Google DeepMind 發佈 Genie 4,可即時生成並操控互動世界
Google DeepMind 發佈世界模型 Genie 4,支援即時生成動態環境,並讓用戶以鍵盤控制角色或鏡頭、以自然語言修改場景。模型亦可同步生成環境音、音樂及人物對話,Gemini 負責理解任務、規劃事件並引導模擬。目前 Genie 4 以研究預覽形式向部分受信任測試者開放;Google 指出,長時間互動中的場景一致性及複雜物理、音訊等仍需改進。
Google DeepMind 發佈世界模型 Genie 4,支援即時生成動態環境,並讓用戶以鍵盤控制角色或鏡頭、以自然語言修改場景。模型亦可同步生成環境音、音樂及人物對話,Gemini 負責理解任務、規劃事件並引導模擬。目前 Genie 4 以研究預覽形式向部分受信任測試者開放;Google 指出,長時間互動中的場景一致性及複雜物理、音訊等仍需改進。
Google DeepMind 推出仍處於研究預覽階段的世界模型 Genie 4,可生成可互動虛擬世界,並生成與虛擬世界同步的即時音訊。用戶可在模擬運行期間輸入提示詞修改場景,場景最長可連貫維持兩分鐘,是 Genie 3 的兩倍。
Dishant Sharma 評析 Google 公佈的 Genie 4 研究預覽,聚焦原生音訊、約兩分鐘的場景連貫性及公告中的措辭錯字。公告提及環境聲、音樂與對話同步生成,並先向可信測試者開放;官方文章只寫「短時段」,約兩分鐘數字來自簡報。文章指出,Gemini Omni 與 Gemini 3.8 Flash 分工處理模擬與規劃,但場景漂移、音訊錯配和物理錯誤限制其作為機械人訓練環境的適用性。
Google DeepMind 發佈新一代世界模型 Genie 4,單次模擬時長約兩分鐘,並可即時生成音訊及可探索的互動場景。Gemini 負責觀察場景、拆解任務和規劃行動,Genie 4 則即時生成虛擬環境;用戶可在運行期間透過提示詞改變場景。Genie 4 現向部分受邀測試者提供研究預覽,模擬時長、場景一致性及音訊準確性仍有限制。
Google 擴展 Gemini 的 SynthID 內容驗證功能,讓用戶檢查圖像或影片是否由 Google AI 建立或編輯。影片驗證會掃描畫面及音軌,並指出含有 AI 生成元素的片段;上載影片上限為 100 MB 及 90 秒。此功能只檢查 Google 的 SynthID 浮水印,並非通用 AI 內容偵測器。
Liquid AI 發佈新一代 LFM3,推出共用同一骨幹的 6 款開放權重 2B 級模型,涵蓋文字、視覺、音訊、全模態及決策任務。
Brilliant Labs 推出售價 $399 的 Halo 智能眼鏡,主打持續 AI 記憶、自適應遊戲,以及以語音建立迷你應用程式。體驗以 Noa 助理和 Narrative 遊戲為核心;Noa Plus 每月 $9.99,Noa Pro 每月 $39.99,免費 Standard 助理及迷你應用程式設有每日使用上限。
Google DeepMind 發表 Genie 4,這款第四代世界模型可即時生成互動模擬,並同步生成影片、環境音訊、音樂及對話。系統由 Gemini Omni 處理外觀與行為表現,其他 Gemini 模型負責推理及維持場景連貫;用戶可用鍵盤操作,亦可用文字提示詞改變場景。
這篇專著梳理音樂音訊生成的神經網絡方法,涵蓋神經音訊編解碼器、自回歸與擴散模型、流匹配及偏好最佳化。內容亦探討器樂、歌曲、音訊編輯與即時伴奏的模型設計、評估方法,以及數據來源、模型記憶、著作權歸屬和法律爭議。
IntReal 提出面向真實世界多模態交錯生成的數據集與評測框架,用於診斷統一多模態模型的能力並改善生成效果。框架包括涵蓋四大類別的 IntReal-100K,以及按七個維度評估模型的 IntReal Evaluation Suite;評測與人類判斷的一致準確率為 83.3%。實驗顯示,使用 IntReal-100K 訓練可改善交錯生成,單模態生成訓練亦可帶來效益。
A-RSI 按學習訊號下降情況刷新訓練任務,提升零數據多模態遞迴自我改進的基準表現,無需外部標籤。在主要的 11 項基準測試中,使用 800 個新任務後,平均表現由 57.77 升至 61.05。新任務由模型撰寫的程式生成多模態問題,並產生可獨立核驗的答案。
AskStream 是一個研究串流影片理解中何時及應提問甚麼的多輪基準測試,涵蓋影片及用戶的不確定性。基準包含 438 段影片、2,714 個人工標註的影格級時間窗口,分為等待、提問及回答三類,設有四個任務類別和八個子任務。即使最強模型在 Ask-F1 指標上的得分也只有 52.18%,顯示模型在不確定情況下主動尋找資訊仍有侷限。
Taseen Tariq 在黑客松用 100 分鐘打造 Anatono,這款工具以 Gemma 4 讀取藥品或處方照片,並將用藥指示轉為提醒。程式碼負責檢查藥物警示,Gemma 4 不會決定用戶是否應服藥。用戶可用英文、烏爾都語或羅馬字烏爾都語輸入或口述服用方式,提醒亦會加入手機日曆。
Google 宣佈 Gemini 4 Argon,採分階段付費開放,並介紹相關安全防護及 SynthID 媒體驗證。
Liquid AI 發佈 LFM3 系列六款 2B 級開放權重模型,以 LFM3-1.7B-Base 為共同骨幹,涵蓋文字、視覺、音訊、全模態及決策模型。
Google 的 Project Genie 是從圖像和文字提示生成互動環境的世界模型研究原型,Gemini 4 Argon 則面向長時程專業任務,兩者用途不同。
AMBIT 透過可執行的 ScenePlans 將空間音效設計轉化為程式化編輯,令 VR 製作迭代時間縮短約 70%。創作者可用 JSON 描述音效變更,系統在單張 A100 GPU 上平均約 28 ms 生成更新後的 FOA 混音。其自蒸餾流程以 500 k 分鐘標註音訊達到 SI-SNR = 22.1 dB,並減少約 95% 標註數據需求;Beta API 已上線。
Google DeepMind 推出 Genie 4,這款即時世界模型會逐幀模擬互動場景並直接生成聲音,Gemini 模型則在背景規劃模擬的後續發展。Genie 4 仍屬早期實驗模型,較長模擬中視覺細節可能變化,物件也未必持續存在。
Liquid AI 發佈 LFM3 新一代模型系列,以共享骨幹涵蓋文字、視覺、音訊、全模態及決策模型。LFM3-1.7B 以少 35% 參數超越 LFM2.5-2.6B;文字模型的上下文窗口為 256K,所有模型均可在單張 GPU 微調。LFM3 全系列採開放權重,現已在 Hugging Face 提供。
推薦理由:LFM3 將文字、視覺、音訊與決策模型建基於同一骨幹,並支援單張 GPU 微調及端側部署,呈現小型模型按任務專門化的實作路徑。
Google DeepMind 以研究預覽形式發佈 Genie 4 世界模型,加入即時音訊,並讓用戶在模擬期間透過提示詞修改場景。模型可維持一致場景最多兩分鐘,是 Genie 3 的兩倍,並與 Gemini 更緊密整合,由 Gemini 規劃步驟及檢查畫面。
Google DeepMind 公佈 Genie 4 世界模型,稱新模型幾乎各方面都較 Genie 3 有所改進,並能呈現更真實的物理效果與人類。模型會按提示詞即時逐格生成虛擬世界,供用戶探索,無須預先渲染環境或編寫互動元素。DeepMind 表示,這項技術可建立機械人訓練環境,亦可用於創意領域的快速原型製作。
Property Finder 評估將視覺 AI 工作負載遷移至 Amazon Bedrock 時,發現 96.8% 的評測標籤直接沿用單一模型預測,因而重新建立專家標註的評測集。
推薦理由:文章以房地產影像分類案例,説明專家標註、多標籤設計和逐輪提示詞優化如何減少評測偏差,並讓不同模型的比較更貼近實際正確性。
Google 發佈 Genie 4 世界模型,用於生成更逼真的互動體驗,並加入即時提示詞修改及音訊生成等更新。它可生成約兩分鐘的體驗,較 Genie 3 的一分鐘為長,並使用 Gemini 3.8 Flash 協助模擬。Google 已開放等候名單,用戶可申請在 Project Genie 試用;Genie 4 將很快提供予 Google AI Ultra 訂閲用戶。
Genie 4 已向受信任測試者推出研究預覽,支援即時互動世界模擬,並可原生生成音訊及互動對話。Gemini 3.8 Flash 在模擬中持續觀察場景、拆解目標並追蹤步驟進度,協助模擬複雜的多步事件。預覽將很快擴展至 Project Genie 的 Google AI Ultra 訂戶,以及 Gemini API 和 Google AI Studio 的早期存取合作夥伴。
Google DeepMind於2026年10月27日公佈 Genie 4,並向受信任測試者推出研究預覽版。Genie 4 可即時生成互動世界及原生音訊,支援自然語言場景調整、人物互動和多步事件模擬;Gemini 3.8 Flash 可拆解目標並檢查各步驟。
OpenAI 推出 GPT-6.1 Terra,支援理解圖片和螢幕,以及操作瀏覽器、桌面和應用,API 價格亦低於 GPT-5.6 Terra。
推薦理由:文章並列 GPT-5.6 Terra 對照任務的耗時、token 用量與帳單,再比較綜合測試得分和成本,呈現降價、速度與評測表現之間的差異。
Edge Sound 融資 200 萬美元,開發音訊基礎設施,將有用聲音與其他感測器數據結合,協助實體 AI 即時理解周遭情況。Stormbreaker Ventures 領投,令公司累計融資達 900 萬美元。其 Virtual Sound Engine 已商業部署,客戶及合作夥伴包括 Shure、NBA、Fox Sports Media Group 和美國網球協會。
Nexariza AI 分享其企業級語音與視覺 AI Agent 參考架構,涵蓋即時 WebRTC 電話通訊及 TensorRT 邊緣視覺管線。語音管線的首個音訊影格回傳時間為 <200ms–380ms;TensorRT FP16 邊緣推理每影格需時 4–11ms,單一節點可同時處理 12–24 條 RTSP 串流。
千問辦公正式接入樂奇AI眼鏡,用戶可通過語音下發任務,並在眼鏡端查看結果,執行期間還會收到狀態通知。千問辦公可結閤眼鏡拍攝的畫面分析現場內容;用戶也可用一句話發起釘釘任務,包括髮送消息、創建日程和待辦、整理文檔等。
XREAL 1 Pro+ AR 眼鏡已在京東發售,國行定價 3499 元,峯值亮度由前代的 700 尼特提升至 1200 尼特。新品採用重新設計的鼻托,並加入 AI HDR 及標準、電影和閲讀三種顯示模式。改進後的 Real 3D 引擎可將 2D 內容轉換為 3D 畫面,處理幀率最高達 60 FPS。
Google 與 Unity 合作推出實驗性 AI 遊戲平台 Playground,用戶以自然語言描述即可生成可在瀏覽器運行的 2D 或 3D 遊戲。它整合 Gemini、Nano Banana 和 Lyria,生成的遊戲可在手機及電腦瀏覽器運行,無需安裝客戶端或配置開發環境。文章認為,Playground 降低跟風製作門檻後,可能令相似作品更快上架,分流獨立遊戲的曝光。
2026 年多款 Android 旗艦選用 Snapdragon 8 Elite Extreme Gen 6,文章將共同選擇歸因於平台能力與生態成熟度。文章介紹其 FlexCache、GPU 內的 ANF、第二代 AI-ISP 及全 IP AI 架構,涵蓋快取管理、遊戲圖像處理、影像運算及智能體 AI。手機廠商則在共同平台之上,透過自研晶片發展影像、調度及場景體驗方面的差異。
Rokid 正式推出 Rokid Glasses 2 智能眼鏡,國家補貼後售價由 3199 元起,支援最高 4K30FPS 影片拍攝及 AI 即時回溯。經典黑色和優雅玳瑁款售價分別為 3199 元和 3349 元,已開放預售,11月14日正式發貨。
Rokid 發佈新一代帶顯示 AI 眼鏡 Rokid Glasses 2;愛範兒提前體驗一星期,評測其佩戴、拍攝及 AI 會議紀要功能。眼鏡配備 1200 萬像素 CMOS,支援 HDR、RAW 14,影片最高可拍 4K 9:16 直向 30 幀,亦可選 2K 60 幀;官方稱日後會透過 OTA 更新 120 幀。
面對 AIGC 廣告增加及違規內容更難識別,平台正引入 AI 治理,巨量引擎採用多模態大模型與主 Agent、子 Agent 協同模式。CTR 數據顯示,86% 的廣告買方已全部或部分使用 AI 製作素材,40% 的創意由 AIGC 構成。巨量引擎亦提供拒絕理由精細解讀和廣告素材一鍵修復,但廣告主仍反映平台規則差異及申訴不確定性帶來成本。
清華大學與智譜 AI 聯合研究提出 GLM-Omni,測試顯示其圖像生成正確率為 54.00%,純文字回答正確率僅 14.57%,反映視覺知識未必能轉化為語言答案。圖文交錯對齊令 GLM-Omni 的平均文字正確率升至 26.86%,使用 Visual CoT 後則升至 41.14%。論文未披露 GLM-Omni 與 GLM-5.5 的版本對應關係。
樂奇Rokid正式發佈新一代帶顯示功能的AI眼鏡Rokid Glasses 2,黑色經典款國補後3199元起,玳瑁色國補後3349元。Rokid Glasses 2電池容量提升至263mAh,新增拍前預覽,支援4K 30fps及2K 60fps影片拍攝。AI功能涵蓋會議紀要、89種語言AI通話翻譯,以及即時和全天回溯,並提供聽障與視障輔助場景。
Rokid 發佈全綵 AI 眼鏡 Rokid Color,採用 Micro-LED 全綵顯示,可呈現圖片、影片及導航介面。眼鏡重 55g(不含鼻托),具備 1677 萬色、167%sRGB 色域並覆蓋 100% sRGB 色彩空間;亦可與 Rokid Ring 交互戒指配合,以微手勢操控眼鏡。
「什麼值得買」將興趣消費服務拓展至新一代 Rokid AI 眼鏡,透過消費智能體「張大媽」識別眼前商品並提供消費資訊。用戶可查閲商品名稱、價格參考、真實用戶口碑及推薦購買指數,並在「什麼值得買」App 查看詳情、評價和購買渠道;服務依託10億級商品庫及200億級內容庫。
百度於10月27日開源發布文心 Unlimited OCR 2,稱其可解析任意頁數文件,並將 OCR 處理上限由數十頁推至「無限」。模型一次解析《哈利·波特》全系列 7 部作品,累計超過 3600 頁,並在 MPDocBench 和 MarathonDocBench 分別取得 84.6 分和 77.1 分。