跳到正文
10月8日週四
  1. IT之家80

    OpenAI 向所有 ChatGPT 用戶推出 GPT-6 系列模型及智能介面

    OpenAI 宣佈向所有 ChatGPT 用戶推出 GPT-6 系列模型及智能介面(Intelligent UI),ChatGPT 全球每週活躍用戶超過 12 億。

    推薦理由:GPT-6 系列此前僅供 ChatGPT Work 和 Codex 使用,現已開放予所有 ChatGPT 用戶;智能介面可按問題組合文字、圖像及互動元件生成回覆,亦支援圖表、按鈕和表單。

  2. 字節 Seed:Research Feed59

    Seedream 5.0 Pro 正式發佈,提升圖像創作與精準編輯能力

    Seed 正式發佈多模態圖像創作模型 Seedream 5.0 Pro,提升圖文匹配、結構合理性、文字渲染及畫面美感。其四項核心能力包括高密度資訊圖生成、交互式精準編輯、寫實影像與人像質感,以及十餘種語言的輸入與生成;目前已在火山方舟體驗中心上線,並將陸續在豆包、即夢上線。文中亦指出,更細緻的文字渲染及像素級編輯保持仍有改進空間。

  3. 字節 Seed:Research Feed74

    SeedRealtime 發佈音訊與影片全雙工大模型,邁向全模態自然互動

    字節 Seed 正式推出 SeedRealtime 音訊與影片全雙工大模型,透過統一架構原生融合音訊、影片與文字,支援連續多模態資訊流上的即時互動。端到端人工評測結果顯示,相比級聯模型,SeedRealtime 的音訊與影片對話節奏問題減少一半,單次對話順暢、完整交流的機率亦明顯提升。

  4. The Verge · AI80

    ChatGPT「Intelligent UI」更新在回答中加入圖片、圖表和按鈕

    OpenAI 隨 GPT-6 向 ChatGPT 推出「Intelligent UI」,讓回答結合文字與圖表、示意圖、表單及可點按按鈕等互動視覺內容。用戶還可要求 ChatGPT 在回答中生成退休儲蓄計算器、復古遊戲或分帳工具;GPT-6 亦改善網頁搜尋,並可在搜尋期間更快提供部分答案。

    推薦理由:材料列出互動圖表、可捲動瀏覽的麻雀牌面分類及內嵌計算工具,呈現 ChatGPT 回答如何由文字延伸至可操作內容。

  5. HuggingFace Daily Papers(社區熱門論文)49

    SepGen:單一模型實現多音軌音訊分離及音訊影片生成

    SepGen 將預訓練音訊影片生成器擴展為可在一次聯合取樣中輸出影片、混合音軌,以及每個文字描述聲源各自的波形。模型設有生成和分離兩種模式:生成模式按聲源描述輸出分軌,分離模式則按文字描述從音訊混合中提取聲音。評測顯示,描述包含對白內容時,SepGen 的表現優於語言條件分離器,尤其在語音分離上;移除對白內容後仍保持領先。

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

    Humanity's Sixth Sense 基準評測多模態模型的直覺視覺推理能力

    該研究提出 Humanity's Sixth Sense(HSS),以圖像和影片題目評測多模態模型對隱含時間、空間、社會及抽象結構的直覺視覺推理。人類參與者準確率為 93.1%,最強模型 GPT-6-astra 即使在最大推理力度下也只有 53.6%。研究亦測試以動態視覺操作應用於 HSS 的智能體設定,該設定縮小但未能消除人類與模型的差距。

  7. HuggingFace Daily Papers(社區熱門論文)46

    The Lattice of Transition Laws

    這項研究把擴散模型、自回歸(AR)模型及兩者之間的模型描述為同一腐化格上的路徑,並以並行步驟捨棄的依賴關係定義解碼排程成本。對圖上呈 Markov 特性且沿路徑有依賴的資料,零成本排程所需的最少步數等於圖的樹深度。研究以預訓練權重估算成對依賴,預測不同排程的排名,並在文字、圖像及影片生成中驗證大部分預測。

  8. HuggingFace Daily Papers(社區熱門論文)46

    DataVista:多模態大語言模型數據影片理解能力評測

    DataVista 建立首個數據影片理解基準,收錄 961 段真實數據影片及 6,775 條評測問題,按數據感知、時間推理和敍事理解三層能力組織。評測 19 款主流多模態大語言模型時,Gemini-3.1-Pro 以 70.0% 總體準確率居首,仍遠低於人類專家;模型在因果推理和敍事結構方面表現最弱。

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

    Sensor-Language-Action Models

    研究提出感測器—語言—行動(SLA)建模框架,將多模態感測器觀察、自然語言與行動整合至同一模型。研究建立涵蓋逾 116,000 人、79 種感測器模態及 60 個行動組別的基準,並推出用於階層式行動預測、狀態理解及行動解釋的 OpenSLA。OpenSLA 在臨牀預測、手術室及代謝健康等真實任務中表現優於最先進方法。

  10. Hugging Face Blog61

    Liquid AI 發佈端側決策模型 d1-3B 與實驗版 d1-omni-600M

    Liquid AI 發佈兩款開放權重端側決策模型 d1-3B 和實驗版 d1-omni-600M。d1-3B 支援文字與圖像輸入,在 Decision Index 0.2.1 得分 48.57,並在七個公開數據集取得 82.9 的平均分;d1-omni-600M 支援文字與圖像或文字與音訊輸入。

    推薦理由:文章把 d1-3B 的公開基準成績與多款邊緣設備的延遲數據並列,讓讀者瞭解其決策表現及端側推理速度。

10月7日週三
  1. gihyo.jp67

    Google 發佈可在智能手機運行的多模態嵌入模型 EmbeddingGemma 2

    Google 於2026年10月6日公開 EmbeddingGemma 2,這款 740M 參數的多模態嵌入模型可在智能手機及 PC 運行,將文字、程式碼、圖像、音訊及影片映射至共同向量空間。模型採用 Apache 2.0 授權,支援搜尋、分類等用途,並可與 Gemma 4 配合在端側構建 RAG;其上下文窗口擴至初代的 4 倍,即 8192 個 tokens。

  2. Hacker News:AI 熱帖28

    Ask HN:有沒有 AI 模型可根據文字指令和參考音訊生成聲音?

    發帖者尚未找到可同時接收參考音訊和文字指令、生成新聲音的商用 AI 模型,並詢問是否有此類方案。ElevenLabs SFX 只支援文字生成音訊,難以單靠文字準確引導生成結果;Stable Audio 3 雖據稱能滿足需求,實測效果卻很差。發帖者希望以樣本不多且不夠乾淨的音源製作新音效。

  3. Hacker News 熱門(buzzing.cc 中文翻譯)68

    OpenAI Decisions API 進入公開測試,現僅支援 gpt-6-luna

    OpenAI Decisions API 進入公開測試,可評估文字、圖像或兩者,並以比 Responses API 快 10 倍的速度返回具類型的答案。它提供 predicate、choice、score 三類問題,分別回傳條件成立概率、指定選項或按各級別概率加權的分數。API 目前僅支援 gpt-6-luna,並須使用專用 POST /v1/decisions 端點。

  4. Google DeepMind70

    Google DeepMind 發佈開放、輕量級多模態嵌入模型 EmbeddingGemma 2

    Google DeepMind 發佈 EmbeddingGemma 2,將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,供裝置端推理使用。

    推薦理由:EmbeddingGemma 2 將文字、程式碼、圖像、影片及音訊映射至同一嵌入空間,並列出裝置端記憶體與向量儲存數據,方便評估跨模態搜尋的本地部署。

  5. MarkTechPost78

    Mistral AI 發佈 Mistral Large 4(Le Chonk)公開預覽版,總參數達 1.05T

    Mistral AI 發佈 Mistral Large 4(ML4,代號 Le Chonk)公開預覽版,這款多模態 MoE 模型總參數為 1.05T、每個 token 啟用 49B,並支援 1M token 上下文窗口。

    推薦理由:文章把參數規模、每 token 啟用量與 API 價格並列,並交代網絡安全評測和權重開放時間,便於判斷預覽版的可用性與限制。

  6. HuggingFace Daily Papers(社區熱門論文)35

    Controlled Acquisition and Abstention in Three-Channel Score Conflicts

    音訊、影片與文字分數不一致時,研究以受控三分數基準評估策略應否取得第三個來源或棄答。部分留出合成測試中,閾值策略的目標決策準確率為 0.789 +/- 0.006、效用為 0.481 +/- 0.014;三分數多數決參照分別為 0.626 +/- 0.008 和 0.252 +/- 0.016。查詢選擇策略的效用取決於預算及已觀察分數對的排序,在 50% 和 63.7% 預算下效用下降。

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

    Do Better Visual Representations Always Lead to Better End-to-End Autonomous Driving?

    ViRA 提出一套與規劃器無關的視覺表徵對齊框架,在保持規劃器架構及推理成本不變的情況下,提升端到端自動駕駛表現。研究發現,視覺基礎模型的目標選擇及輔助感知監督均會影響規劃效果。ViRA-Diffusion 在 NAVSIM v2 navtest 取得 92.3 EPDMS,較比較中的近期方法至少高 1.9 分。

  8. HuggingFace Daily Papers(社區熱門論文)61

    TouchScale 提出 500 小時人類視覺與觸覺資料集,支援視覺觸覺學習

    TouchScale提出一個500小時的人類視覺觸覺資料集,以統一的穿戴式配置同步記錄第一身視角 RGB-D 影片、手腕 RGB 影片及雙手密集觸覺測量。資料涵蓋約2K項預設任務;使用完整數據訓練後,未見觸覺感測器上的零樣本接觸 IoU 由0.134升至0.383,機械人四項真實操作任務的平均成功率由22.5%升至57.5%。研究團隊計劃公開所有同步視覺觸覺錄影及重建物件模型。

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

    Systematic Multi-Agent Vision-and-Language Navigation: Formulation, Benchmark, and Method

    研究將多智能體視覺語言導航系統化建模為受約束的協調問題,並提出導航系統 TRISS。MAVLN 基準包含 11,724 個回合,涵蓋 145 個場景及最多四個智能體的團隊,並設有三種指令模式。TRISS 結合基於大語言模型的子任務排程器、共享拓撲記憶及避碰執行機制;實驗顯示,排程、規劃與執行仍有改進空間。

  10. The Verge · AI56

    AI 硬件不能任由科技公司改變「記錄」的定義

    科技公司正探索讓 AI 硬件處理影音、但不保存原始影音,這挑戰了「記錄」必須可保存和回看的既有定義。Bloomberg 報道 Apple 正研發不保存影片、改以 AI 把家中畫面轉成文字描述的智能家居鏡頭;Google 亦在探討能處理環境影像但不保存片段的智能眼鏡。文章質疑文字摘要是否仍屬可保存、可回看的記錄,並主張社會就「記錄」定義達成共識。