I Built LocalListing AI to Turn Product Photos Into Ready-to-Edit Listings
LocalListing AI 可根據產品相片及賣家提供的資料,生成可供檢視和編輯的商品列表草稿。它能撰寫商品標題、描述、關鍵字、社交平台文案及 WhatsApp 訊息,也可翻譯成 Hindi,並標示可見特徵和仍待確認的資料。開源專案預設透過 Ollama 使用 Gemma 3 4B Vision 進行本地推理;生成內容仍須由賣家檢查。
LocalListing AI 可根據產品相片及賣家提供的資料,生成可供檢視和編輯的商品列表草稿。它能撰寫商品標題、描述、關鍵字、社交平台文案及 WhatsApp 訊息,也可翻譯成 Hindi,並標示可見特徵和仍待確認的資料。開源專案預設透過 Ollama 使用 Gemma 3 4B Vision 進行本地推理;生成內容仍須由賣家檢查。
Elorian 發佈首個模型 Glimpse,作為研究預覽推出並提供 API 存取,聊天介面則僅限候補名單用戶使用。Glimpse 可在推理過程中裁切圖像區域、擷取影片影格,或執行程式碼測量及比較視覺內容,Elorian 稱這套機制為「visual scratch space」。
AgriBridge 是面向印度農民的開源 AI 農業智能平台,結合影像分析、多語言語音識別、RAG 和環境數據提供情境化農業支援。平台支援英語、印地語和孟加拉語,斷網時可將作物掃描排隊儲存在本機,但 AI 分析仍須連接後端。其 DINOv2 分類管線有 387 個輸出類別,準確度仍需進一步實地驗證。
Meta 於 10 月 15 日發佈總參數量達 8,160 億的開放權重模型 Muse Spark Open,並與 Apple 合作,讓模型可在 2 部配備 M5 Ultra 晶片的 Mac Studio 上完全本機運行。
推薦理由:文章梳理 Muse Spark Open 在 Mac Studio 叢集本機運行所需的記憶體與互連條件,並指出企業還須衡量授權限制和部署成本。
Meta 與 Apple 硬件團隊合作推出開放權重 AI 模型 Muse Spark Open,並協作確保模型可在 M5 Mac Studio Ultra 上高效運行。
DJ 及製作人 Reinier Zonneveld 推出生成式 AI 音樂平台 GasLab,獲 $1M pre-seed 融資。平台只以同意參與的藝人及唱片公司提供的音樂為基礎生成作品,並透過 Digital Notary 記錄每首作品的貢獻音樂及權利人。被歸屬的藝人可分享訂閲或發行收入。
Receipt Sorter 是 Hacktoberfest Open-Source AI Challenge 第 2 週的參賽作品,將收據及發票整理成報税檔案,並抽取資料寫入 ledger.csv。預設使用 Qwen2.5-VL 7B,透過 Ollama 在本機推理;缺少日期或總額的文件會移至 needs-review/,不會猜測。
Meta 於 2026 年 10 月 15 日開放 Muse Spark Open 權重,其 Muse Model License 對產品標示、衍生模型及商業 API 設下使用條件。
推薦理由:文章拆解 Muse Model License 對產品標示、衍生模型及 API 收入的條件,呈現下載權重後部署或微調仍須核對的授權邊界。
Meta 於 10 月 15 日開放 Muse Spark Open,並與 Apple 合作,讓開發者可透過 MLX 在 Mac Studio 本機運行這款 8,160 億參數模型。
推薦理由:文章並列模型評測與多部 Mac Studio 的本機配置,呈現其工具使用與編程表現差異,以及部署所需的記憶體規模。
Meta於2026年10月15日公開 Muse Spark Open,供編碼及多階段工作的 AI 智能體開發,並可由開發者自行執行和訓練。與 Qwen、GLM、Kimi 比較,其 Terminal-Bench 2.1、DeepSWE 1.1、MCP-Atlas、JobBench 分數分別為76.4、60、89.2、61.8,表現因基準而異。
金溢科技與北京航空航天大學團隊圍繞多模態數據生成方法開展研究,首次提出面向路側視角的交通世界模型 TWM(Traffic World Model)。相關研究探索以生成式人工智能構建可控的道路場景數據,為高速公路事件監測及運行管理中的模型訓練、測試和評估提供數據支持。
OmniVerifier-C1 將複雜的多模態規則分解為逐點評分,並以解耦式強化學習訓練分級視覺驗證器,提升對分佈外多模態批評任務的泛化能力。研究亦指出,若有真實圖像可供比較,成對驗證比逐點驗證能提供更準確的批評;迷宮和數獨等結構化世界建模任務的實驗驗證了這一方法的成效。
Liquid AI 發佈 d1-ultra 多模態決策模型,可讀取文字及圖像,並以單次前向傳遞為各個可能答案輸出概率,生成的輸出 token 為 0。Liquid AI 稱,d1-ultra 在其 112 項評測的 8 個類別領先,並在 Artificial Analysis Decision Index 得分 65、排名第 1。
CoWorld Reasoner 提出以影片世界模型作為視覺推理引擎的智能體框架,在七項基準測試中勝過同一 VLM 的直接推理。最強版本在 MMSI 和 ERQA 的相對準確率分別提升 11.8% 和 13.0%,並在五項基準測試中勝過使用相同骨幹模型的五個演進基線。
Google 公佈新旗艦模型 Gemini 4 Argon,同時將於 11 月起停止向 Google AI Plus 訂戶提供 Gemini Pro,令用戶須重新評估工作流程。Argon 主打更自主的智能體能力,並承諾提升速度、推理及多模態功能。作者憂慮新預設模型是否適合自身用途,並質疑其能力提升能否在日常使用中體現。
MJev-Spatial 基於 Qwen3.5-4B,將空間推理任務統一為單次前向傳播分類,推理時不生成答案 token。模型總分達 65.64%,在 12 項基準測試中七項排名第一,並在全部 12 項勝過基礎模型。其速度是最快自回歸基線的 2.5 倍、基礎模型的 5.6 倍。
MMSearch-OPD結合可控數據精煉、強化學習(RL)與 on-policy distillation(OPD),提升長程多模態搜尋能力。Refine 流程擴展現有簡單多模態問題的推理鏈,並控制搜尋深度及跨模態證據要求。實驗顯示,數據精煉帶來提升,而在 SFT 後聯合訓練進一步改善搜尋能力。
小米開源空間音訊理解大模型 MiDashengLM-Spatial,公開完整模型權重及推理程式碼,並採用 Apache 2.0 授權。該模型以 MiDashengLM-7B 為基座,是業界首個開源端到端空間音訊理解大模型,具備空間感知與推理能力。模型將陸續應用於小米智能家居及汽車座艙等場景。
Meta 已公開 Muse Spark Open 的模型權重,這款面向編碼及長時程智能體任務的多模態模型共有 816B 參數,每個 token 啟用 42B。
推薦理由:文章並列智能體評測成績、其他基準的相對表現與桌面部署硬件需求,呈現模型的能力定位及本機運行門檻。
Meta 發佈 Muse Spark Open,這款 Muse Spark 的開放權重 MoE 模型有 816B 參數、每個 token 啟用 42B,並支援 1M-token 上下文窗口。
推薦理由:文章對照 Muse Spark Open 在 MCP-Atlas 與 Terminal-Bench 2.1 的成績,呈現工具使用與編碼測試的表現落差。
SCOPED 為不同能力分別訓練專家,透過獎勵引導反思提取技能,再以在策略蒸餾將程序知識整合至統一視覺語言模型。蒸餾時,技能只用於引導專家監督,不會提供給統一模型在推理時使用,以減少不同能力之間的幹擾。在八個多模態基準測試中,SCOPED 持續優於骨幹模型及混合能力強化學習方法。
EVA-Cap 將視聽影片描述拆解為原子視聽事件,並透過以事件為中心的對齊優化描述生成。該框架在自建 EVA-Data 數據集上以監督式微調(SFT)及羣組相對策略優化(GRPO)訓練,並針對事件完整性、事件內歸因及事件間同步進行優化。評測中,EVA-Cap 在 ChronusAV 的事件中心評測平均提升 +9.0%,在 WorldSense 提升 +3.3%。
Meta 於 2026 年 10 月 15 日推出 Muse Spark Open,這款開放權重模型共有 816B 參數,權重可免費下載。模型採用混合專家架構,每個 token 啟用 42B 參數,支援 1,048,576 token 上下文及文字、圖像、音訊和影片輸入,並以智能體編碼為設計方向。
推薦理由:文章把免費下載、本地運行所需硬件與商用授權條件放在一起,交代 Muse Spark Open 從取得權重到實際部署的門檻。
閲文升級 DramaBuddy 漫劇助手,並完善 OPC 一站式漫劇平台體系。平台開放閲文 200+ 內容流派 IP 資源,以 AI 製作工具打通劇本、分鏡及視覺製作流程,並聯動起點漫劇、ToonScroll、騰訊生態及第三方渠道推動全球發行。平台亦落地 A→S 創作者評級體系,透過分層激勵扶持創新內容。
MaLoW(Memory as LoRA Weights)將串流影片歷史逐步編碼至固定大小的 LoRA 權重,以權重承載長期記憶。其模型在 OVO-Bench 和 StreamingBench 分別取得 74.5% 和 84.8%,並在參數規模由 0.8B 至 11B 的基礎 VLM 上帶來一致的效能提升。
Intern-Decision 提出 0.8B、2B 和 4B 多模態決策模型,可根據文字及可選圖片輸出結構化選擇和候選項目概率。4B 模型在七個評測套件的未加權平均準確率為 90.02%,高於 Jev v1.13.0 的 88.74%;固定 289-token、含三個欄位的請求在單張 RTX 4090 上平均延遲為 44.16 ms。
Meta 公開 Muse Spark Open 的模型權重;這款 MoE 模型共有 816B 參數、每個 token 啟用 42B 參數,並設有 1 million tokens 的上下文窗口。
推薦理由:文章交代 Muse Spark Open 開放權重後的本地部署條件,並比較桌面硬件、資料中心 GPU 與雲端 API 三種使用方式。
小米宣佈推出空間音訊理解大模型 MiDashengLM-Spatial,並以 Apache 2.0 授權公開完整模型權重及推理程式碼。模型以 MiDashengLM-7B 為基礎,在理解音訊內容之外加入空間感知與推理能力,並將陸續應用於小米智能家居及汽車座艙。
NVIDIA 發佈開放多模態模型 Nemotron 3.5 Super VL,面向持續運行及執行多步任務的 AI 智能體。模型採用 MoE 架構,總參數量為 1200 億、激活參數為 120 億;NVIDIA 稱,其在單張 GPU 執行智能體任務時,吞吐量最高可達同規模其他開放模型的 5 倍。
Meta 發佈開放權重模型 Muse Spark Open;該模型可在兩台配備 M5 Ultra、512 GB 記憶體的 Mac Studio 上本地運行。模型採用原生多模態架構,總參數量為 816B(激活參數 42B),上下文窗口為 1M token。
推薦理由:文章並列 Muse Spark Open 的參數規模、上下文窗口及兩台配備 M5 Ultra、512 GB 記憶體的 Mac Studio 本地運行條件,呈現其桌面部署門檻。
ListLens 讓 Etsy 和 eBay 賣家上載 1–8 張產品相片,以開放權重 AI 約 15 秒生成商品刊登文案。流程先由 llama-3.2-90b-vision-preview 擷取相片屬性,再交由 llama-3.3-70b-versatile 生成標題、描述、標籤和分類;上載相片會縮至不超過 1024px,令視覺 token 用量減少約 70%。
Meta 發佈開放權重 AI 模型 Muse Spark Open,採用原生多模態架構,總參數量為 816B(激活參數 42B),支援 1M token 上下文窗口。
Meta 發佈 Muse Spark Open 的開放權重,這款 816B 參數模型面向編碼及長時間運作的智能體任務。其上下文窗口最高為 1 million tokens;Meta 的測試中,模型在 JobBench 得分 61.8,在 MCP-Atlas 工具使用測試得分 89.2。
推薦理由:文章比較 Muse Spark Open 在編碼與工具調用基準上的表現,並交代開放權重的商用授權條件,呈現其能力側重與使用限制。
bill2quote 使用本地視覺模型讀取 Alberta 公用事業帳單,找出能源費和行政費,生成節省比較及可供登記的資料。程式以 20 項確定性檢查驗證讀取結果和計算,並由人員在報價前確認數字。測試合成帳單時,Qwen3-VL 8b 有 7 張帳單的關鍵報價欄位全數正確,平均每張處理約 73 秒。
這項比較指出,Claude 3.5 Sonnet 在推理、編碼和創意寫作方面表現最佳,ChatGPT 的 Deep Research 與 Gemini 的多模態能力亦各有優勢。Gemini 1.5 Pro 支援 2M token 上下文和原生影片理解;Deep Research 可瀏覽 50+ 個來源,於 5-15 分鐘內生成附引文報告。
NVIDIA 發佈 Nemotron 3.5 Super VL,這款開放式 120B 多模態智能體模型每個 token 啟用 12B 參數,可處理文字、圖像、文件及影片。
Meta 發佈開放權重模型 Muse Spark Open,主打在 Mac 本機運行,採用 816 billion 個參數及 1 million token 上下文窗口。
Xiaomi-Lens-0 是基於 Qwen3.5 構建的 4B 多模態模型,透過自身視覺表徵預測遮罩,以改善細粒度區域推理和指代理解。在 RefCOCO、RefCOCO+ 和 RefCOCOg 的全部八個 split 中,其指代理解平均較 Qwen3.5 高 5.6 分,並在所比較模型中取得最高分割 cIoU;它亦在所有感知基準上勝過 Qwen3.5。
MARS 是一種免訓練方法,利用從 LLM 主幹提取的文本拒絕方向,在無須多模態安全數據的情況下引導多模態模型提升安全性。該方法在五個 SOTA 多模態大語言模型上接受安全性、效用及影片越獄評測,提升安全性的同時保留效用,但可能出現過度拒絕。
阿里巴巴於 2026 年 10 月 13 日在中國開售 Qwen N1 和 N1 Pro AI 眼鏡,N1 標價 2,999 yuan,N1 Pro 標價 3,499 yuan。