規格、定價和使用方式,並與 Claude Opus 5.5 比較。
Sketchpad 研究提出一項形式化方法:若模型每一步只讀取外部工作記憶體的有界視窗,驗證 runtime 會呈現的有限視窗集合,即可保證模型對任意長度輸入的算術精確性。
LongCat 發佈 LongCat-2.5,這款面向長程智能體任務的原生多模態 MoE 模型總參數量為 1.6 trillion,每個 token 約啟用 48 billion 參數。
度小滿與香港科技大學、香港生成式人工智能研發中心(HKGAI)聯合發佈行業首個自進化金融增強大模型「軒轅4.5」,以RSI閉環提升獲客、風控和客戶經營等金融場景的效果,成本僅為通用模型的10%。模型透過業務結果迴流進行微調和強化學習,將信貸風控策略迭代週期由約兩周縮短至三到四天,短期逾期風險下降約50%。
Henry Yan 推出 ShengChang(聲場)AI 廣播劇工作台,可把 .txt 小説章節轉成經角色配音指導及混音的單集;程式碼採 MIT 授權,程式庫位於 https://github.com/yanjiliang/shengchang-ai-studio。
Supernatural 已以 Early Access 形式重返 Meta Quest 頭戴裝置,月費為 20 美元,年費為 200 美元。文章亦介紹 Seven Sports 的 Meta Quest 應用程式 Amblyotube:用戶觀看 YouTube 影片時,應用程式會調整左右眼看到的影像,訓練視覺協調和注意力。建議每日使用 30–40 分鐘,最多一小時,適用於 13 歲或以上人士。
美團推出新一代多模態大模型 LongCat-2.5,面向長程智能體任務,並在多項 Agent 評測中取得領先成績。它在 AutomationBench 得分51.8,高於 Claude-Opus-5 的50.3;BrowseComp 得分91.9並排名第一,3DCodeBench 文本轉3D項目得分55.4,略高於其他競品。
Apriel Voice 27B 是一個 27B 參數的開源模型,將語音輸入、視覺上下文理解及工具調用輸出整合在單一模型中。文章稱其在 4-GPU A100 節點上的端到端延遲約為 1.2 s,並在 Hugging Face Hub 提供 Apache 2.0 授權的模型權重、訓練腳本和 Docker 映像。
Halal Food Scanner 以手機照片辨識成分,作者的復盤指出模型只負責讀取及映射成分,清真判定則交由人工審核的資料表。照片裁剪至 ML Kit 偵測的文字框後,未讀出成分的照片比例由約 40% 升至 48%;團隊改為不裁剪、以 1600 px 上傳,並移除裝置端文字檢查。作者建議將未知成分標示為「未核查」並檢查失敗照片,避免模型猜測或前處理移除所需資訊。
Amblyotube 將 YouTube 影片轉化為個人化視力訓練環境,適用於 Meta Quest 的 Quest 2、3、Pro 和 3S。它透過分別處理左右眼影像,提供可調節的主導眼濾鏡、弱視眼鋭化及其他訓練功能,並設有 LogMAR 視力檢查。建議每日使用 30–40 分鐘,但每節最多 1 小時;它是輔助工具,不是醫療裝置,也不能取代專業醫療指引。
Forward Watch 是開源 Signal K 插件,採用為海上環境自訂訓練的 YOLOv8,在 Raspberry Pi 4 或更新型號上以 CPU 偵測船隻、浮標、皮艇、漂浮物及漂浮木材。
SphereFlow 將各模態投影至共享超球面潛在空間,透過流匹配及幾何感知調整,根據已觀察模態合成缺失模態。在 BraTS 多模態 MRI 補全及 CT-MRI 轉換實驗中,SphereFlow 的生成保真度在所有設定下達到最先進水平;使用補全數據進行下游腦腫瘤分割,與完整模態基準的差距縮小約 80%。
VideoMemBench 評測多模態大語言模型在長篇多輪影片對話中的記憶能力,結果顯示模型表現差距顯著。基準涵蓋 326 段影片及 2,476 個對話輪次,其中 1,387 個輪次依賴較早的對話內容。逾 20 款開源及閉源模型中,Claude Opus 5 整體得分最高,為 45.7%;數據集及評測已公開。
研究發現,推理型視覺語言動作模型(VLA)在視覺擾動下可出現理由逐字不變、實際動作卻改變的情況。在 Alpamayo 的 154 個有障礙物標註駕駛場景中,TNAS 引導攻擊在完整影像擾動下造成新碰撞的比例為 52.6%,局部前置鏡頭區域擾動下為 35.1%,無引導攻擊則為 4.55%。研究指出,安全監測不能只看理由文本,還須直接核查預測動作通道。
VisSearch-Bench 評估多模態智能體整合視覺脈絡與外部資訊、完成視覺密集型搜尋任務的能力;在 16 個多模態模型中,最佳系統即使使用搜尋工具,也只完整完成 26.47% 的任務。基準涵蓋 204 項人工撰寫的任務,分屬 7 個主要領域及 25 個子領域。
Google 回顧 10 月 AI 更新,全球推出 Gemini 4 Argon,並公佈 Gemini 4 Carbon 和世界模型 Genie 4。Gemini 4 Carbon 正透過 Fairwind Program 由美國政府及部分可信網絡防禦人員進行預發佈測試;Genie 4 支援具原生音訊的即時互動世界模擬,並可用自然語言操控場景。
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。
LongCat-2.5 主打以原生多模態能力處理智能體任務。Hacker News 討論提及它是 1.6 trillion 參數模型,並指出圖表將其與 GPT-5.5、GPT-5.6-Sol、Claude-Opus-4.8 和 Claude-Opus-5 比較。評論者詢問模型是否提供可下載權重或開放權重,現有資訊未交代清楚。
LongCat-2.5 提供 OpenAI 與 Anthropic 相容 API、1M tokens 上下文窗口,並按思考模式將温度固定為 1.0 或 0.7。
海信商用顯示亮相2026深圳商用顯示技術展,集中展示四款產品,涵蓋智慧會議、零售及LED顯示等場景。海信與京東JoyInside即將推出端雲協同AI會議助理,具備8種語言實時翻譯等能力。海信商用顯示業務已覆蓋全球90多個國家和地區。