跳到正文
10月25日週日
  1. DEV Community39

    Receipt Raccoon:以本機 AI 管理收據和保養資料

    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。

  2. DEV Community57

    Saara CLI 加入 Gemma 4 本機 OCR,讀取掃描 PDF 並支援 8 種訓練資料格式匯出

    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。

  3. DEV Community49

    如何用 Gemma 4 將塗鴉變成可玩的遊戲

    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。

  4. 阿里雲開發者社區 AI26

    AI 英語培訓智能體的開發技術

    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。

  5. DEV Community63

    DSPy:告別提示詞工程,構建模組化、可優化的 AI 程式

    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。

  6. DoNews30

    微光科技完成近億元人民幣 A 輪融資

    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。

  7. DEV Community34

    MediaMend:Hacktoberfest 開源 AI 挑戰第 3 週參賽作品

    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。

  8. DEV Community60

    slothdesk 用本機 Gemma 4 整理下載資料夾,找出被遺忘的秘密

    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。

  9. DEV Community36

    MediaMend:本機 AI 媒體清理助理

    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。

  10. DEV Community16

    視覺語言模型的運作方式與類型

    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。

  11. DEV Community17

    PSL Calculator

    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。

  12. HuggingFace Daily Papers(社區熱門論文)39

    AMBIT 以可執行計劃及自蒸餾 Transfusion 生成與編輯空間音訊

    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。

  13. HuggingFace Daily Papers(社區熱門論文)45

    InteractiveWorld:用於構建更佳互動式 MLLM 助手的可驗證、以人為本環境

    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%。

  14. HuggingFace Daily Papers(社區熱門論文)45

    HuGe:以第一人稱視角經驗擴展人形通用視覺-語言-動作模型

    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。

  15. HuggingFace Daily Papers(社區熱門論文)47

    太空中的人類:MLLMs 能否透過主動外視角探索建立以人為中心的空間理解?

    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。

10月24日週六
  1. 第一財經41

    《AIGC時代互聯網廣告治理藍皮書》發佈,倡導“以AI治AI”

    《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%。

  2. DEV Community45

    Next of Care:把出院文件整理成可供家人共享的照護計劃

    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。

  3. 雷鋒網66

    百度健康升級文心健康管家,發布好醫矩陣和健康相機,AI服務月活超5000萬

    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。

  4. 新浪科技43

    XREAL 1 Pro+ 智能眼鏡國行上架:峯值亮度提升至 1200 尼特,鼻托結構重新設計,3499 元

    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。

  5. Latent Space80

    Moonshot 發佈 Kimi K3.1 Pro,並承諾 2026 年 11 月 4 日公開權重

    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。

  6. DEV Community49

    WeVisOne‑VL 如何以單一 token 序列統一視覺感知

    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。

  7. 新浪科技63

    百度健康 AI 服務月活突破 5000 萬,發佈「好醫矩陣」

    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。