2026年阿里雲雙11大促:大模型、Token Plan、AI建站及雲伺服器優惠匯總
阿里雲2026年雙11推出涵蓋大模型、Token Plan、AI建站及雲資源的優惠,整理各板塊的價格、權益、計費方式與適用條件。大模型優惠包括Qwen3.8、Wan3.0等150餘款直供模型抵扣低至4.5折;Token Plan個人版79元/月起、團隊版150元/月起,並支援Qwen3.8-Max。萬小智3.0體驗版9.9元/月起,雲伺服器優惠由38元/年起。
阿里雲2026年雙11推出涵蓋大模型、Token Plan、AI建站及雲資源的優惠,整理各板塊的價格、權益、計費方式與適用條件。大模型優惠包括Qwen3.8、Wan3.0等150餘款直供模型抵扣低至4.5折;Token Plan個人版79元/月起、團隊版150元/月起,並支援Qwen3.8-Max。萬小智3.0體驗版9.9元/月起,雲伺服器優惠由38元/年起。
科大訊飛在2026全球1024開發者節發佈星火X2.6、Agent OS及星辰TaaS平台,並推出SparkAudio 1.0等多項AI成果。星火X2.6上下文窗口擴至百萬Tokens,並同步開源星火X2.6-4B端側模型;端雲路由準確率由81.2%提升至96.1%。
MMGR 是一項用於評估影片、圖像和語言系統生成式推理能力的基準,涵蓋抽象推理、具身導航和物理常識三大領域的 10 項任務。研究發現,模型的視覺質素與推理正確率之間存在明顯差距:影片模型在物理常識任務上表現最佳,但在符號任務及跨視角具身導航中能力較弱、穩定性較差。
作者從基礎開始學習視覺語言模型(VLM),探討模型如何結合圖像與語言,以及電腦視覺、自然語言處理和 VLM 之間的關係。文章説明圖像編碼器、文字編碼器與嵌入向量,並以 Python、NumPy 和 Pillow 載入圖像、轉換為數值陣列及進行正規化,作為使用預訓練 VLM 前的實作步驟。
Moonshot AI 於 2026 年 10 月 23 日發佈多模態 MoE 模型 Kimi K3.1 Pro,並推出速度快 2–3 倍的 Kimi K3.1 Pro Highspeed。
科大訊飛在2026全球1024開發者節發布星火X2.6、Agent OS及星辰TaaS等成果,涵蓋模型、智能體協同和行業應用交付。星火X2.6的上下文窗口擴至百萬Tokens,並開源星火X2.6-4B端側模型;端雲路由準確率由81.2%提升至96.1%。Agent OS與APA構建企業級智能體協作和流程自動化體系,星辰TaaS則串聯模型能力、工具編排與行業解決方案。
通義千問 Qwen3.8-Max 是面向複雜專業任務的多模態 MoE 旗艦模型,總參數量為 2.4 萬億,推理時動態啟用 950 億參數,並支援百萬 Token 上下文窗口。模型具備工具調用、長週期任務規劃及程式碼工程能力,可透過百煉平台 API 調用,亦可使用開源權重私有部署。內容涵蓋模型架構、API 接入、部署方式、場景選型與調優策略。
Qwen3.8-Flash 底層拆解與 API 接入教學涵蓋模型架構、性能測評、雲端調用及本地部署。模型支援百萬 Token 上下文,採用 GDN+QSA 混合稀疏注意力,百萬上下文場景的文檔預填充速度提升 7 倍以上。開發者可透過雲端 API 調用,亦可下載開源權重在本地 GPU 部署。
SnapRecall 是一款截圖搜尋工具,會在背景為截圖建立搜尋索引,讓用戶按記得的內容搜尋並找出相符圖片。它結合關鍵字搜尋與語義搜尋,支援 English、Hindi 和 Hinglish 查詢,並以 Gemma 讀取截圖、產生摘要、標籤、類型和可見文字。索引器每次處理一張圖片,並可暫停及恢復。
Slothshot 是一款支援 Windows、macOS 和 Linux 的離線截圖整理工具,會在電腦閒置時以本機開放權重視覺模型替截圖命名和分類,並不會刪除檔案。
阿里雲推出2026年雙11優惠,涵蓋 AI Coding、AI 建站及 AI 創作,並推出 Qwen3.8-Flash、Qwen3.8-Max 和 Wan3.0-Video。150+款模型低至4.5折,AI 用量達標後次月最高返還100元。萬小智建站套餐15元/月起,瓴創造物訂閲30元/月起。
Lynch Lab 皮膚科醫生比較三個系統,Inception v3 在 200 宗病灶中的診斷正確率為 62%,GPT-6 Astra 和 Claude Fable 5.1 均為 42%。
阿里通義千問推出並開源 Qwen3.8 全系列,包含 2.4T 旗艦版、27B 輕量版,以及每次推理激活 6B 參數的 Flash 版。系列採用 Dynamic MoE、CoT++ 和原生多模態架構,並以 Apache 2.0 協議開放,可供商業使用。
UNREACHABLE 是一個以 AI 支援的緊急通行能力分析平台,旨在結合街道層級證據與道路網絡分析,辨識可能阻礙緊急車輛抵達建築物的因素。平台涵蓋街道照片障礙物分析、車輛限制路線評估及瓶頸影響模擬;AI 得出的觀察結果須經人工核實,平台用於輔助現有地圖及緊急應變系統,而非取代相關人員。
restyvod 開發 Telepult.Web 瀏覽器擴充功能,透過攔截 getUserMedia 並以 canvas 輸出處理後的攝影機串流,供 Google Meet、Zoom Web、Microsoft Teams、Discord、Slack 等平台及約 30 個其他網站使用。
Co-Design Bench 以真實用戶修改現有應用程式的請求,評測智能體模型理解多模態輸入並完成協作編碼的能力。基準包含 273 項任務及 2,331 項驗收準則,涵蓋多模態編輯和程式碼庫編輯。10 個模型端點中,gpt-6-astra 平均每項任務通過 69.9% 的準則,但僅 26.4% 的任務完全達標;Qwen3.8-27B 整體完全達標率為 64.4%。
PhysEvolve以物理引擎驗證模型生成的可執行世界及反事實模擬,訓練視覺語言模型進行因果物理推理,無需人類介入數據。以 Qwen3-VL-8B-Instruct 起步,PhysBench Throwing 提升 8.8 分,ContPhy Counterfactual Removal 和 Goal-Pit 分別提升 7.4 和 24.4 分。
研究發現,細粒度過程獎勵可改善多模態智能體的長時程影片剪輯任務,但固定權重會在較短任務中引發獎勵作弊。在平均超過 60 turns 的 Fine Cut 任務中,衰減過程獎勵權重較 outcome-only GRPO 相對提升 45.4%;三類平均 30–40 turns 的任務,提升最多為 10.4%。
GeoUG 結合深度圖與多視角生成,並在推理時自適應地生成幾何證據,以提升空間推理能力。在 CV-Bench-3D、3DCueBench 和 DA-2K 上,其準確率分別為 97.9%、90.8% 和 94.2%。相比每次都生成幾何證據,GeoUG 使用的生成呼叫次數更少。
SOMA 是評測多模態模型細粒度第一人稱身體動作推理能力的基準,涵蓋 1,632 條經人工核驗的問題及身體姿勢、動作動態和時間推理三個能力面向。研究評估 37 個多模態模型,最強的 Qwen3.6-27B 零樣本準確率為 50.0%,低於人類的 68.5%。研究亦提供訓練數據集及多模態基線,以支援相關研究。
The Trinity 是一個遞歸自我改進框架,透過能力樹、模擬訓練世界及專用 Harness 模組,提升多模態智能體在不同基準上的表現。框架設有 Creator、Explorer 和 Evolver 三種角色,並以 Capability-Aware Harness Router 按任務資訊選擇相容的模組配置。
UMM-JEPA透過遮罩式下一尺度表徵預測,為統一多模態模型進行生成式預訓練。
統一多模態模型中的跨模態引導向量,可在文字與圖像生成之間遷移,揭示兩種模態共享因果控制機制。研究發現,向量能在文字轉圖像及圖像轉文字兩個方向零樣本遷移;即使概念高度偏向某一模態,也常能在另一模態產生一致且可解讀的效果。
Omni-InteractScope 是一項評測 Omni-LLMs 在連續影音串流中互動可靠性的基準,涵蓋 1,479 個人工標註互動、1,790 個時間目標及八組任務。測試的 12 個模型中,工具調用的準時首答比例均不超過 40%,時間與工具聯合準確率最高為 32.0%;提醒召回率不超過 23.0%。9 個模型未能完整覆蓋任何一段指引序列。
Fridge to List 以本機 Gemma 3 (4B) 經 Ollama 分析雪櫃照片,結合用戶的常備清單生成可編輯的購物清單。應用程式可處理 1 至 4 張照片,列出辨識信心度及「無法判斷」項目;下載模型後可離線生成,照片只在本機處理。
皮膚科醫生以 200 個經活檢確認的病灶測試三種模型,微調版 Inception v3 的診斷準確率為 62%,GPT-6 Astra 和 Claude Fable 5.1 均為 42%。Inception v3 首選或次選合計答對 173 例,兩個大語言模型分別答對 134 和 138 例。作者指出,測試只涵蓋 200 個病灶,CNN 亦非當前最先進模型。
Study Sloth 是一個為學生整理課程材料的 AI 學習工作區,可把講課錄音轉成附時間戳記的逐字稿和分單元筆記,並把 PDF 整理成附頁碼的筆記。它亦可生成閃卡、測驗、口試問題及實驗手冊;本機版使用 Ollama 和 Whisper,託管版則會把錄音傳送至 Groq 轉錄。
slothlens 是作者打造的開源工具,透過 Ollama 在本機以 Gemma 3 4B 夜間逐張分析截圖,產生待辦事項、敏感資料提示及全文搜尋索引。以 16 張合成截圖測試,分類準確率為 14/16,4 張敏感截圖全數捕捉且沒有誤報,6 項植入秘密均未進入資料庫。測試機為 2 vCPUs、4 GB RAM 且沒有 GPU,平均每張處理需 4m16s;工具亦支援搜尋和可撤銷的檔案整理。
CampusLens 是一款以 hosted Gemma 4 建構的 AI 大學通知助手,可讀取文字或圖片形式的通知,整理重點、待辦事項和截止日期。日期等需要精確處理的內容由程式碼處理;目前使用託管模型,尚未在大量學生中測試。
開發者正把 LLM 用於自動化重複工作、構建智能應用、分析非結構化資料,以及建立可與實際系統互動的 AI agents。10 個實用場景包括程式編寫助手、文件 RAG 搜尋、自動化代碼審查與測試、自然語言轉 SQL、文件資料抽取、客戶支援自動化、多步驟工作流程及多語言本地化。要在正式環境可靠運作,須按場景選擇模型,並配合驗證、權限管理、測試及人工審核。
SketchSloth 是一款離線 AI 桌面應用程式,可將手繪線框圖直接轉換為可運作、具響應式的 React 和 Tailwind TSX 程式碼,省去手動搭建前端版面的樣板工作。它透過 Ollama 連接本機 Meta 開放權重 Llama 3.2-Vision,並以 Next.js 16 和 Tauri v2 建構,可在裝置上執行。
Namely 使用開放權重模型 Gemma 4,為上載的檔案產生描述式、簡短及日期優先的三種檔名建議。用戶可複製建議名稱,或在瀏覽器下載已重新命名的檔案,原檔毋須傳回伺服器。Namely 透過 Gemini API 讀取檔案,資料會傳送至 Google。
具身 AI 透過具備實體的智能體,將基礎模型帶進物理世界,結合多模態模型、空間運算與機械人技術,讓智能體感知環境、理解指令並執行動作。Vision-Language-Action(VLA)模型把視覺感知、控制與語言指令整合,協助機械人將任務推廣至陌生環境。實際部署仍受延遲與安全、硬件耐用度及能源密度等挑戰。
華為近兩日向 Mate 80 / 70 / 60、Pura 80 / 70 等系列推送 HarmonyOS 7.0.0.111,帶來多項更新日誌未有列出的功能。更多機型可設定深色模式隨日出日落切換,並自訂桌面下滑操作;新增的智慧場景服務支援建立個人、車輛及家庭自動化服務。相冊新增圖片塗鴉、貼紙及影片匯出動圖功能,部分機型的本地多模態基礎大模型亦有更新。
DeepSeek V4.1-Flash 開啟限時內測,支援文字與圖片輸入,並沿用 V4-Flash 計費標準。內測模型上下文窗口為 100 萬 tokens、最大輸出 128000 tokens,單帳號最多支援 20 路並發請求。內測使用專屬臨時模型 ID,文章提供 curl、Python SDK 調用及桌面 AI 工具配置與故障排查方法,並提醒勿將臨時 ID 用於生產環境。
AI 眼鏡的音質因使用情境而異,只適合在部分情況下取代耳機。安靜環境下播放音樂,聲音或可接受;在嘈雜環境或沉浸式媒體使用時,音質可能不足。選購時應按個人聆聽需要權衡便利與音質。
Microsoft Teams 桌面版、Mac 版及網頁版將於 2026 年 11 月中旬逐步推出深度偽造檢測功能。經認證的第三方工具可接入會議,實時掃描音訊及影片,識別 AI 生成的虛假媒體;Teams 會展示警告及操作選項。管理員須授權機器人使用 reportSyntheticMedia API 權限,結果會以 0.0–1.0 置信度評分及低、中、高風險等級呈現。
Carla 開發 Lazy Screenshot Namer,使用本機 Gemma 4 分析截圖並建議檔名,同時標記疑似含有密碼或金鑰的圖片。它以 Gemma 4 E2B(gemma4:e2b-it-qat,約 4 GB)透過 Ollama 在沒有 GPU 的筆記型電腦上運行,預設先 dry run,使用 --apply 才重新命名,並將變更記錄到 CSV。
Snap Me 透過拍攝身邊物件學習英文,提供單字、發音、例句及填空練習,並以答對練習解鎖時態。Gemma 4 負責辨識物件和生成課程,Kokoro-82M 在瀏覽器內生成語音;優化後,辨識約需 3 至 4 秒,生成課程約需 5 至 6 秒。應用程式每天限拍 5 張照片,進度儲存在裝置本地。
微軟 Teams 將允許組織接入已認證的第三方工具,掃描會議中的音頻和視頻內容以檢測深度偽造。功能預計於 11 月中旬在 Teams 桌面版、Mac 版和網頁版逐步推出;Teams 會顯示警告彈窗及相關操作選項。檢測機器人須獲準加入通話並取得管理員授權,隨後可標記參會者並提供 0.0 至 1.0 的置信度評分及高、中、低判斷。