Reel Sloth 將 Instagram 已儲存的 Reels 整理成待辦清單
開發者 Kuntal Gorai 開源 Reel Sloth,讓用戶輸入 Instagram 已儲存的 Reels 連結或匯入資料檔,整理成可勾選的清單。工具以 faster-whisper、Qwen2.5-VL 3B 和 Gemma 4 E2B 分別處理語音、畫面文字和分類,並在作者的 Windows 電腦上以 CPU 執行;該電腦有 16 GB RAM,沒有 GPU。
開發者 Kuntal Gorai 開源 Reel Sloth,讓用戶輸入 Instagram 已儲存的 Reels 連結或匯入資料檔,整理成可勾選的清單。工具以 faster-whisper、Qwen2.5-VL 3B 和 Gemma 4 E2B 分別處理語音、畫面文字和分類,並在作者的 Windows 電腦上以 CPU 執行;該電腦有 16 GB RAM,沒有 GPU。
Pavel Sich 於 9 月推出 DreamDwell,讓用戶上傳一張手機照片,生成房源刊登圖片、產品攝影或宣傳企劃等成品,也可製作短片。DreamDwell 的功能可透過 HTTP 和 MCP 使用,並提供 Agent Command API;訂閲方案由 €15/月起。
Sloth Mode 是一款以網絡攝影機追蹤動作速度的運動遊戲,MediaPipe Pose 在瀏覽器辨識身體姿勢,程式據此判定樹懶攀爬、停留或打盹。本機 Ollama 執行的開放權重 Gemma 會從 12 種動作中選出 3 種,並提供節奏、次數及動作提示。影片不會離開瀏覽器,動作判定不會呼叫 AI。
Receipt Raccoon 是一款以本機為先的收據及保養資料管理工具,使用 Gemma 3 和 Ollama 擷取收據資料、以自然語言搜尋收據。收據資料及原始檔案儲存在瀏覽器的 IndexedDB,AI 功能在本機運行,毋須使用託管 AI API。管理功能包括保養期限追蹤、重複收據提示,以及備份與還原。
2026廣播電視精品創作大會「電視劇(網絡劇)論壇」議程發布,論壇將於11月4日下午在北京舉行。議題包括精品劇集創作、AIGC時代的影像創作、AI與實拍混製生產方式重構及版權生態保護。愛奇藝、優酷、騰訊視頻、芒果TV將聯合啟動「劇好看」專區。
開發者在 Hacktoberfest Hack Day 為開源資料集 CLI Saara 加入 Gemma 4 本機掃描 PDF OCR,並加入多格式匯出與按文件分組切分功能。本機模式透過 Ollama 將掃描頁面轉成文字,文件不會離開電腦;匯出涵蓋 8 種格式,分組切分則避免同一文件的頁面同時進入訓練集與測試集。
Scrawl 利用 Gemma 4 將手繪塗鴉轉成可玩的遊戲,按圖像內容生成平台遊戲、迷宮或賽車關卡。gemma-4-26b-a4b-it 透過 Gemini API,以一次多模態呼叫辨識圖像並提取物件位置,約需 10 秒;Scrawl 亦會補上缺漏,確保關卡可載入。用戶建立免費帳戶後可儲存及分享關卡。
AI 英語培訓智能體採用感知、大腦、行動三層架構,整合多模態輸入輸出、即時語音、教研知識檢索、長期記憶及多智能體協作。系統以教學狀態機規範教學流程,並設有主講教師、糾錯助教及評估測試智能體。開發流程涵蓋場景定義、文字對話驗證、語音與多模態整合,以及教研資料融合和系統優化。
企業採納 Bitcoin、AI 語音合成技術的進展,以及 Google 個人資料政策的變動,交織出數碼金融、信任與資料主權的挑戰。文章探討區塊鏈如何透過去中心化身份、零知識證明及去中心化儲存,應對合成媒體詐騙和集中式資料管理問題。
Kevin Madura 在分享中介紹 DSPy,示範如何以 Python 程式和模組化工作流構建 LLM 應用,並透過優化器迭代調整底層提示詞。內容涵蓋簽名、模組、工具、適配器、優化器和指標,並展示情感分類、PDF 分析、多模態處理及 ReAct Agent。分享亦指出,優化器可利用質素良好的 10-100 組輸入輸出對按指標改進程序,產生的模組可儲存或直接調用。
深圳微光電子科技有限公司於2026年10月完成近1億元人民幣A輪融資,由無錫市梁溪科技城創新投資有限公司領投,洪泰基金等跟投。微光科技專注多模態情境感知與Ego-XR技術,主打輕量化AR智能眼鏡,融資將用於產品研發及多模態數據平台建設。
Qwen3.8-Max 是百煉平台提供的 2.4 萬億參數 MoE 旗艦模型,支援圖像、文字及影片輸入並輸出文字,總上下文長度為 1,000,000 tokens。
MediaMend 是一款在本機運作的 AI 助理,用來標記模糊相片、黑畫面影片、無聲錄音、空檔案及重複檔案,供用戶逐項檢查。獲批檔案會移至回收區而非直接刪除,用戶可還原、封存或永久刪除;永久刪除須另行確認。工具以 OpenCV、FFmpeg 和 SHA-256 進行檢測,並使用本機視覺語言模型判斷標記相片是否值得保留。
開發者 Kunal 建立 slothdesk,讓本機 Gemma 4 整理下載資料夾、分類檔案並生成待辦摘要,也可辨識截圖中的秘密。工具透過 Ollama 在筆電運行,規則會鎖定機密檔案而不讓模型開啟;程式碼處理日期排序和重複檔案,Gemma 負責分類及挑選優先事項。作者以 69 個截圖檔案測試,掃描需時 7.8 分鐘,並發現一張檔名規則未能識別、顯示恢復資訊的截圖。
MediaMend 是一款在本機運行的 AI 助理,掃描資料夾並標記模糊相片、黑畫面、靜音錄音、空檔案及重複檔案,供用戶檢視。獲批准的檔案會移至 Bin 而非直接刪除,之後可還原、封存或永久刪除;永久刪除須另行確認。工具以 OpenCV、FFmpeg 和 SHA-256 檢查媒體,並使用本機視覺語言模型輔助判斷相片是否值得保留。
視覺語言模型(VLM)連結圖像等視覺資訊與文字,能根據圖像回答問題或作出描述。模型透過視覺編碼器提取圖像特徵,再由多模態連接部分結合視覺與語言資訊,交予語言模型生成回答。文中列出圖像轉文字、文字轉視覺及跨模態檢索三類模型。
PSL Calculator 是一款採用開放權重視覺模型及本機流程打造的互動網頁應用,讓用戶上載圖片並查看詳細評估結果。系統以 Python 處理即時狀態管理、提示詞編排及多智能體分析,並透過 Streamlit 提供介面和解析 HEIC 圖片;開放架構亦方便社羣審核、分支及擴展程式碼。
ChronoReplay 是提升串流視覺語言模型空間推理能力的訓練框架,旨在解決模型受單一答案格式限制、難以應對不同空間推理任務的問題。它將不同類型的空間監督資料整理成按時間排序的互動片段,保留各任務的答案格式並平衡不同監督類別。
LOLPlay 是一項以《League of Legends》原生環境評測即時視覺智能體的基準,涵蓋 36 項英雄專屬任務,並以 82 項可執行子目標檢查區分部分進度與任務完成。
AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。
InteractiveWorld提出可驗證的模擬環境及基準,用於評估多模態語言模型能否可靠地引導人類完成實體任務。研究推出的 InteractiveBench 涵蓋六個類別、共 120 項多輪任務。對 12 個前沿 MLLM 的測試顯示,Claude Fable 5.1 在長時程 Guidance 和 Planning 任務上的最高得分分別為 20% 和 25%。
HuGe 利用第一人稱視角的人類及機械人數據,預訓練人形通用視覺-語言-動作模型,以支援全身人形機械人控制。模型使用超過 2,000 小時數據,並透過三階段訓練流程及模擬生成的偽本體感知狀態,完成預訓練與人形適配。HuGe 在 HumanoidArena 模擬基準取得最先進成績;Unitree G1 的真實環境實驗亦顯示,加入經視覺適配的第一人稱示範,可提升抓取及放置任務的成功率。
研究提出 SATE-Bench,評估 MLLMs 在以人為中心的場景中能否主動探索視角,以建立空間理解。基準包含 316 個真實場景及 2,525 組多輪問答;評測發現,模型常在證據不足時提早停止探索,且難以處理精細的 3D 幾何任務。以 GRPO 微調雖增加主動探索,卻降低整體準確度。
這個靜態網站可在瀏覽器內把物件照片轉成實心 3D 模型,並匯出 .glb 或 .stl,無需帳戶或上傳照片。工具以 U²-Net 分離物件、以 Depth Anything V2 Small 估算深度,並補上模型背面。首次載入後可關閉 Wi-Fi 繼續使用;單張照片生成的背面是正面的鏡像。
EcoSloth AI 是一款本地優先、保障私隱的 AI 助手,協助用戶為廢棄或老舊電子產品評估維修、重用、捐贈、轉售或回收等出路。它可評估安全風險、生成準備清單,並以離線 SQLite 數據庫記錄處理結果;用戶描述裝置後,不到 3 秒即可取得分流建議和交接清單。
作者公開 Screenshot Sloth,這款工具在瀏覽器內以 WebGPU 本機運行 Gemma 4 E2B,為截圖命名並按類型分類。在作者製作的測試截圖中,工具有 20/22 個名稱符合要求、16/22 個放入正確資料夾,私密內容偵測命中 3/5,沒有誤報。
Fridge Sloth 使用 Gemma 3 (4B) 和 Ollama,在本機分析雪櫃相片、列出缺少或存量偏低的食材,並建議三款健康餐點。整個流程可完全離線執行,相片不會離開用戶的裝置;掃描現需約 20 秒。
《AIGC時代互聯網廣告治理藍皮書》在第33屆中國國際廣告節期間發佈,提出針對互聯網廣告投放全過程的治理方法,將風險分為內容違規、技術對抗、交易鏈路和新場景四類,並從八個方面提出建議。藍皮書還介紹利用多模態大模型識別廣告風險的實踐;智能審核系統最快可在10分鐘內完成90%的素材審核,效率提升75%。
FridgeFlow AI 是一款本機運行的雜貨管理應用程式,透過 Ollama 和 Gemma 3 (4B) 分析雪櫃、冰格或食品櫃的照片,辨識食物及估算數量。用戶確認辨識結果後,系統會按超市貨架分類生成購物清單;完整原始碼以 MIT License 發佈。
中國移動發布時空智能系列模型能力及標杆場景,推出涵蓋「時空重建、時空理解、時空預測」三大技術路線的核心能力體系。該體系採用 L1-L4 四級場景架構,應用涵蓋自然資源、工業生產、城市交通及智能運載等領域。
Next of Care 是一款以瀏覽器為本、優先在本機處理的照護交接工具,可把照護文件轉成可編輯的用藥計劃。它透過 Transformers.js 在瀏覽器 worker 執行開放權重 Qwen3 0.6B ONNX 模型,並可匯出 PDF、Excel 用藥追蹤表、每週時間表及 WhatsApp 訊息,支援英文、印地文和馬拉地文。文件留在裝置上處理;模型首次使用時需要下載,並由瀏覽器快取。
百度健康宣佈升級文心健康管家,發布好醫矩陣和健康相機,並稱AI服務月活用戶超過5000萬、位列行業第一。健康相機支援文字、方言語音、拍照、影片上傳及邊拍邊説。好醫矩陣包括好醫答、好醫加號等功能,連接真人醫生在線問診、線下就醫及線上隨訪;好醫開放計劃提供MCP、API和H5等接入方式。
CNET 給 Vivint 家居保安系統 8.0 分,指出系統功能全面,但使用上受限於 Vivint 生態系統。系統支援部分第三方裝置及 Google Home,但不再支援 Alexa;AI 物件偵測常出錯,作者因此關閉部分偵測。價格由 $200 起,另收每月 $25 監控費,完整配置需個別報價。
XREAL 1 Pro+ 國行版已在京東上架,定價 3499 元,10 月 27 日發售。眼鏡採用雙 0.55 英寸索尼 Micro-OLED 面板,峯值亮度最高達 1200 尼特,高於前代的 700 尼特,並重新設計鼻托結構。新機加入 AI HDR 及三種顯示模式,內置 Real 3D 引擎處理幀率最高提升至 60 FPS。
Moonshot 發佈多模態 MoE 模型 Kimi K3.1 Pro,總參數量為 2.8T、活躍參數為 104B,並稱上下文窗口為 1-million-token;權重尚未公開,承諾於 2026 年 11 月 4 日公開。
推薦理由:文章把獨立基準成績、任務成本與權重尚未公開的狀態並列,呈現模型評測表現與實際部署條件之間的差異。
Bird Buddy AI 是一款開放權重的觀鳥應用,使用 SmolVLM-500M-Instruct 根據鳥類照片生成描述,並提供觀察紀錄日誌。應用以 Python、Streamlit 和 SQLite 建置,可記錄觀察、查看統計資料及匯出 CSV;AI 辨識結果仍需核實,不能一概視為事實。
Enspyr 團隊讓同一模型在互不可見的兩個工作階段,各自創作代表當下狀態的圖像;兩幅作品截然不同,模型描述作品時卻都選了「suspension」。團隊打造的工具能讓模型讀取生成圖像並據此調整,兩個工作階段一開始都選擇延伸變化,而非定稿。
WeVisOne‑VL 以單一模型在同一 token 序列中輸出邊界框、遮罩和文字,無需為不同感知任務使用獨立模型。在 RTX 4090 上,單次推理延遲為 48 ms、記憶體用量為 6 GB,較三模型流程減少 58% FLOPs。模型已於 22 Oct 2026 同步在 arXiv 和 Hugging Face Hub 發佈,但高解像度遮罩細節退化及商用授權限制仍是採用考量。
微信針對視頻號短片中的虛假人設展開專項整治,至今清理違規資訊13016條,處置違規帳戶753個。整治聚焦假扮弱勢羣體、虛構專業資歷、利用AI仿冒人物、炫富迷信及編造衝突劇情,並按違規程度採取下架內容、限制流量或封禁帳戶等處理。
百度健康宣佈升級文心健康管家,並發佈健康相機及「好醫矩陣」,其 AI 服務月活躍用戶已超過 5000 萬。健康相機支援文字、方言語音、拍照及影片上載,AI 收集症狀和用戶資料後會匹配真人醫生追問,再由醫生提供診斷和方案。「好醫答」有 15萬+名三甲醫院真人醫生入駐,提供 7×24 小時問診,最快 1 分鐘回應。