淏楠談從 Agent、多模態轉向具身的經歷與行業判斷
淏楠在訪談中回顧由 Agent 轉向多模態、再進入具身領域的經歷,並分享對各方向技術路線與行業機會的判斷。他認為影片生成領域的機會包括改善可控性、交互方式與 Harness;具身初創則可讓控制硬件的小模型配合能力強的大模型。他認為 Astra 可接管小模型處理不了的操作,產生 Error Recovery 數據供小模型訓練。
淏楠在訪談中回顧由 Agent 轉向多模態、再進入具身領域的經歷,並分享對各方向技術路線與行業機會的判斷。他認為影片生成領域的機會包括改善可控性、交互方式與 Harness;具身初創則可讓控制硬件的小模型配合能力強的大模型。他認為 Astra 可接管小模型處理不了的操作,產生 Error Recovery 數據供小模型訓練。
Google 領導的研究團隊提出影片智能體 StreamVibe,讓 AI 分辨用戶明確、未明言或中途改變的意圖,並自行判斷何時開口提供協助。團隊以約4,100個例子、逾183小時的日常生活及軟件操作錄影建立評測基準;StreamVibe-VL 的回應時機和質素較其他模型提升 10.7%,記憶系統則旨在進一步提升主動互動 12.3%。
Pika 發佈以 MiniMax H3 為基礎的衍生模型 Pika H3 Flex,開放適配器權重及推理程式碼,透過六步去噪聯合生成畫面與聲音。模型提供兩套 LoRA 適配器,原生支援 480P、768P 輸出,可生成約 5 至 15 秒影片及同步立體聲音訊。Pika API 另提供 1080P、2K、4K 影片增強,以及將同步音訊拆分為對白、配樂、音效、擬音和環境聲五類獨立音軌的功能。
中國人民銀行等金融監管部門將於11月2日召開兩場會議,研究支持資本市場工具使用及優化股票回購增持再貸款政策。韓國10月半導體出口額為564億美元,同比增長259%。蘋果與阿里巴巴宣佈將千問整合至Apple智能,相關功能將於11月4日起開放測試,並於12月隨iOS 27.3正式推出。
Microfeel於2026年10月底宣佈完成數千萬元種子輪融資,投資方包括奇績創壇、極客公園、Magic Find Ventures(邵贇)及許怡然等個人資本。公司聚焦AI驅動的三維大場景與資產生成及空間模擬,並已啟動AI原生遊戲《EchoShell》(中文名《靈殼計劃》)及自研AI Agent創作引擎(Creation Engine)的開發;資金將用於核心技術迭代、團隊擴建及商業化場景落地。
新疆禾木景區網傳野生猴羣下山搶手機等圖文、影片被官方核實為虛假謠言,並回應指內容由 AI 生成。當地核查確認,禾木景區及布爾津縣全域沒有野生猴羣分佈或棲息活動記錄,網信部門已要求相關平台下架不實資訊。
NVIDIA 於 2026 年 10 月 28 日發佈 Nemotron 3.5 Transcribe,這款模型可按自然語言提示詞處理 40 種語言的完整錄音。
HKGAI 旗下「港話通」(HKChat)接入自研 YuE2,推出可由哼唱或圖片生成原創廣東歌的 AI 音樂功能。用戶可加入文字描述補充創作意念,功能現階段免費開放予所有用戶體驗。
文章説明如何結合多模態 AI 視覺與工程大模型,建立 CAD 圖紙智能識別、圖例統計及參數統一管控流程。方案涵蓋 DWG、PDF 及掃描件解析,圖例識別準確率高於 95%,並包括批量參數設定、合規校核和版本差異比較。
Spotify 據報計劃於明年初推出 AI 音樂混音服務,讓付費訂閲用戶利用 AI 製作歌曲混音及翻唱版本。Spotify 正與索尼音樂、華納音樂談判授權,並已與環球音樂集團、Merlin 及 Believe 達成協議;音樂人仍可自行決定是否參與。按目前擬定方案,混音作品產生的版税將全數回饋原作音樂人,服務可能另收每月 4 至 5 美元,但推出時間和定價尚未敲定。
Echoes of the House 是一個可與鬼魂對話的開源 AI 專案,鬼魂會記住每次互動,並設有「Remembrance」和「Haunting」兩種模式。Gemma 3 (4B)、TabPFN 和 Piper 在本地運行,分別負責生成回覆、分析屋內留下的痕跡,以及朗讀回覆;Backboard 則儲存互動記憶。照片和問題留在用戶的裝置上,亦可離線使用。
Ofrenda local 是一款以 Gemma 3 在本機離線生成亡靈節紀念文字的工具。它透過 Ollama 執行開放權重的 Gemma 3(4B),按用戶提供的資料撰寫紀念短文、calaverita literaria 和祭壇清單,亦可為選擇加入的照片描述可見內容。生成內容可編輯及列印;作者的筆記本電腦每次生成約需 40 秒,模型下載後毋須連線,故事和照片不會離開本機。
Tutorial Agentic Learning(TAL)讓大語言模型智能體無須更新參數,便可透過教學影片持續學習。在由 72 部棋類教學影片、涵蓋 12 種開局的 VidLearn 上,TAL 相對原版 MLLM,在訓練及測試集分別取得最高 113% 和 91% 的相對提升。實際對弈中,TAL 在 69% 的正面交鋒局數中取得較佳的開局階段局面。
BalochDev 開發的 Suroz AI 是一個多語言 AI 音樂生成平台,讓用戶以文字輸入和提示詞創作俾路支語歌曲。平台每月為每名已登記用戶提供三次免費生成,並依靠社羣支持及捐款支付 GPU 伺服器資源。其目標是保存俾路支語言、詩歌形式與音樂節奏,並擴大俾路支音樂的傳播。
Miedocuentista 是一款開源 AI 故事創作工具,可在本機逐張分析圖片,生成短篇故事、電影劇本或每張圖片一章的小説。它透過 Ollama 使用 moondream 和 qwen2.5:3b,並以故事記憶串連場景,再由 Final AI Story Editor 檢查情節和時間線;照片和故事不會離開用戶的電腦。
文章比較 DeepSeek-V4.1-Flash-1017、Mistral Large 4 和 Qwen3.8-27B 三款開放權重模型,涵蓋上下文、輸入模態、授權、價格、部署要求及基準資料。
生成式 AI 模型根據訓練期間學到的模式生成文字、圖像、音訊、影片或程式碼。大語言模型通常透過預測序列中的模型 token 逐步生成內容,圖像生成系統則常採用擴散模型。模型輸出可能流暢但不正確,使用者應核實事實、在安全環境測試程式碼,並保護個人資料。
Heirloom 是一款在本機處理手寫家族文件的開源工具,可把頁面相片轉成文字,並支援校正、翻譯、事實擷取及跨檔案搜尋。它透過 Ollama 使用 Gemma 4,下載模型及依賴項後即可離線運行,原圖會與轉錄並列供核對;GitHub 專案採用 MIT 授權,網址為 https://github.com/VinayakGawade009/Heirloom。
Apple 宣佈,Apple Intelligence 首批功能將於 11 月 4 日透過 iOS 開發者 Beta 版在中國大陸開放測試,並計劃於 12 月隨 iOS 27.3 正式版推出。功能涵蓋即時翻譯、照片消除、寫作工具、智繪表情(Genmoji)和 Siri 升級,並接入阿里巴巴千問;首批僅支援符合條件的 iPhone,iPad 和 Mac 的開放時間未定。
這期模型發佈摘要整理了 2026-10-17 至 2026-10-31 的多項更新,指出前沿能力提升之際,開放權重模型正快速縮小差距。
Ghost Papers 使用本機運行的 Gemma 3 (4B) 閲讀家人留下的文件,並整理成一份遺產檔案和可列印的家庭文件冊。它透過 Ollama 離線運作,毋須 API key 或雲端服務;個人資料可只保留在記憶體中,儲存則由用戶選擇。文件內容支援英語、孟加拉語和印地語,但孟加拉語和印地語文件仍須對照原件核實。
領克汽車發布2027款領克08 EM-P官圖,新車將於11月5日上市,改款重點包括升級192線激光雷達及吉利集團千里浩瀚H7方案。新車搭載雙Orin-X芯片,算力達508 TOPS,支援端到端大模型和VLA視覺語言大模型。新款保留1.5T插混系統,取消160km短續航版本,CLTC純電續航分別為230km和210km。
思必馳於10月30日推出AI超級筆,結合手寫筆跡與語音記錄,並以手寫重點索引語音內容,生成個人化紀要。產品支援25種外語、100餘種方言及8大專業術語庫,語音識別準確率達98%。AI超級筆開放MCP協議,支援接入主流辦公Agent,並已於各大電商平台及線下門店上線。
AI-KSK 的教程拆解了 MiniMax H3 RefMod 在 ComfyUI 中建立及重用角色、動作、聲音和場景參考的六個工作流。前四個工作流建立參考資產,後兩個分別透過 MiniMaxH3RefModApply 和 MiniMaxH3RefModTextEncode 路徑生成影音,並比較兩者的接線、提示詞及素材配置。
Yaad 是面向年長家人的開源 AI wellness 與記憶延續伴侶,透過 6 日滾動式記憶庫記錄近期日常,並以 Gemma 閲讀處方、餐點及照片,進行暖心問候。系統運用 Graphify 知識圖譜約束內容,避免捏造醫療事實、日期或家庭回憶,並把自動摘要發送至家人的 Telegram 羣組。
CivicGemma 是一個開源電子投票試點平台,面向地方選舉,採用 Java 21、Spring Boot 3.4.2、Angular 22 微服務架構及 Gemma 4。平台以應用程式檢查、資料庫唯一索引和 SHA-256 數碼封印防止重複投票,並提供多模態選民身份證核驗及多語言政綱解説。
北京航空航天大學腦機接口研究院揭牌,將整合10餘個學院的科研力量,採取多學科交叉、全校資源共享的開放運行機制。研究院聚焦神經信息感知與核心器件、腦機融合智能與神經調控等方向,建設涵蓋基礎研究、關鍵技術和產業應用的創新體系。
Apple 宣佈中國版 Apple Intelligence 將於 11 月 4 日透過 iOS 開發者 Beta 版開放測試,並於 12 月隨 iOS 27.3 正式推出,接入千問(Qwen)。
道通科技子公司道和通泰攜手道通智能、塞防科技發佈 AAGI 解決方案品牌,推出輪式及雙足人形機械人等硬件產品、三大行業應用平台,以及面向 Physical Agent 的「行業大腦」多模態模型。「行業大腦」為 2B 參數級,任務推理與規劃準確率達 98%,推理時延低於1秒;事件語義理解 F1 達 87.38%,推理需 0.2 秒。
Apple 宣佈,Apple 智能首批核心功能將於 11 月 4 日隨最新 iOS 開發者 Beta 版開放測試,並於 12 月隨 iOS 27.3 正式面向中國用戶推出。
推薦理由:材料列明國行 Apple 智能的測試與正式推出時間、首批功能及千問接入的同意和登入安排,勾勒此次更新的適用範圍。
阿里巴巴與 Apple 達成合作,把千問整合至 Apple 智能,供中國用戶在 Siri、寫作工具及視覺智能中使用。相關功能將於11月4日起隨最新的 iOS 開發者 Beta 版開放測試,並於12月 iOS 27.3 正式發佈時面向中國用戶推出。用戶可選擇是否啟用千問,傳送問題、文件或圖片前須先取得同意;用戶請求及生成的回覆不會用於阿里巴巴的模型訓練。
Apple 宣佈 Apple Intelligence 將於 11 月 4 日在中國大陸透過 iOS 開發者 Beta 開放測試,並於 12 月隨 iOS 27.3 正式推出。
Apple 中國官網於 2026年10月31日上線 Apple 智能介紹頁,宣佈首批功能將於 12 月隨 iOS 27.3 正式版面向中國用戶推出。11月4日起,開發者可率先透過 Beta 版體驗;功能支援 iPhone 15 Pro 及更新機型。首批功能包括即時翻譯、電郵摘要、照片消除、智繪表情、視覺搜尋及升級版 Siri,並深度整合阿里巴巴千問模型;所有處理預設在裝置端完成,以保障用戶私隱。
Apple 中國官網上線 Apple 智能介紹頁,並公佈首批功能將於今年稍後在中國推出,部分體驗會接入千問。功能自 11 月 4 日起隨最新的 iOS 開發者 Beta 版開放測試,並於 12 月隨 iOS 27.3 正式推出。用戶可選擇透過千問擴展 Siri、視覺智能和寫作工具等部分功能;頁面列出的兼容設備為 iPhone 15 Pro 及更新機型。
Apple 宣佈首批 Apple 智能功能將於 11 月 4 日起在中國開放開發者 Beta 測試,並於 12 月隨 iOS 27.3 正式推出。中國版由 Apple 自家生成式模型驅動,並可在 Siri、寫作工具及視覺智能中選擇接入阿里巴巴千問。阿里巴巴稱,傳送問題、文件或圖片前會先徵求用戶同意,相關請求及生成回覆不會用作模型訓練。
推薦理由:測試與正式推出日期及千問整合方式一併交代,並區分 Apple 自家模型與可選接入的角色,呈現中國版首批功能的安排。
Apple 宣佈 Apple 智能國行版將於11月4日隨 iOS 最新開發者 Beta 版開啟測試,正式版預計於12月隨 iOS 27.3 上線。兼容裝置包括 iPhone 15 Pro、iPhone 15 Pro Max、iPhone 16 全系列及後續新款機型,功能涵蓋升級版 Siri、系統寫作輔助、照片與影片理解及通知摘要。
Apple 宣佈與阿里合作,千問將整合至 Apple智能;Apple智能功能將於 12 月隨 iOS 27.3 正式面向中國用戶推出。11 月 4 日起,相關功能會先在最新 iOS 開發者 Beta 版開放測試。用戶可在 Siri 的特定請求中接入千問,也可在寫作工具使用千問「創作」功能;使用千問須登入千問帳戶或選擇透過 Apple 登入。
推薦理由:文章交代 Apple 智能在中國的測試與推出時間,並説明千問接入 Siri 及寫作工具的方式和登入要求,呈現首批功能的使用入口。
Apple 已在官方網站上線中國內地版 Apple 智能概覽頁,並公佈首批核心功能將於 11 月 4 日起開放測試。功能涵蓋實時翻譯、摘要、圖像編輯與生成、視覺智能及 Siri,部分功能可透過阿里巴巴的千問擴展;此次測試不包括 Siri AI 和 WWDC 2026 公佈的其他下一代 Apple 智能功能。
AI 輔助診斷於2026年4月納入國家醫保乙類目錄,開通收費通道,但須作為原有診斷項目的擴展項合併結算,不能單獨收費。半年後已有27個省份提供明確價格參考;討論將院內臨牀剛需、效率收益與產品落地視為商業化的重要條件。
Did It Move? 以混合設計打造智能電視上的氛圍式鬧鬼體驗,把即時生成影片限制在異象出現的短暫時段,避免閒置時持續計費。即時使用 Reactor 的 xmax-x2-1 每小時需 $6.12;約 2% 的運行佔比下,一晚成本只需幾美仙。公開示範則重播預先錄製的片段,每位訪客無需付費。