跳到正文
10月22日週四
  1. Dify Blog61

    Dify 知識庫自 v1.11.0 起支援多模態檢索

    Dify 知識庫自 v1.11.0 起支援多模態檢索,可在 Workflow 應用中共同理解、檢索和使用文字與圖片。系統將圖片和文字放入統一語義空間,支援 Image-to-Text、Text-to-Image 和 Image-to-Image 檢索,並可從 Markdown 連結提取 JPG、PNG、GIF 圖片,大小上限為 2MB。

  2. Hark 官方動態68

    Hark 宣佈 A 輪融資募得逾 $700 million,投後估值 $6 billion

    Hark 宣佈完成逾 $700 million 的 A 輪融資,投後估值為 $6 billion。融資由 Parkway Venture Capital 領投;Hark 團隊已增至約 70 人,並將在新的 NVIDIA B200 數據中心訓練下一代模型。Hark 表示,AI 平台將於今夏推出,模型具備智能體及多模態能力;下一代硬件則將從設計之初以 AI 原生為目標,並整合 Hark 的基礎模型。

  3. 新浪科技48

    比亞迪汽車行業首個 AI 超級智能體「迪迪蝦」上車

    比亞迪發布汽車行業首個 AI 超級智能體「迪迪蝦」,並陸續向旗下多款車型推送。迪迪蝦基於璇璣架構 2.0,透過端雲協同及多模態感知、工具、技能、記憶四大系統,支援多場景辦事與自然深度對話。目前已向騰勢 Z9GT 閃充版、第二代騰勢 D9、騰勢 N8L 閃充版、騰勢 N9 閃充版、大唐等車型 OTA 推送,其他車型將陸續升級。

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

    ALPS:世界模型的視覺狀態編碼器

    ALPS 是預訓練視覺狀態編碼器,整合物理狀態預測、語言對齊與像素重建,作為世界模型的共用基礎。以靜態圖像和文字從頭預訓練的 ViT-B/16,在 15 個公開編碼器的統一評測中取得最低 LIBERO 狀態探測誤差,媲美規模大 3.5x 的 V-JEPA 2-L。

  5. DEV Community58

    EU AI Act 第 50(4) 條如何界定深偽:市場團隊案例指南

    指南依據《EU AI Act》第 50(4) 條,將深偽界定為 AI 生成或操控、近似現存人物、物件、地點、實體或事件,並會令人誤以為真實的圖像、音訊或影片。指南以 AI 虛擬代言人、複製真人聲線、合成產品或店面照片等作例,並指出 AI 撰寫的廣告文字不屬深偽。發布相關內容的部署者須最遲在首次曝光時清晰披露;指南聲明內容僅屬一般資訊,未經律師審閲,並非法律意見。

  6. 新浪科技29

    科大訊飛 1024 開發者節北京科博展即將啟幕,展示全國產 AI 應用

    科大訊飛全球 1024 開發者節北京科博展將於 10 月 22 日在北京國家會議中心二期一層迎賓廳舉行,展示全棧自主可控的大模型技術、AI 應用及軟硬一體的人機交互成果。展覽包括基於全國產算力完成訓練升級的訊飛星火大模型 X2.6,以及教育、醫療、汽車、政企辦公和具身智能等領域的應用。活動當日 9:00—19:00 面向客戶及大會相關嘉賓開放參觀。

  7. DEV Community39

    Gemma 4 夜間檢查 Pix 收據:12 張收據的判定全對,即使部分內容讀錯

    sloth-receipts 使用 Gemma 4 在本地讀取 Pix 收據,再由 Python 規則判定;測試中的 12 張虛構收據,最終判定全部正確。模型平均每張需時 52 s,部分交易編號和 Pix key 讀取有誤,因此係統以容錯比對識別可疑項目,不用它確認付款。收據只供分類,付款仍須以銀行月結單或 PSP webhook 確認。

  8. DEV Community48

    我花數星期調校 OCR 流程,視覺模型九秒內勝出

    作者花數星期調校本地 OCR 流程,但視覺模型在相同照片上只用九秒便勝過該流程。閲讀教練以孩子拍攝的手寫頁面為輸入,遇上無法有信心辨認的字詞便要求重拍,不會評分。測試共進行 22 次,周轉時間中位數為 169 秒,索引了 3 本書及 20,726 個字,並生成 566 道涵蓋九個科目的題目。

  9. HuggingFace Daily Papers(社區熱門論文)42

    Dual Exam:多模態智能體與世界模型的受控評測

    Dual Exam 分別評測多模態智能體與世界模型在不同領域的表現,並揭示兩者在試點測試中未能共同成功。智能體評測涵蓋 1,088 個項目及 15 個報告類別,GPT 6 Astra 的加權分數為 31.3;世界模型評測涵蓋 400 個案例及八種情境,GPT-Image-2 的整體分數為 21.7。兩組分數採用不同任務和指標,不能直接比較;150 個案例的配對試點中沒有任務成功。

  10. HuggingFace Daily Papers(社區熱門論文)42

    CellTrack-Bench:評測視覺語言模型的顯微細胞追蹤基準

    CellTrack-Bench 評測視覺語言模型的細胞追蹤能力,並與專用追蹤算法比較,揭示模型在不同成像模態下的推理差距。基準涵蓋四種成像模態、15 個細胞追蹤數據集,共有 1,537 個問題及 9,041 項細胞連結決策。研究評測了 9 個閉源前沿模型和 13 個開放權重模型,並分析其失效模式。

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

    DirCast:以單一串流影片語言模型實時導播及解説電競賽事

    DirCast 是單一串流影片語言模型,能根據過往畫面選擇鏡頭並生成即時解説,負責電競直播的導播與解説。研究團隊以 27 場職業 Dota 2 賽事建立數據集,DirCast 的導播表現優於規則式及零樣本導播,包括 GPT-5。在 Proact-VL 評測中,其解説有 29.2% 的比較勝過 GPT-4o;觀看人工導播直播的 11 個串流解説模型中,最佳者為 19.4%。

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

    FocusVLA:以未來意圖引導視覺語言動作模型動態切換視角

    FocusVLA 根據預測的互動意圖,在機械人操作不同階段動態切換全局與局部相機視角。在 RoboTwin 2.0 上,其平均成功率較最強基線 π_{0.5} 高 10.10 pp;真實環境評估中,成功率由 71.7% 提升至 85.0%。意圖預測與動態路由模組可整合至現有 VLA 框架,無須修改核心架構。

10月21日週三
  1. DEV Community39

    FlipCheck 用 Gemma 4 和 TabPFN 從相片估算二手物品價格並生成刊登內容

    FlipCheck 用 Gemma 4 識別物品,再以 SerpApi 搜尋最多 200 筆即時 eBay 刊登,交由 TabPFN 根據物品狀況估算快速出售、公平及耐心等候價格,並生成 eBay 標題、描述和商品資料。價格依據的是目前叫價,而非成交價;TabPFN 在 CPU 上處理 200 筆刊登需時 0.2 s。程式目前未部署,可在本機運行。

  2. DEV Community27

    LazyCart:以 Gemma 2 掃描食品儲藏室並自動加入購物車

    LazyCart 使用 Gemma 2 分析雪櫃或食品儲藏室的照片,整理食材並生成只需一個鍋或平底鑊的食譜,再找出所需食材。Browserbase 雲端瀏覽器 Agent 可搜尋網上超市並將商品加入購物車,Sentry Agent Tracing 則記錄及顯示模型推理和 Agent 操作。項目以 MIT License 開源,並支援本機推理備用方案。

  3. IT之家30

    禾賽科技公佈 6D 全綵激光雷達亮點:RGB 與深度資訊在芯片級原生像素級對齊

    禾賽科技公佈 6D 全綵激光雷達亮點,稱可在芯片級將 RGB 與深度資訊原生像素級對齊,讓每個像素同時包含顏色、位置和距離資訊。今年 4 月,禾賽發布 6D 全綵激光雷達芯片平台「畢加索」;這項技術可用於直接判斷紅綠燈狀態,並讓遠處物體的顏色與距離精準對應。

  4. Hugging Face Blog62

    NVIDIA 擴展 Nemotron Retriever 系列,推出 Nemotron 3.5 Embed、Nemotron 3.5 Rerank 及 Nemotron 3.5 Parse

    NVIDIA 擴展 Nemotron Retriever 系列,推出可商用的開放模型 Nemotron 3.5 Embed、Nemotron 3.5 Rerank 及 Nemotron 3.5 Parse,涵蓋多模態檢索、重排及文件抽取。

    推薦理由:這次更新把多模態嵌入、重排與文件解析納入同一檢索系列,並列出多項基準與吞吐數據,呈現準確度和部署效率的取捨。

  5. DEV Community18

    RIVET:環境事件調查系統

    RIVET 是一個擬議中的環境事件調查系統,結合 OpenCV 影片分析與水質感測器讀數,調查水道中的可疑變化並生成可追溯的事件報告。計劃中的原型會使用 AI 智能體,在觀察不完整或互相矛盾時選擇後續分析,並以 AWS 支援數據處理和儲存。文章亦提出,將評估這種做法能否改善環境異常偵測,並提升自動監測的透明度和可靠性。

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

    關節、鏡頭、開拍!為任意骨架綁定共同生成 3D 動作與影片

    這個模型透過少量交叉注意力層連接預訓練影片生成器,為任意骨架綁定共同生成影片與 3D 動作,並推算鏡頭位置,將動作定位於場景中。研究團隊以近 200K 組訓練配對訓練模型。評估顯示,模型可按文字為不同骨架生成動作,也支援影片與骨架動作互相轉換及以關鍵影格控制 3D 動作。

  7. DEV Community47

    JolSetu 如何以 AI 讀取 20 塔卡砷測試套件,協助家庭尋找安全水源

    JolSetu 是為 Xylem Global Student Innovation Challenge 2026 建立的原型,以 AI 讀取砷測試套件結果,並協助家庭尋找附近經核實的安全水井。原型使用的 6,593 個水井數據來自 Araihazar 調查;風險模型在留出數據上的 AUC 為 0.67。系統支援離線使用及孟加拉語文字轉語音,但尚未部署。

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

    多模態重排序是一種 System One 決策

    一般視覺語言模型可透過單次前向傳遞的選擇題,充當多模態重排序器。零樣本 Qwen3.8-27B 在三項基準上均勝過監督式 Qwen3-VL-Reranker-2B,並在 MMEB-V2 視覺文件任務上以 84.79 nDCG@5 與 Reranker-8B 的 84.78 持平,延遲為其 1.1 至 1.5 倍。作者指出,模型規模及世代差異令這些比較存在混淆。

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

    Video-Point Model 透過點軌跡預測學習 4D 世界

    Video-Point Model(VPM)根據多視角影片歷史和語言指令,預測未來影片及持續場景點的 3D 軌跡。研究團隊建立 VPM-Data 和 VP-WorldBench,用於訓練及評估。在 VP-WorldBench 和現有 4D 生成基準上,點軌跡監督提升影片保真度及 3D 運動準確度;模擬及真實機械人實驗亦顯示,加入動作的模型操作成功率有所提高。

  10. DEV Community19

    Buddy AI:簡潔易用的本地 AI 伴侶

    Buddy AI 是一款多模態 AI 伴侶,以開放權重 Gemma 模型提供回應,並透過輕量網頁介面與用戶互動。項目使用 Python 和 Flask 建構後端,並探索本地推理及多模態互動;設計目標是簡化日常 AI 使用,同時減少不必要的 token 用量。

  11. HuggingFace Daily Papers(社區熱門論文)41

    EvaOmni:以證據為本的視聽推理基準測試

    EvaOmni 是一項以證據為本的基準測試,用於評估全模態語言模型能否識別視聽證據,並據此推理回答問題。基準涵蓋 392 段影片、1,027 組人工標註問答、15 項能力及三個難度層級,並要求模型同時提供答案和支持證據的時間區間。