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。
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。
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。
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。
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。
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。
Fireworks AI 已在無伺服器及按需部署中提供 Meta 的 Muse Glimmer 30B,模型面向可跨多輪執行工具呼叫並從失敗中恢復的常駐智能體。
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。
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。
OpenAI 宣佈全面開放基於 GPT-6 Luna 的 Decisions API,協助應用程式與智能體根據文本、圖像及結構化輸入,針對限定答案問題作出準即時決策。
OpenAI 全面開放基於 GPT-6 Luna 的 Decisions API,面向限定答案類問題,支援文字、圖像及結構化輸入的準即時決策。相較 Responses API,其回應速度提升達 10 倍;輸入每百萬 token 收費 0.10 美元(快取命中 0.01 美元),輸出免費。
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。
Said Kaban 介紹其 Expo 模組 expo-ai-kit,讓 Expo/React Native 應用程式在手機本機執行 LLM、語音轉文字和視覺處理。
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。
Falcon 是一個因果式音訊視訊目標説話者提取模型,利用目標説話者的嘴部影片,從嘈雜及重疊的語音中提取其聲音。論文提出 RealSSA 基準,涵蓋不同説話者數量、遠近場幹擾、混響及突發噪音,並包括模擬場景和保留的真實錄音評測集。
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。
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。
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。
OpenAI 向所有客戶開放 Decisions API,並在公開版本加入語音和視覺模態。團隊將 ChatGPT Luna 重新配置以加快推理和降低成本;OpenAI API 產品負責人 Nikunj Handa 表示,延遲由 1 至 3 秒縮短至 100、120 或 180 毫秒。Speak 表示,使用 Decisions API 後,動作間隔由 1.4 秒降至 .13 秒。
AirSketch 團隊在 HackGB 2026 用 24 小時打造 AI 智能白板,整合手勢控制、語音辨識及 AI 生成筆記。系統透過網絡攝影機追蹤手部動作以控制數碼畫布,並將口述內容轉成文字,再由生成式 AI 整理成結構化筆記。
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。
VLM 智能體在 SpatialScout 基準的實地測試中,經 12 分鐘自主探索取得 71% 完整地圖分數,較靜態觀察基線高 18 個百分點。測試使用 3 B 參數的 LLaVA-Explore,位置 RMSE 為 0.18 m。SpatialScout 評估智能體的主動路點選擇、多模態融合及自我監督位姿修正能力。
Effort Budget 使用 Gemma 3 4B 分析房間照片,按用戶設定的時間預算挑選整理任務,並透過計時記錄修正各類任務所需時間。照片在用戶電腦上處理,不會儲存;整理前後的照片亦可用來檢查房間是否變得整齊。
EverBlog FridgeCal 智能顯示屏現減價 $160,售價 $249(原價 $409),可協助家庭管理日程和膳食規劃。這款 13.4 英寸顯示屏可同步多個日曆,亦可透過拍照盤點雪櫃食材、提供食譜點子和到期提醒。
Apple 宣佈,Apple TV 美國區 F1 轉播將自美國大獎賽起首次支援杜比全景聲直播。2026年10月23日至25日舉行的賽事中,車隊無線電、引擎聲、解説及維修區音效將配合杜比視界畫面呈現;此功能須使用兼容的蘋果設備或支援杜比技術的電視或音響系統。
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。
Diffusion Transformers(DiTs)在擴散式生成流程中使用 Transformer 主幹網絡,以可擴展的注意力機制處理帶噪的圖像、影片或潛在 token。指南按媒體編碼、加噪、條件輸入、預測及解碼五個階段説明其運作,並將其與卷積式 U-Net 擴散模型區分。
訊飛星火醫療大模型V3.7升級發布,在上海人工智能實驗室最新發布的MedBench5.0智能體評測中以99.6分登頂。病歷書寫場景下,端到端生成合理率提升至85%;訊飛曉醫新增中醫多模態問診及健康檔案動態記憶管理服務。
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。
Hugging Face 發佈開源多模態 AI 模型 Carbon-X,模型有 14B 參數,讓用戶可透過自然語言查詢 DNA 序列。Carbon-X 使用 300B tokens 訓練。
LlamaIndex 發佈 OCRia-1,這是一個參數量為 4 billion 的視覺語言模型,在 ParseBench 的整體文件解析評分為 87.4,較次高模型高 12.1 分。
10月22日,米哈遊崩壞 AI 研發團隊聯同清華大學、北京大學等機構,開源 GameScaling 系列遊戲智能體模型。系列涵蓋 0.8B 至 27B 共 8 個參數規模版本,基於 Qwen3.5 視覺語言模型持續預訓練,並使用 1600 小時鍵盤滑鼠操作遊戲數據。
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。
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。
網易雲音樂智慧耳(CloudEar)在 MIREX 2026 的音樂評價賽道以 73.9% 準確率奪冠,創下該賽道世界最高紀錄。其準確率高於官方基線模型 CMI-RM Baseline 的 65.9%,亦超越開源學術基線 SongEval 的 72.7%。
Dify.AI v0.3.29 加入 GPT-4 Turbo 與 Vision 模型支援,GPT-4 Turbo 提供 128K 上下文,並支援以多張圖片進行認知。版本亦加入外部資料 API 工具,可連接內部及外部資料來源,並新增敏感內容審核功能,支援 OpenAI moderation、自訂敏感詞篩選及 API 擴展。
Dify.AI v0.3.30 帶來 GPT4-Vision 多模態模型。原文未提供該版本的功能細節或其他技術數據。
Dify 發佈 v0.10.0,為 Workflow 加入檔案上載功能,支援文件、音訊和影片,並將圖片上載整合至檔案上載功能。新版本加入 Doc Extractor 和 List Operation 節點,示範流程以文件擷取、LLM 節點及音訊生成工具製作可下載的 AI 播客。
Dify 示範結合 DeepSeek R1 的推理能力與 Gemini 的視覺能力,建立多模態問答工作流。Dify v0.10.0 支援檔案上載,配合文件提取器將檔案轉為文字;文章亦介紹以 beta Plugin 功能將應用程式封裝為 OpenAI 格式 API。
Dify 正式推出 v1.0.0,將模型和工具遷移至插件架構,並推出 Dify Marketplace。新架構讓插件可獨立於核心平台更新;Agent 節點配合 Agent Strategy 插件,為工作流和 Chatflow 提供 ReAct、Function Calling 等策略。
DupDub 的音訊 AI 插件現已登上 Dify Marketplace,提供語音轉錄、聲音複製、講者識別及文字轉語音功能。用戶可在 Dify 的視覺化工作流程中編排這些工具,處理音訊相關任務。