跳到正文
10月23日週五
  1. DoNews57

    LlamaIndex 推出 4B 文件解析模型 OCRia-1

    LlamaIndex 推出視覺語言文件解析模型 OCRia-1,並已將其整合至 LlamaParse,現有用戶無需加價即可獲得這項解析能力。OCRia-1 在 ParseBench 綜合得分 87.4,在 350 億參數以下梯隊排名第一;其圖表專項得分 85.1。LlamaIndex 以超過 10 萬頁文件建立訓練數據集,並結合 SFT 與 RLVR 訓練。

  2. HuggingFace Daily Papers(社區熱門論文)44

    F2G-Pose:幾何感知特徵提升,用於直接 RGB-D 類別級物體姿態估計

    F2G-Pose 以單張 RGB-D 影像直接預測類別級物體姿態、度量尺寸及相機座標系下的完整形狀,採用 DGCNN tokenization 和 Mixture-of-Experts Transformer。該方法在 SOPE 和 ROPE 上達到最先進準確度,僅作姿態推理時速度為 28 FPS。項目頁面、程式碼及預訓練模型均已公開。

  3. HuggingFace Daily Papers(社區熱門論文)46

    超越觀看與搜尋:以影片為中心的深度研究報告智能體基準評測

    研究人員提出影片中心深度研究報告生成任務,並建立評估 AI 智能體的 OmniDR-Bench 基準及 Omni Atomic Rubric Trees(Omni-ARTs)評估框架。OmniDR-Bench 涵蓋 19 個子類別的 50 項中英文任務,共設 6,414 項準則;18 種智能體配置中,最佳系統得分為 63.3/100。相關程式碼及數據已公開。

  4. HuggingFace Daily Papers(社區熱門論文)43

    以測試時回歸重新思考序列壓縮

    TTR-Compressor 以測試時回歸作為序列壓縮方法,透過輸入 token 建立回歸問題,並以擬合係數形成壓縮表示。在區塊式稀疏注意力中,它的 RULER 表現大幅勝過基於注意力的壓縮器;在視覺 token 合併中,它優於標準 MLP 合併器,並以少 55.6% 的視覺 token 達到相同性能。

  5. 創業邦45

    AI女團取代商K?低成本難掩陪伴感與內容創作短板

    AI女團憑低成本製作、持續演出和沒有私生活等特點迅速出圈,但BABYQUEEN以成員「懷孕」為由暫停行程的風波,暴露虛擬偶像難以建立真實陪伴感。文章指出,動作失真、粉絲不買帳和商業代言風險,令AI難以單靠取代真人團體成功;長遠仍須靠作品和可靠營運,並遵守直播監管要求。

  6. IT之家31

    Lenovo 小新 10.1 彩墨柔光版平板電腦上架,搭載聯發科技曦力 G300

    Lenovo 上架小新 10.1 彩墨柔光版平板電腦,搭載聯發科技曦力 G300 處理器及 Android 17。平板配備 10.1 吋、2136×1280 解像度、120Hz 的防眩光 LCD 屏幕,並提供原色、彩紙、墨紙 3 種顯示模式。產品支援 AI 口語教練、拍照講題、百科問答及塗鴉生圖,另有隨附保護殼和手寫筆的趣學套裝型號。

  7. HuggingFace Daily Papers(社區熱門論文)36

    讓 MLLM 潛在表示發揮作用:用於電影感影片生成的因素感知預測學習

    研究提出因素感知預測學習(FAPL),讓影片擴散 Transformer 利用多模態大語言模型(MLLM)的表示,支援稀疏時間推理及電影感影片的因素控制。方法透過分階段訓練,分別加強 MLLM 潛在表示的生成應用、因素控制和時間推理。實驗顯示,FAPL 在稀疏輸入生成影片、因素感知編輯及多鏡頭生成三項任務中,表現持續優於基線方法。

  8. Hacker News 熱門(buzzing.cc 中文翻譯)59

    ModelCompare 測試 12 個文字模型,29/35 個回答指人類重視羣體認同多於真相

    ModelCompare 向 12 個文字模型各提問三次,35 個回答中有 29 個被歸為同一看法,即人類把羣體認同置於真相之前。其中 7 個模型三次作答均給出這類看法。六個圖像模型各生成兩張圖,12 張中有 10 張呈現沉迷手機的消費者與地球受損主題;文字模型的 35 個回答則沒有提到手機或地球。

  9. HuggingFace Daily Papers(社區熱門論文)46

    前沿 VLM 智能體準備好成為機械人通用智能體嗎?Embodied Agent Arena 實證研究

    一項以 Embodied Agent Arena 評估前沿 VLM 智能體的實證研究發現,閉源權重模型在五個領域均領先,開放權重模型在規劃與操作方面的成功率明顯較低。評測涵蓋十個 VLM 智能體及 1,000 個案例,整合 32 個既有來源和 168 個案例的 GeoProbe。失誤包括幾何、控制及推理問題,增加計算量未能一致地解決這些失誤。

  10. HuggingFace Daily Papers(社區熱門論文)43

    多模態大型語言模型檢索頭的更全面考察

    研究分析多模態大型語言模型的檢索頭,發現它們在音訊與視覺模態間仍然稀疏,且大部分共用。研究涵蓋 18 個模型檢查點;將共用檢索頭用於優化後,Qwen3-VL-8B 在 MMDocIR 的頁面 Recall@1 提升 6.03 分,並改善三個模型系列的文件檢索表現。

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

    Ψ-0.6:統一視覺語言世界模型中的自適應思維流

    Ψ-0.6 是一個統一視覺語言世界模型,能在共享推理過程中自適應組合感知、語言、幾何與模擬,以提升空間推理及反事實模擬能力。它在多視角空間推理中零樣本超越領先的開放權重模型,並可透過幾何中間表示進一步提升表現。以任務回饋進行的強化學習可提升視覺問答準確度,且增益能遷移至未見過的基準測試。

  12. HuggingFace Daily Papers(社區熱門論文)44

    LoCA:為地理空間位置編碼器引入多模態能力

    LoCA 提出兩階段流程,以對比學習共同對齊 Sentinel-1 和 Sentinel-2 編碼器,建立高秩多模態目標,再訓練位置及表格中繼資料編碼器。與 5 種先進編碼器在 17 項地理空間任務比較,LoCA 贏得 68.8% 的逐項比較,並在過半任務中勝過所有其他模型。

  13. DEV Community51

    如何從餐點照片估算卡路里:比較 4 種方法

    文章比較 4 種估算一餐卡路里的方法,從手掌份量和參照物查表,到通用 AI 助手及照片記錄 App。文中提醒,這些方法得出的都是估算而非測量;若因健康原因需要精確數字,應稱量食物並諮詢營養師或醫生。作者開發的 Mealumo 僅限 iPhone,介面只有英文,並要求 iOS 26 或更新版本;照片分析需連接外部 AI 服務及互聯網。

10月22日週四
  1. CNET46

    Mori:蘑菇造型的 AI 燈具伴侶,令我一見傾心

    Oka 公佈蘑菇造型 AI 伴侶 Mori,裝置會以鏡頭和感應器感知周遭並作出互動回應,也可收起鏡頭成為彩燈。Oka 表示,影像和音訊會在裝置上處理後丟棄;用於辨認熟悉面孔的資料不會上傳。Mori 售價由 founder edition 的 $649 至標準版的 $849,並附送兩年訂閲。

  2. DoNews30

    微光科技完成近億元人民幣 A 輪融資

    無錫微光科技宣佈完成近億元人民幣 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。公司專注 AI 垂域智能體與 AR 融合技術,主推面向文檔閲讀及讀書人羣的智能 AR 眼鏡。融資將用於核心技術研發、量產落地及團隊擴充。

  3. 新浪科技43

    網易雲音樂 CloudEar 音樂模型奪得 MIREX 冠軍

    網易雲音樂智慧耳音樂評價模型 CloudEar 在 MIREX2026 音樂評價賽道以 73.9% 準確率奪冠,創下該賽道世界最高紀錄。其準確率較官方基線 CMI-RM Baseline 高 8 個百分點,亦高於 SongEval 的 72.7%。CloudEar 已在網易雲音樂產品中應用,支援 AI 音樂質量把控、內容分發及後續生成模型優化。

  4. HuggingFace Daily Papers(社區熱門論文)33

    RealMe:以有限拍攝素材生成沉浸式體積影片

    RealMe 以影片擴散模型將稀疏、低解像度的多視角拍攝素材提升為高解像度(2K)、具 4D 一致性的體積影片。框架採用配合拍攝佈局的注意力機制,並以潛在空間的頻率損失提供監督。在 DNA-Rendering benchmark 和 RealVV 數據集上的實驗顯示,RealMe 在視覺保真度和 4D 一致性方面優於現有最先進方法。