跳到正文
10月20日週二
  1. DEV Community36

    SlothPlate 🦥:讓開放權重 AI 協助規劃餐單

    SlothPlate 是一款以 Google 開放權重 Gemma 4 驅動的餐單規劃助手,按現有食材及用戶對烹調時間和所需工夫的偏好,生成三款餐點建議。用戶選定餐點後,可整合缺少食材成購物清單,並在瀏覽器儲存計劃。目前 AI 生成需連接互聯網,提交的圖片或食材資料會傳送至模型供應商處理,亦不支援本機推理或雲端同步。

  2. HuggingFace Daily Papers(社區熱門論文)34

    Qwen-Audio-3.1-ASR 技術報告

    Qwen-Audio-3.1-ASR 模型系列在 Qwen-Audio-3.0-ASR 基礎上提升語音識別能力,並擴展説話人分段轉錄及通用音訊理解。系列支援 30 種語言和 16 種中文方言,提供適用於非同步檔案轉錄、低延遲串流、互動式語音輸入及非串流識別的不同版本。部分版本支援説話人分段轉錄和通用音訊理解,包括音訊問答、聲音事件檢測及音樂描述。

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

    OvisOCR3 技術報告

    OvisOCR3 是一款 0.8B 視覺語言模型,透過多教師知識蒸餾和強化學習,整合五類 OCR 相關任務。在 OmniDocBench v1.6 獲得 96.74 分,並在 OCRBench v2 英文及中文測試集分別取得 65.9 和 61.3 分。模型在多項文件解析、OCR、關鍵資訊提取、圖表説明及跨頁表格基準測試中取得領先成績。

  4. HuggingFace Daily Papers(社區熱門論文)66

    《並非所有特徵都同等重要》研究揭示視覺語言動作(VLA)模型按絕對座標生成動作

    研究發現,視覺語言動作(VLA)策略的動作程序會綁定絕對座標,並忽略視覺場景變化。把任務 A 的激活值注入動作專家後,pi0.5 在任務 B 場景中仍於 1,968 個回合的 99.6% 執行任務 A 的動作軌跡;涵蓋六種 VLA、420,000+ 次 rollout 的分析亦發現,目標選擇與動作生成在可區分時分別由 VLM 和 expert 路徑承擔。

  5. SiliconANGLE56

    NiCE 押注 AI、數據與問責,既有業務為轉型爭取時間

    NiCE 正以 Cognigy 為核心,把公司定位轉向 AI 平台,並將客戶互動數據和智能體問責能力置於策略中心。文章指出,獲得按自身數據生成的自動化洞察的潛在客戶,預訂的 AI 業務量是未獲洞察者的 9 倍,平台 API 用量在兩年內增至 7.5 倍。AI ARR 按年增長 52%,但部署仍是收入轉化的瓶頸。

  6. DEV Community28

    Spot-Undoo v2: Open-Weight AI Layover Studio & GPU Map Engine for Kerala

    Spot-Undoo v2 在 Week 3 從以流動裝置為先的應用程式升級為開源 AI 桌面工作室及 GPU 加速地理引擎,為 Kerala 旅客規劃轉乘行程。桌面版採用 1680px 寬屏佈局,Leaflet 地圖可達 60fps;本機透過 Ollama 執行 Qwen 2.5:3B 或 Gemma 4。系統按可用時間、預算及交通時間匹配行程,完全離線時則以數學方式備援規劃。

10月19日週一
  1. DoNews26

    Apple 研發 AI 室內攝影機 J450,主打私隱保護

    Apple 正研發代號 J450 的 AI 室內攝影機,預計於 2027 年內發布,並以不錄製影片加強私隱保護。裝置配備低幀率及紅外線感應器,支援人臉和寵物識別,並以 AI 生成環境文字描述。J450 未納入 10 月 13 日發布的 Home Collection 系列,Apple 或按該系列銷售表現決定是否推進自有品牌智能家居硬件佈局。

  2. IT之家36

    古爾曼:蘋果正研發室內攝像頭,依靠 AI 分析環境

    蘋果正研發內部代號 J450 的室內攝像頭,利用 AI 分析周圍環境,並向用戶提供文字描述,而非影片畫面。攝像頭配備低幀率感測器和紅外線感測器,支援人臉識別,以識別人員或寵物,並無法錄製家中的私密場景。古爾曼預計產品將於明年某個時候推出,但不屬於 Home Collection 系列配件。

  3. DoNews29

    空御科技完成B輪融資,獲清華系明智基金戰略投資

    成都空御科技有限公司完成B輪融資,獲蘇州明智智能製造產業投資基金(清華系)戰略投資。資金將重點用於核心技術迭代及低空安全產業佈局。其核心團隊源自清華大學電子工程系,專注多模態探測資訊融合,透過雷達、光電及無線電等多源感知,實現低空目標精準探測、識別與處置。

  4. 創業邦59

    五名當事人講述遭遇 AI 詐騙的經歷

    AIX財經訪問五名以不同方式捲入 AI 詐騙的人,記錄他們如何遇上或識破騙局。案例包括盜用照片製作換臉影片、仿冒朋友聲音索款、以交友關係誘導投資,以及寄送疑似經 AI 換臉的照片勒索;一名受訪者差點被騙投入5萬美元,另一人差點轉出5000元。受訪者識破騙局的線索包括影片細節異常、對方不肯轉頭,以及仿冒帳號狀態不符;文中提醒,遇到陌生投資項目或轉賬要求時要提高警惕。

  5. DEV Community54

    MedPort:在手提電腦本機讀取化驗報告的私隱醫療檔案工具

    作者以 MIT 授權開發 MedPort,讓本機開放權重模型讀取化驗報告和出院摘要,整理成供醫生查閲的個人醫療檔案。工具支援 PDF、掃描件和手機相片,會把提取的數值與原頁文字核對,並要求用戶逐項確認。資料留在本機,無需帳戶、雲端或 API key,亦可離線使用。

  6. DEV Community39

    Khata: Turning Paper Bills into Useful Business Records

    Khata 是為印度小商店打造的本地帳單轉帳簿原型,使用 Ollama 在本機執行 Gemma 3 4B,從帳單圖片擷取資料,供用戶核對後儲存至 SQLite。小型測試中,資料擷取總準確率為 19/20(95%);一名店主處理 10 張帳單,連同修正所需時間由 60 分鐘減至 40 分鐘。項目仍屬原型,作者計劃改善可靠性,並用更多帳單和店主測試。

  7. DEV Community48

    Ledger Lift:離線將商店手寫銷售帳簿轉成 CSV

    Ledger Lift 是桌面應用程式,可將商店手寫銷售帳簿照片轉成可編輯資料列及 CSV,並在本機處理,毋須上傳至託管 API。它透過 Ollama 執行開放權重視覺模型 qwen3-vl:2b-instruct,模型約 2 GB,下載後可離線使用。用戶須逐列核對並標記已審閲,才可下載;Apple M4 處理 15 列約需 21 秒,首列約 10 秒。

  8. DEV Community54

    AppTutorial 為 Windows 提供本機 AI 螢幕操作教學

    AppTutorial 是一款面向 Windows 的 AI 螢幕軟件教學工具,按下快捷鍵後會辨識目前使用的應用程式和用戶意圖,並逐步引導完成操作。它預設透過本機 Ollama 執行開放權重視覺模型 Qwen2.5-VL,毋須雲端 AI 或 API 金鑰;系統逐步提供操作提示,以半透明高亮標示操作位置並自動核對每一步。

  9. DEV Community53

    Kwota 將尼日利亞工匠的語音工作描述轉成 PDF 報價並透過 WhatsApp 傳送

    Aghazie David 開發 Kwota,讓尼日利亞工匠以語音描述工作後生成 PDF 報價,並開啟已填妥報價內容的 WhatsApp 連結。工具支援皮欽語、約魯巴語、豪薩語、伊博語及尼日利亞英語,使用 NaijaVox-2.0 轉錄、Gemma 3 12B 配對工匠價目表中的項目;數量會從轉錄內容抽取並核對,報價只採用工匠價目表或其口述金額,不由模型生成。

  10. HuggingFace Daily Papers(社區熱門論文)40

    FocusGUI:專為 GUI 智能體設計的聚焦全模態感知

    FocusGUI 是一款輕量級適配器,會按每一步的決策需要動態篩選多模態證據,提升 GUI 智能體的操作準確度,無須微調骨幹模型。它只需動作監督,在四個全模態骨幹模型上的平均 Type Match 提升 +33.2,Exact Match 達到凍結骨幹模型的 3.0 倍;相較最強的現有增強方法,Type Match 提升 +30.1。

  11. HuggingFace Daily Papers(社區熱門論文)40

    Omni-Woodpecker:透過證據先驗重平衡修正全模態大語言模型的幻覺

    Omni-Woodpecker(OWP)是一個免訓練框架,透過識別跨模態衝突並重平衡隱藏表示,減少全模態大語言模型的跨模態幻覺。以 Qwen2.5-Omni-7B 為骨幹時,OWP 在 CMM 和 AVHBench 分別提升 12.9 和 8.6 分;在四項通用推理基準上提升 0.67-2.25 分。OWP 亦適用於 VideoLLaMA2-AV,在相同基準上分別提升 4.6 和 3.9 分。

  12. HuggingFace Daily Papers(社區熱門論文)52

    Ropedia W0 以人類經驗擴展跨具身形態移動操作世界模型

    論文提出 Ropedia W0,一個透過統一運動學表示整合人類與機械人數據、支援跨具身形態移動操作的世界基礎模型。其 Xp-Data 包含 10k hours 的人類第一人稱視角數據及 3k hours 的機械人數據,並推出以高質素靈巧人形機械人遙操作數據為基礎的長時程基準 Xp-Teleop。

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

    SpatialScout:視覺語言模型智能體能否主動探索並繪製 3D 場景地圖?

    SpatialScout 評估視覺語言模型智能體主動探索場景並進行物件級 3D 地圖構建的能力,結果顯示模型在精確度量地圖方面仍有明顯不足。基準涵蓋 80 個室內場景及 3,140 個目標物件;表現最佳的 Claude Opus 5.5 平均重疊分數為 41.71%。其中,47.23% 的目標 IoU 高於 0.5,只有 3.25% 高於 0.9。

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

    MMedAgent-Plus:擴展多模態醫療智能體的模態、任務與工作流程

    MMedAgent-Plus 結合視覺語言規劃器與 18 個涵蓋 12 項任務、8 種模態的專家模型,協調執行多步驟醫療分析。規劃器以 208,928 個樣本進行指令微調;端到端評估中,350 個案例有 90.6% 正確調用所需專家,最終答案準確率達 0.98,高於最強基線的 0.28。

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

    TRACE:追蹤多模態臨牀軌跡以預測住院風險

    TRACE 以每日臨牀事件構建時間軌跡,提升住院死亡率、住院時間及再入院風險預測。研究在 MIMIC-IV、eICU 和 MIMIC-III 的近 180,000 次住院記錄上評估 TRACE;在九種數據集與任務組閤中,AUROC 均為最高,ACC 則在八種組閤中最高。軌跡歸因亦可定位與風險相關的住院日及資料模態。

  16. HuggingFace Daily Papers(社區熱門論文)56

    視覺語言模型的規模限制:特定子任務出現反向縮放

    這項研究發現,視覺語言模型在特定子任務上會出現反向縮放,即較大型模型有時不及同系列較小模型。研究評估 19 個模型及 8 個多模態基準,共進行 558,334 次模型與問題評估,找出 375 組出現反向縮放的子任務與模型配對。影響較大的領域包括多圖像空間推理、視覺感知及大學程度 STEM 知識,部分案例準確率差距超過 20 個百分點;圖表理解相對較不受影響。

  17. DEV Community32

    RainGuard AI:趕在下雨前外出巡查

    RainGuard AI 是一款面向屋苑的開源 AI 預防性維修助理,協助維修團隊在降雨前識別潛在風險,並將風險轉化為現場檢查任務。項目採用 FastAPI、JavaScript 前端、MongoDB Atlas 和託管的 Gemma 多模態 AI,協助分析巡查證據並生成預防建議。

  18. DEV Community29

    Architecting AI Car Stunt Videos: Inside the Multi-Model Video Diffusion Pipeline

    Roadster AI Video 把車輛分析、特技提示詞擴展、多模型影片擴散,以及時間升頻和調色整合成流程,可將單張汽車照片轉成電影感特技影片。擴散階段使用 Seedance 2.0、MiniMax H3 和 Wan 2.1 生成 720p/1080p 影格,並支援 4K 輸出。生成時間由 3D 渲染軟件中的數小時縮短至網頁瀏覽器內兩分鐘以下。

10月18日週日
  1. DEV Community61

    StoreScribe 用 Gemma 4 為 App Store 和 Google Play 生成符合欄位限制的上架文案

    開發者 Souvik Biswas 建立 StoreScribe,使用 Gemma 4 為 App Store 和 Google Play 生成符合各欄位限制的上架文案。工具可分析截圖、搜尋同類應用,並生成最多六種語言的文案;CLI 會讀取專案資料並將結果寫入 fastlane/metadata。CLI 的 --local 模式透過 Ollama 在本機執行 Gemma 4,無需網絡連線。