跳到正文
10月14日週三
  1. HuggingFace Daily Papers(社區熱門論文)51

    TacitVLA:降低具推理能力視覺語言動作模型的延遲

    TacitVLA 是一種視覺語言動作(VLA)模型,其動作專家在當前呼叫中不讀取生成的推理文本,令動作無須等待自回歸解碼。在 RoboMME、RMBench、LIBERO 和 PhysicalAI-AV 四項基準上,其表現匹配顯式推理版本,延遲最多降低 3.4x;與同架構、未以推理訓練的版本相比,延遲相當而成功率最高提升 17.1%。

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

    AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards

    AesCode以解耦的跨模態獎勵進行強化學習,提升程式碼生成視覺作品的空間規劃、美感及可驗證正確性。相較使用相同參考圖像的同規模 Qwen3-VL 基線,AesCode-8B 和 AesCode-32B 的視覺品質分數分別提高 31.1 和 22.4 個百分點,達到與 GPT-5.5、Claude Opus 4.8 等閉源前沿模型相若的水平。

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

    EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ

    EgoExplorer 是一套以可穿戴系統建構的 100 小時人類移動操作觀測資料,將第一身影片、重建的全身動作、精細手指動作、觸覺觀察及逐步描述對齊。研究提出 Calibrate-Complete-Constrain 流程;相較最強基線,身體點誤差降低 71.9%,配對評估亦顯示手部穩定性及接觸估計有所提升。

  4. 創業邦85

    Google 全球上線 Gemini 4 Argon

    Google 全球上線 Gemini 4 Argon,Pro 用戶可在 Gemini 應用及搜尋 AI 模式體驗,開發者可付費透過 API 使用。模型結合圖像、影片及語言理解、推理與程式碼執行,並可呼叫工具;官方公開的 19 項基準中,最高思考級別取得 13 項單獨最高、1 項並列最高。

    推薦理由:文章並列 Chrome 重構、ADK 長時間維護及新酶設計等案例,呈現 Gemini 4 Argon 在程式工程與科研任務中的實測範圍。

  5. DoNews44

    雲蝶科技完成數億元B+輪融資

    雲蝶科技於10月14日宣佈完成數億元B+輪系列融資,由StellarS Capital、亞洲聯合基建、長浙投資等機構及個人共同投資。本輪資金將重點投入具身智能技術研發及真實行業場景的規模化落地。公司已形成垂直大模型、行業智能體及視覺識別等產品能力,服務超過4000家企業客戶。

  6. Ai2 / Allen Institute for AI38

    How Molmo 2’s open release helped an MIT researcher rethink fish tracking

    Molmo 2 開放提供模型、程式碼和訓練資料,讓 MIT 研究員 Kai Van Brunt 得以將其微調為 Molmo2Fish,用日常語言修正聲納影片中的三文魚追蹤結果。Molmo2Fish 微調後、未經修正時的表現大致與專用魚類追蹤系統相若,但不同河流的結果有所差異;語言指令能修正部分錯誤,模型目前仍是研究項目,尚未部署。

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

    WinARDet:以壓縮窗口自回歸實現長時程視覺語言定位

    WinARDet提出壓縮窗口自回歸機制,透過限制窗口內的自回歸並壓縮過往窗口,減少密集場景中的重複方框輸出。在每張圖像含有 200-2,000 個物件的 RSDense 上,WinARDet 將 RexOmni F1-score(IoU=0.5)由 32.16 提升至 39.36,冗餘率由 35.48% 降至 13.00%。該方法亦適用於平行方框解碼及多邊形生成。

  8. HuggingFace Daily Papers(社區熱門論文)54

    PrismaCoder 以分解式評分規準推進開放多模態程式碼智能

    研究團隊提出 PrismaForge,以合成評分規準拆解多模態程式碼資料的品質要求,並用於資料篩選及模型訓練。團隊據此建立 PrismaCoder-2M 數據集,並訓練、發布 PrismaCoder-9B 和 PrismaCoder-35B。兩款模型大幅領先開放模型的現有水平,並可與領先專有系統匹敵;該評分規準流程亦提升不同模型骨幹的多模態編碼表現。

  9. HuggingFace Daily Papers(社區熱門論文)39

    GAFU:解鎖統一多模態模型的細粒度理解能力

    GAFU 是一種後訓練框架,將生成端視覺表徵壓縮為精簡的 G tokens,供理解路徑按任務檢索,以提升統一多模態模型的細粒度視覺理解能力。與使用相同數據訓練的 SFT 基線相比,GAFU 在 VStar-Bench、OmniSpatial 和 VSR-Bench 的相對提升最高分別為 20.00%、17.94% 和 8.62%。

  10. HuggingFace Daily Papers(社區熱門論文)37

    Lluna: Collaborative Unimodal Models for Missing-Modality Inference

    Lluna 透過私有單模態預測、圖式殘差協作及漸進式一致性訓練,改善模態缺失時的多模態預測。在涵蓋情感運算、場景理解及醫療預測的八個數據集上,Lluna 的 Mean-Missing 平均表現較最強評估基線提升 4.26%。固定錨點診斷顯示,八項任務在最少輸入下的平均協作均有正向提升;程式碼已提供。

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

    MInfoVisQA:資訊密集型視覺問答的多語言基準

    MInfoVisQA 是一個涵蓋 24 種語言的平行基準,評估多模態大語言模型在資訊密集型視覺問答中的跨語言穩健性。基準包含 8,960 組問答配置,研究評估了 25 個模型;兩個語言對齊問答平均準確率同為 80.4% 的模型,跨語言表現差距分別達 7.8 和 20.3 個百分點。固定使用英文提問時,25 個模型在非英語視覺素材上的得分均較低。

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

    Equal CER, Unequal Damage: Severity-Weighted Character Error Rate for OCR

    研究提出 semCER,利用 LLM 評審按嚴重程度為字素編輯加權,令 OCR 和視覺語言模型的評分比標準 CER 更貼近人類評分。semCER 保留 CER 的對齊方式和分母,無需分詞,並將錯誤拆解為具名編輯。研究公開 61 million 個經評審的編輯、彙總讀者評分及蒸餾評分器。

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

    Intern Lumina U2:用於全方位視覺理解與圖像生成的多碼本擴散大語言模型

    Intern Lumina U2 是一款採用多碼本離散視覺 token 的擴散大語言模型,將文字與圖像、影片及 3D 生成整合於單一主幹網絡,並支援圖像、影片和 3D 輸入。它在視覺理解、圖像生成及圖像編輯方面於統一模型中表現領先,並以穩定性感知取樣策略令圖像生成加速 4.45x。

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

    BlenderWorld:評測視覺智能體根據真實世界參考資料進行 3D 創作

    BlenderWorld 是評測多模態語言模型完成真實世界參照 3D 創作的基準測試,涵蓋 223 項任務。評估採用多角度渲染及 2,651 項二元評分準則;13 個前沿模型中,GPT-6-Astra 以 79.9 分居首,Opus-5 得 73.0 分,GPT-5.6-Sol 得 67.7 分。模型仍難以掌握細緻的 3D 空間一致性及準確重現結構。

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

    WorldCast: Exploring Intelligent Visual Generation in World State Prediction

    WorldCast研究提出多模態生成模型的四級能力層級,並設立評估多步世界狀態預測的基準測試。基準涵蓋八個類別的320個人工設計案例,評估12個具代表性的模型;GPT-Image-2.5 System 得分72.8,Nano Banana Pro 得分42.8,最佳開源模型得分20.1。結果顯示,開源模型在複雜脈絡、交織參照及推理密集任務上仍有明顯差距。

  16. Google DeepMind84

    Gemini 4 Argon:為解決最棘手的問題而打造

    Google DeepMind 發佈 Gemini 4 Argon,今日起按用戶類別透過 Gemini API、AI Studio、Google Antigravity、Gemini app 及 Search 的 AI Mode 提供使用。

    推薦理由:文章並列 Argon 的跨領域基準表現、使用入口、定價與工程及科研案例,讀者可據此瞭解其能力定位和實際應用範圍。

  17. DEV Community41

    ListingLift:供轉售者使用的本地 AI 商品刊登文案工具(Hacktoberfest HF26 Week 2 — Side Hustle)

    ListingLift 是供轉售者使用的本地 AI 商品刊登文案工具,透過 Ollama 在賣家裝置上運行 Gemma(gemma4:e4b),按商品照片生成刊登內容。它會產生標題、SEO 標籤、描述、建議價格範圍、商品狀況備註及平台提示。工具毋須雲端 API,亦可在沒有網絡訊號時使用。

10月13日週二
  1. Lovable Blog29

    如何將 Replicate 整合至 Lovable?

    Lovable 可透過無程式碼介面及 API 能力整合 Replicate,讓開發者在應用程式中使用圖像生成、文字轉語音和影片等 AI 模型。開發者可先在 Replicate Playground 測試及調整模型,再將 API 程式碼加入 Lovable;Replicate 亦提供模型部署和硬件擴展功能。

  2. 第一財經55

    肺癌多模態大模型 DeepGEM 2.0 發佈,基因檢測費用有望降至數百元

    鐘南山團隊與金域醫學聯合開發的肺癌病理基因多模態大模型 DeepGEM 2.0 正式發佈,可利用常規數碼病理切片圖像進行基因預篩。模型涵蓋國內已獲批肺癌靶向藥對應的 12 個基因,預測精確度最高可達 90%,最快 1 分鐘輸出結果。採用「AI 初篩+特定基因靶向驗證」模式,有望將肺癌基因檢測費用降至數百元。

  3. IT之家25

    Apple 首款智能家居中樞 HomeView 攝影機規格曝光:1130 萬像素 Sony IMX614 感光元件

    Apple 首款智能家居中樞 HomeView 攝影機規格曝光,配備 Sony IMX614 CMOS 感光元件,有效像素約 1130 萬。它可拍攝 3744 × 3024 照片,影片錄製支援 30FPS/60FPS,並採用 RGB 成像。HomeView 可識別人體、人臉、手部、貓和狗,支援 3D 人臉追蹤及裝置距離偵測,但不支援 Face ID、紅外線和螢幕距離偵測。

  4. IT之家42

    哈囉 Robotaxi 發佈生成式駕駛世界模型 HelloWorld,整合場景控制、連續生成、多感測器觀測與高效推理能力

    哈囉 Robotaxi 昨天宣佈推出生成式駕駛世界模型 HelloWorld,整合場景控制、連續生成、多感測器觀測與高效推理能力。模型可根據自然語言描述或編輯車輛、行人及運動軌跡,生成多視角影片與激光雷達觀測;施工、密集交通、雨雪、霧天及不同光照條件均可用來引導生成。

  5. DoNews41

    哈囉發佈生成式駕駛世界模型 HelloWorld

    哈囉於2026年10月13日在深圳發佈生成式駕駛世界模型 HelloWorld,可按自然語言指令或手動編輯車輛、行人及運動軌跡,生成多視角影片與激光雷達觀測數據。研發人員可構建行人橫過、前車變道、雨雪天氣及晝夜切換等長尾測試場景,補足真實路測對罕見情境的覆蓋不足。該模型旨在加快自動駕駛演算法迭代及安全驗證。

  6. elsewhere:文章63

    自然意志發佈首個物理世界通用基礎模型 Natura-1

    自然意志發佈 Natura-1,這款 500 億參數的物理世界通用基礎模型以 100 萬小時第一人稱人類經驗完成預訓練。模型以語言和視覺為輸入,可在 100 毫秒控制迴路中驅動 20 自由度靈巧手。在自建的 12 維度基準中,Natura-1 的 Base 和 Agentic 綜合得分分別為 53.4% 和 59.1%;Agentic 在全部 12 個維度取得最高或並列最高得分。

  7. IT之家33

    導演徐克談 AI:幻覺與真實交織,界線日益模糊

    導演徐克在法國盧米埃爾電影節表示,AI 正日益模糊現實與幻覺的界線。資訊來源增多、傳播加快,令內容更易被塑造、真實來源更難追溯;圖像、影片和文字均可生成或修改,觀眾難以確認內容是否反映真實事件。他亦認為,AI 普及可能影響人們對自我身份及外部世界的理解。

  8. Unite.AI78

    AMD 將以約 $8.2B 全股票交易收購 World Labs

    AMD 於 2026 年 9 月 28 日宣佈,已達成協議,將以約 $8.2B 的全股票交易收購由 Fei-Fei Li 領導的 World Labs。交易完成後,Li 將出任 AMD 執行副總裁兼首席科學家,World Labs 團隊會繼續專注 AI 模型研究。交易預計於 2026 年底前完成,尚待監管批准及其他慣常交割條件。

    推薦理由:收購安排把 World Labs 的模型研究團隊納入 AMD,並列明 Fei-Fei Li 完成交易後的職務,呈現 AMD 將模型專長接入硬件規劃的方向。

  9. IT之家49

    三星首款智能眼鏡曝光:約 41 克重、驍龍 AR1 Gen1,預計下月上市

    三星首款智能眼鏡預計下月開售,搭配標準鏡片重約 41 克,搭載驍龍 AR1 Gen1。眼鏡沒有顯示屏,配備 1200 萬像素攝像頭,支援以 30 幀錄製 3K 影片;眼鏡本體最長可用 9 小時,搭配充電盒最長可用 72 小時。Gentle Monster 款將在韓國和美國發售,Warby Parker 款僅在美國上市,售價尚未公佈。