跳到正文
11月3日週二
  1. 第一財經34

    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。

  2. HuggingFace Daily Papers(社區熱門論文)34

    TaoMate-FVSR:音訊引導的面部影片修復

    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。

  3. 香港科技大學 · AI 研究及應用41

    度小滿與香港科技大學發佈軒轅4.5金融大語言模型

    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。

  4. DEV Community40

    Ankita 的 vision-token 修剪器如何按單一供應商計價,並被讀者揭出漏洞

    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。

  5. 新浪科技69

    阿里巴巴與 Apple 合作,千問接入 Apple 智能意味着甚麼?

    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。

  6. DEV Community38

    如何以純 Python 建構零延遲即時音訊與視覺智能體:低於 10ms 的 VAD、即時插話中斷與全雙工 WebSocket

    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%。

  7. TechCrunch · AI46

    Google 將 Dreambeans 推向印度,拓展 AI 個人故事服務

    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。

  8. 阿里雲開發者社區 AI57

    美團發佈 LongCat-2.5:1.6萬億參數智能體模型與軟件測試工作轉型

    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。

  9. 新浪科技44

    智能眼鏡在協助殘疾人士方面大展拳腳

    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%。

  10. 虎嗅47

    虛擬化身與深度偽造治療:當治療師化身為傷害你的人

    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。

  11. 新浪科技46

    度小滿發佈行業首個自進化金融增強大模型「軒轅4.5」

    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%。

  12. DEV Community39

    Supernatural VR 健身應用程式重新登上 Meta VR 頭戴裝置

    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。

  13. DEV Community56

    Halal Food Scanner 手機成分辨識復盤:裁剪故障、模型測試與 AI 不負責判定的原因

    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。

  14. DEV Community33

    值得留意的去 Google 化項目

    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。

  15. HuggingFace Daily Papers(社區熱門論文)44

    SphereFlow:透過超球面上的幾何傳輸補全缺失模態

    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%。

  16. HuggingFace Daily Papers(社區熱門論文)49

    VideoMemBench:多模態大語言模型在影片對話中的記憶能力如何?

    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。

  17. HuggingFace Daily Papers(社區熱門論文)64

    推理型 VLA 可在理由不變時改變動作,研究診斷並引導這種分歧

    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。

11月2日週一