小米 MiMo-V2.5-Pro 與 MiMo-V2.5 下線,分別自動切換至 V2.6-Pro 和 V2.6-Flash
小米 MiMo 於 2026 年 10 月 21 日 10:00(UTC+8)下線 mimo-v2.5-pro 和 mimo-v2.5;相關請求自 2026 年 10 月 14 日 18:00(UTC+8)起已分別自動路由至 mimo-v2.6-pro 和 mimo-v2.6-flash。
小米 MiMo 於 2026 年 10 月 21 日 10:00(UTC+8)下線 mimo-v2.5-pro 和 mimo-v2.5;相關請求自 2026 年 10 月 14 日 18:00(UTC+8)起已分別自動路由至 mimo-v2.6-pro 和 mimo-v2.6-flash。
照片轉 3D 模型難以切片,常見原因包括 GLB 和 STL 缺少尺寸資訊、非流形幾何修復失敗、浮雕缺少背面或厚度,以及模型細節遠細於噴嘴可列印的範圍。PhotoSTL 先以列印配方設定目標尺寸、底座厚度和最小壁厚,再生成模型。匯出的 STL 或 3MF 已按最終尺寸處理,下載前亦會檢查模型能否列印。
AI 硬件創業者需要回答三道考題:端側能否提供足夠智能、產品能否切中用戶需求,以及公司能否按研發與生產節奏管理資金。端側部署須兼顧模型容量、存儲帶寬、延遲、私隱與成本,HBF 是值得關注的技術方向。產品設計要從高頻場景和真實需求出發,並以實際使用、續費和銷售驗證。
Deepfine 與 Seoul Metro 合作開發 AI 電車安全平台,透過多感測器分析電車軌道附近行人、自行車及車輛的動向,識別潛在危險。平台將以智能眼鏡向司機提供危險警示及減速建議,並透過 Wirye Line 示範驗證技術。Deepfine 設定的目標包括危險物體及情況偵測準確率至少 95%、警示顯示反應時間不超過 0.5 秒,以及司機視線範圍外危險偵測率至少 90%。
MMEnterprise-Bench 評測多模態智能體如何推理不斷演變的工作紀錄,並處理證據衝突與缺失。基準包含來自模擬協作項目的 1,613 條問題,分為證據推理、衝突解決及無法作答三類,並用於評估 10 個閉源及開源多模態 LLM。即使是表現最強的模型,遇到跨來源或時間衝突、或證據分散於多張圖片時仍有困難;增加檢索預算或使用更大型的檢索器,也未必能提高答案準確度。
3 Seeti 用手機上的開放音訊模型 YAMNet 偵測壓力煲鳴笛,逐次語音報數,並在最後一次鳴笛後提醒關火。YAMNet 在瀏覽器本機運行,音訊不會錄製或上傳;首次載入後,應用程式可離線使用。19 種日常菜式由應用程式內的資料表提供答案,其他菜式則交由 Groq 免費方案上的開放權重模型 GPT-OSS 20B 處理,這項功能需要連線。
Generalized CycleGRPO 提出統一的強化學習框架,以區域理解與定位之間的循環一致性,改善多模態模型的區域定位及影片時間辨識,訓練時無需外部評審。
Foundation4D 是面向自動駕駛車輛的統一前饋模型,可從多相機行車影片聯合估算幾何、偵測物件、預測語義佔用及重建高斯。
LaLa-World 是以語言為條件的潛在世界模型,整合模擬、機械人軌跡及圖像和影片數據,提升跨領域的模型預測控制規劃表現。與基於 RAEv2 的影片生成模型基線相比,它以少 6 倍的訓練成本達到相若規劃表現,規劃速度快 13.9 倍。預訓練的 LaLa-World 亦可用於初始化 LaLa-Policy,後者在 LIBERO 和 RoboCasa 上表現具競爭力,推理速度最高快 5.5 倍。
Octave 為 Reliance 在 Amazon Bedrock 上建立三層多租戶 AI 基礎平台,以支援受監管產業的文件搜尋與 AI 工作流程。平台採用 Cohere Embed v4,並以每租戶向量儲存、AgentCore 隔離執行環境及 Amazon Bedrock Guardrails 分層控制資料存取與內容風險。
推薦理由:文章拆解多租戶合規場景中的隔離、身份與內容安全取捨,並呈現如何把共用基礎設施轉化為可重用的 AI 功能底座。
Low Key Builds 製作了 Sunlo 這款免費網頁應用程式,可將 WhatsApp 語音訊息轉成烏爾都文、Roman Urdu 及英文翻譯,免帳戶使用並支援最長 10 分鐘錄音。
vLLM 發佈 vLLM TorchTPU(vllm-torchtpu)後端,讓 vLLM 可在 Google Cloud TPU 上運行,並沿用既有模型程式碼及服務介面。
Zoom在Zoomtopia公佈多項AI產品更新,核心是已可使用的Unified Context Layer,讓智能體共享會議、通話及客戶互動脈絡。該層連結對話資訊、文件及 Salesforce、ServiceNow 和 Workday 等系統資料;Zoom稱內部基準測試顯示,相較智能體各自解析資料,成本降低45%至65%,但未提供獨立驗證。
Mealumo 開發者為 iOS 打造以照片記錄餐點的應用程式,並解釋 AI 為何無法從照片辨認已融入食物的烹調油。照片會傳送至外部 AI 服務,估算食物、份量及營養素,供用戶編輯;一湯匙橄欖油約 120 kcal。Mealumo 僅提供英文版本,需 iOS 26 或以上,免費下載,並設有可選的 PRO 訂閲及 3 日免費試用。
禾賽今年 4 月發布全球首個 6D 全綵激光雷達芯片平台「畢加索」,在芯片級將三維空間資訊與 RGB 色彩資訊實現原生像素級對齊。激光雷達輸出的每個點均帶有 RGB 與 XYZ 資訊,可減少跨傳感器資訊衝突及數據配準誤差。原生 RGB-D 數據亦可縮短數據採集至模型訓練的鏈路,並簡化感知系統架構。
作者以全本地串流語音翻譯系統量度日語與英語即時翻譯的等待成本,發現英譯日的早期譯文幾乎無法保留至完整譯文。使用相同 Qwen 後端比較句子前 50% 時,日譯英的前綴保留率為 0.184,英譯日為 0.014,相差約 13 倍。系統須等到動詞出現才輸出,以免譯文反覆改寫,但會增加延遲。
麻省總醫院布里格姆專家團隊開發的 AI 模型可單憑一張面部照片估算癌症患者死亡風險,為治療決策提供參考,而非取代醫生判斷。研究於10月19日刊於《柳葉刀·數字健康》,模型以超過4000萬張面部照片及約3萬張癌症患者照片訓練,估算年齡的誤差約為5年。
小米 Xiaomi MiMo-V2.6-Pro 正式上線 WorkBuddy,支援 1M 上下文及多智能體分工協作。該模型在 Artificial Analysis 智能指數取得 46 分,在全球開源模型中排名第一,並支援圖像、影片、音訊及文本全模態聯合理解。
PyTorch 2.15 為 Mac 的 MPS 後端加入 FP8 支援,並加快 LLM 解碼及多項 Metal 運算。在 M3 Ultra 使用 torch.compile 時,Qwen3.6-35B-A3B 的 MoE 解碼速度由 9.4 升至 61.3 tokens/s;Wan2.2 影片 VAE 解碼的峯值驅動程式記憶體由約 270 GiB 降至約 8 GiB。
推薦理由:文章列出 Mac MPS 上的模型解碼提速和 Wan2.2 影片 VAE 記憶體降幅,具體呈現 PyTorch 2.15 後端更新對本機推理工作負載的變化。
Samsung 與 Reality Defender 簽署備忘錄,合作為 Galaxy 企業裝置開發本機深度偽造偵測方案,分析語音、影片及圖片。方案以 Samsung Knox 為基礎,初步面向新加坡企業,適用 Galaxy S26 系列及後續型號和高階 Galaxy 平板。目前未公佈推出日期、價格、偵測準確率或獨立測試結果。
這項研究系統審查 POPE 基準的 VLM 是/否答案讀取方式,發現讀取選擇造成 6.13 個百分點的對抗集 F1 變化。
聲納探魚器、水下攝影機和智能打窩船等電子設備,正改變垂釣者找魚、觀魚和投餌的方式,催生水下垂釣設備市場。全球探魚器市場規模預計由2026年的6.3億美元增至2035年的10億美元,年複合增長率為5.2%。潛行創新9月30日推出的CanFish F2融合水下視覺、智能聲納與AI輔助功能。
CNET 試用 Baseus PrimeSentinel W1 窗口攝影機,指出其磁吸安裝和可調鏡頭角度,適合受租約限制的租客監察門外及泊車位置。售價為 $100,具備 4K 解像度和免費 AI 物件偵測,並可透過 microSD 卡免費本地儲存影片。動態及物件偵測有時會因陰影誤報,而夜視需要少量光線才能有效運作。
Cloudflare 在 Workers AI 推出 Clairic 預覽版,這款 System One 抽取模型可從文字或圖像抽取及計算具類型的欄位值,而非生成文字。
Vercel 擴充 AI Gateway,新增 NVIDIA Nemotron 3.5 Lightning、Elorian Glimpse 和 Liquid AI d1-ultra 三款模型。
Eşya Bul 的驗證器以 CLIP 比較商品圖片與候選描述,最高正向分數超過 0.85 才保留刊登項目;這不代表準確率達 85%。Softmax 分數受納入比較的候選描述影響,各商品組別的分數也未必是可直接比較的校準機率;分數不能證明賣家誠信、商品運作正常或仍有貨。文章建議按商品組別和多個閾值統計誤收與誤拒,固定候選描述,並把同一刊登的近似照片放在同一資料切分中。
研究提出 PhysRSI-eval,量化視覺語言智能體在實體操作中的遞迴自我改進能力,並分析其觀察性擴展規律。五軸指標涵蓋首次嘗試表現、效率、成功、預算及從失敗中改進;研究在固定互動預算下測試不同 VLM 的 18 項操作任務。移除歷史記錄會降低後期成功率,凍結工作空間對未見佈局仍有用,三個跨任務案例亦較早成功。
Mangoslab 研發的 Nemonic Dot 盲文打印機獲《時代》2026 年度最佳發明獎。設備內置 AI 系統,支援超過 100 種語言,可即時將語音或文字轉成凸點盲文,印在寬 12 毫米的塑膠或金屬標籤上,凸點高 0.6 毫米。產品計劃於 2026 年第四季公開發售。
IT之家上手測試聯想 YOGA Pro 15 RTX Spark,展示 RTX Spark N1X 在端側 AI、專業創作及遊戲中的實測表現。128GB 統一記憶體版本在 Comfy Desktop 以 FLUX.2 DEV NVFP4 Turbo 生成單張圖片需 16.6s,使用 LTX-2.5 NVFP4 生成 8 步 720P/120fps 影片片段需 71.15s。
Visual-Attribution Gating(VAG)以對比驗證篩選多模態 RLVR 的 on-policy 自我蒸餾(OPSD)更新,避免把無視覺依據的教師修正傳給學生模型。
Cloudflare 公佈 Clairic 預覽版,這款抽取模型運行於 Workers AI,可按指定欄位處理文字及最多 4 張可選圖片。模型會一次並行回答各欄位,為標量答案附上信心分數與 p_null,文字答案則提供字元偏移;Cloudflare 表示計劃稍後公開權重,現時尚未發布。
研究提出以低秩適配器進行參數高效微調,將多模態骨幹模型用於腦編碼,並把適配規模擴展至最多 104B 參數。方法在九個多模態骨幹上提升腦編碼表現,並在 Qwen3-Omni 上取得 Algonauts 2025 Challenge 最佳已發表成績。多 LoRA kernel 支援 200+ 個適配模型組成的集成,於撰文時在 Algonauts 賽後公開排行榜排名第一。
林嶽以演員吳越遭視頻號帳號盜用形象和聲音推銷護膚品為例,分析 AI 盜臉帶貨的低成本及維權取證困難,並提出技術、平台應用與法規協同治理。文中稱,普通精度的明星換臉影片每條成本只需75元,數字人工具月費為198元,聲音克隆只需3秒片段樣本。他建議平台核驗高風險帶貨內容、留存溯源記錄,並降低權利人的舉證負擔。
OpenVLHarness 將持續多模態記憶、異質工具介面和迭代證據組合用於多模態推理,在 22 項基準上較匹配的無工具基線提升 9.7–12.6 分。研究涵蓋八個開源及專有模型,包括 Qwen3-VL-8B(+11.2)、Kimi K3(+9.7)和 GPT-6 Astra(+9.9)。
Stateful Harness 將世界狀態演變與凍結影片渲染分開,以提升含隱藏狀態的互動世界模型一致性及規則遵循能力。在 WorldState-Bench 的 50 對反事實孿生案例中,MiniMax-H3 指定所需結局後,兩種情況均產生要求結局的比例由 32% 升至 64%;完整 Stateful Harness 配合同一凍結模型則達 92%。
InfiniDream 是一套視覺語言模型框架,透過符號化程序資產生成及確定性場景放置,生成開放式、可編輯的照片級寫實 3D 世界。其文字到世界流程結合語義場景規劃與確定性視錐引導網格放置,以構建具精確物件放置、程序化填充及動畫的大型 3D 世界。在 100 項物件及 20 項場景生成任務中,InfiniDream 在四項感知指標上均有提升。
Ray-Ban 與 Meta 宣佈 Ray-Ban Meta(Gen 3)即日起在香港及澳門發售,建議售價 3,759 港元起,消費者可透過 Ray-Ban 零售門市、EssilorLuxottica 旗下零售品牌門市及其港澳批發網絡購買。
DeOverlay 以來源錨定流匹配移除影片中的字幕、標題和標誌等疊加內容,並保留場景結構。它提出 DVTE-Bench,涵蓋 1,631 組配對影片及八類文字疊加;DeOverlay 在五項重建與感知指標上均勝過四個基線,Mask LPIPS 和 Mask VFID 較最佳受測基線分別降低 58.3% 和 70.3%。
Microsoft 完成 MAI-Base-2 的預訓練,這款大型語言模型採用全層 MoE 架構,總參數為 2.8 trillion,啟用參數為 80 billion。
Cloudflare 的 Clef 27B 多模態決策模型現可在 Ollama 本機執行或 Ollama Cloud 使用。模型支援文字及圖像輸入,根據狀態和具型別問題作出決策,兼容 Jev 和 System One API;模型以 Qwen3.8-27B 微調,採用 Apache 2.0 授權。