Google 推出 Gemini Decisions API,支援快速多模態決策
Google 推出由 Gemini Decision 1 驅動的 Gemini Decisions API,可在一次快速處理中對多模態內容進行最多 1000 項判斷。
Google 推出由 Gemini Decision 1 驅動的 Gemini Decisions API,可在一次快速處理中對多模態內容進行最多 1000 項判斷。
文章整理 AI API 出現「invalid image URL」或「failed to download image」錯誤時,重試前排查參考圖抓取失敗的流程。檢查項目依次包括核對路由對應的圖像欄位、在不依賴瀏覽器登入狀態下下載並解碼檔案,以及確認簽署連結有效期和服務所在網絡的可達性。文章亦指出,本地下載成功不代表 API 一定接受該圖像;附帶檢查程式以合成檔案測試,未有透過實際模型請求驗證。
AI醫療設備上位機系統的全面改造,涵蓋微服務架構與端側大模型、多模態即時感知、AI Agent互動,以及合規與遠程OTA升級閉環。升級後的超聲設備可自動識別切面、測量胎兒NT或心臟射血分數(EF值),檢查耗時縮短40%以上。
蘋果 2027 年可能推出至少 18 款新品,涵蓋 iPhone、iPad、Apple Watch、Mac 及智能家居設備。清單包括 iPhone Duo 2 和連接 iPhone、配備相機、麥克風及揚聲器的 Apple Glasses,後者支援 Siri AI、視覺智能、通話和訊息等功能。Apple Glasses 據稱計劃於 2027 年 WWDC 發佈,並於年底上市。
Alibaba Cloud 於 2026 年 11 月 16 日正式開放 Qwen4-Max 使用;該模型採用 2.4T 參數骨幹,每個 token 啟用 71B 參數。
Black Forest Labs 的 Andreas Blattmann 與 Dustin Podell 討論以圖像、影片和聲音共同訓練 FLUX 3,並探討視覺智能的構建。訪談指出,影片和聲音可補充靜態圖像未呈現的運動與接觸線索,並以影片升頻説明跨影格一致性的重要性。內容亦談及 FLUX Kontext 的早期關係標註實驗,以及用戶以 FLUX 修復舊家庭照片的案例。
Apple 在 iOS 27.3、iPadOS 27.3 和 macOS 27.3 測試 Siri AI 與 Apple Intelligence 部分進階雲端功能的逐裝置每日限額,基本 Siri 指令仍免費且不限次數。
卡內基美隆大學透過 CS Learn 在 YouTube 免費提供教員完整授課的電腦科學課堂影片,涵蓋 AI、機械人、系統及生物等領域。後續課程教材將以自定進度形式提供,並設有即時回饋及徽章。AI 輔導功能亦將加入課程教材,協助學員處理問題及克服卡關。
阿里雲推出 Qwen4-Max 預覽版,並在千問 AI 平台及百煉平台同步開放,開發者可透過 API 或 Token Plan 使用。模型支援 1M Token 上下文及文字、圖片、影片輸入;在 Terminal-Bench 4.0 中,相較 Qwen3.8-Max,Token 用量減少近 50%、得分提升近 28%,單任務平均費用降低 58%。
騰訊優圖實驗室研究總監、專家研究員孫星已離職。他於2016年加入騰訊優圖實驗室,早期研究醫療影像 AI,參與肺癌識別和糖尿病視網膜病變篩查研究。進入大模型時代後,他轉向多模態大模型、Agent 與 RAG,參與 Video-MME、VITA、Youtu-VL、Youtu-Agent 和 Youtu-GraphRAG 等項目。
Alibaba 推出旗艦模型 Qwen4-Max,以較低價格對標 Opus 5.5、GPT-6 和 Kimi K3.1 Pro,並面向工業、科學及金融等專業工作。
推薦理由:文章並列 Work360 的任務成本與基準分數變化,呈現 Qwen4-Max 相較前代平均成本下降 62%、分數同步上升的表現。
Meta 的 Llama 4 Scout 是多模態開放權重模型,採用 16 個專家組成的 Mixture-of-Experts 架構,每步啟動 17B 參數,總計 109B 參數,上下文窗口最高達 10 million tokens。
ReMo 是一種免訓練方法,透過跨模態對齊和精簡文字描述壓縮視覺 token,降低 Omni-LLMs 推理時的輸入 token 成本。在兩種規模的 Qwen2.5-Omni 上,它減少 54% 輸入 token,準確度仍與完整 token 模型相若,在五項音訊視覺基準的平均準確度分別達其 101.2% 和 101.4%。
作者分享兩套 ComfyUI 工作流程,先用 Stable Audio 3 生成音訊,再以音訊為條件用 LTX 2.3 生成響應動畫,讓音樂節奏與畫面動態由共同的時間來源連結。
Liquid AI 發佈決策模型 d1.2 和 d1.2-ultra,新增音訊輸入及五項 API 任務。d1.2-ultra 在 Artificial Analysis Decision Index v2.1 得分 75,排名第一,並以 0.8 點校準誤差低於文中列出的其他四款模型。
d3kOS 是一款為 Raspberry Pi 船艇打造的開源 AI 駕駛台電腦,可連接船舶系統、理解 NMEA 2000 和 Signal K 數據,並以 AI 回答問題。開發者在 Reddit 分享項目後,24 小時內獲得超過 23,000 次瀏覽及 80 多個讚好;項目於 11 月 15 日在 Product Hunt 上線。
OPPO Reno17 系列推出「實況調色盤」,支援獨立膚色映射,調整背景明暗、對比度及色調時仍可保留自然膚色。功能設有三檔柔光效果,並內置15款個性化風格;系列亦搭載 Natural Color 色彩還原引擎及 Natural Tone 3.0 真實感引擎。
多模態嵌入向量會把文字、圖像、音訊等媒體映射至相容的向量空間,讓不同格式的相關概念可互相比較。其流程包括編碼各種模態、訓練配對項目使其收斂、投影至共享空間、建立向量索引,再進行跨模態搜尋或分類;單純串接未對齊的模態特徵並不等同於此方法。
OPPO Reno17 系列推出最高 6 秒的超清長實況,並以「實況隨心貼」拓展實況照片的創作玩法。用戶可由 4K 影片生成長實況,並在手機上使用自動識別主體、貼紙跟隨人物運動等功能;生成的長實況亦支援分享至小紅書、抖音。
llama.cpp 發佈 v1.0.0,為核心庫 libllama 和 libggml 引入語義化版本與穩定 API 契約。更新亦加入 FP8 (E4M3) KV cache、可設定 CPU share 的 host-memory MoE expert cache,以及兼容 OpenAI 的 /v1/audio/speech 端點,支援本地文字轉語音。
阿里雲百煉 Token Plan 升級,Lite、Essential、Standard 月費不變,月度 Credits 增加約 74%–78%。Pro 額度升至 20 萬 Credits、月費由 499 元降至 312 元;服務覆蓋 18+ 款旗艦模型並支援多模態,四檔單位 Credits 成本均下降四成以上。
上海人工智能實驗室等機構推出並開源科學多模態大模型書生-S2.1 Flash;該模型在 MLE-bench Lite 得 90.3 分,排名第一。在 33 項通用智能體基準中,它取得 4 項第一、7 項第二;OfficeQA Pro、Harvey LAB 和 SpreadsheetBench 2 分別得 72.2、25.0 和 37.1 分。
騰訊 Hy4 flash 在辦公決策、讀圖、編程修復及論文轉 PPT 四類任務中接受實測,並分別與 DeepSeek-V4.1-Flash 或 Hy4 比較。辦公決策和編程修復分別用時 1 分 14 秒及 2 分 5 秒;讀圖測試中,DeepSeek-V4.1-Flash 出現兩處明確誤判,而 Hy4 flash 未發現圖表柱高比例錯誤。
阿里雲 Token Plan 自 2026 年 11 月 9 日起提高三檔月度 Credits 約 74%–78%,並下調 Pro 月費至 312 元。Pro 月額度增至 200,000 Credits,Standard 與 Pro 另附 12 項 Harness 權益,套餐涵蓋 18+ 多模態模型。
蘋果首款智能眼鏡 N50 據稱計劃於 2027 年 6 月 WWDC 亮相,並於同年年底前出貨。眼鏡沒有 AR 顯示能力,主要透過攝像頭、Siri 和音訊互動。第三方 App 操作仍依賴配對的 iPhone,軟件和 AI 則是拖慢產品進度的因素。
華為公佈麒麟 9050 系列的智能音影片處理能力,搭載新一代音影片處理器,音訊效能提升 30%,並支援 H.266 硬解碼及低延遲 AI 異構協同計算。相較 H.265,弱網直播卡頓降低 50-70%,同網速下分辨率提升一檔,同分辨率下播放時間增加 2-3 小時。
Tencent 發佈多模態模型 Hy4 flash,提供一百萬 token 上下文窗口,定位於日常生產力工作,API 定價低於完整 Hy4。Tencent Cloud 列出的輸入與輸出 API 價格分別為每百萬個輸入 token $0.070 和每百萬個輸出 token $0.281,較 Hy4 低約 92% 和 89%。
AI 模型可分析相片中的視覺細節,在沒有 GPS 座標的情況下推斷拍攝位置,增加跟蹤和起底的風險。相片長期累積,可能透露住所、日常路線和活動地點;延後分享旅遊相片、檢查影像線索及限制貼文閲覽對象,有助減少個人資料外洩。
Alibaba 的 Qwen 團隊發佈 Qwen4 世代首個模型 Qwen4-Max,採用 2.4T MoE 主幹,每個 token 啟用 71B 參數,支援 1M-token 上下文窗口。
推薦理由:文章並列 Qwen4-Max 的基準成績與 API 定價,呈現其代理任務表現、編碼與視覺短板,以及成本下降幅度,方便讀者一併比較能力與費用。
李飛飛在 CoRL 2026 介紹 World Labs 與史丹福團隊研發的 Atlas,稱其為統一生成與重建的世界模型。Atlas 是從零訓練的自回歸基礎模型,可接收文字、圖像、影片、深度訊號及 3D 結構訊號等輸入,生成像素影格並支援多視角重建。演講稱,Atlas 已蒸餾至 15fps 即時生成,團隊亦正測試其在機械人導航訓練及真實世界與模擬互通操作中的應用。
華為雲與福龍馬聯合研製的新一代智能清掃機械人啟動預售,華為雲同日發布並開源昇騰原生具身世界模型 CloudRobo-WM1.2。模型融合 RGB 影片、語義特徵、深度及點雲等多模態資訊,並採用世界模型原生 DualAct 架構,結合世界理解與動作生成。
Alibaba 發佈 Qwen4-Max,作為 Qwen 系列的新旗艦 AI 模型,但不開放權重。模型採用 MoE 架構,擁有 2.4 trillion parameters,可處理文字、圖像及影片,單次提示詞最多支援 one million tokens。
推薦理由:文中列出 Qwen4-Max 在兩項編碼測試的不同表現,並註明分數由 Alibaba 提供、TNW 未作獨立核實,讓讀者掌握基準比較的限制。
Apple 首款智能眼鏡 N50 細節曝光,產品不設屏幕,主打語音互動和環境感知,並由 Siri 協助用戶透過語音操作。N50 預計於 2027 年 6 月的 WWDC 亮相、年底出貨;眼鏡支援 Wi-Fi,離開 iPhone 後仍可執行部分基本任務,但複雜的第三方 App 操作仍需手機協助。
騰訊推出 Hy4 flash,一款基於混元架構的 224B 參數模型,每次前向傳播啟用 12B 參數,並保留 1-million-token 上下文窗口,支援文字及圖像輸入、文字輸出。
MBZUAI 旗下 IFM 發佈 PAN 2,這個 29B 參數世界模型採用 Apache 2.0 開源授權。模型以 GLP 分為 LLM Planner 規劃層和 29B MMDiT 感知及動力學層;MMDiT 以數億段附有詳細物理標註的影片從頭訓練,並透過基於 Wan 2.2 的 VAE 解碼器生成最長 20 秒的影片。
李飛飛在 CoRL 2026 介紹 World Labs 與史丹福團隊研發的 Atlas,這是一個統一生成與重建的世界模型,主要聚焦渲染及仿真。Atlas 可接收文字、圖像、影片、深度訊號等多模態輸入,並在純生成、稀疏重建和稠密重建之間切換。
阿里巴巴發佈基座大模型 Qwen4-Max,總參數量為 2.4T,並已在千問 AI 平台提供 API 服務。模型具備原生視覺能力、支援百萬上下文;文中稱其單項任務平均費用較上代下降 58%。中小尺寸模型將陸續開源,用戶亦可透過阿里 Token Plan 調用新模型。
推薦理由:報道列出 Qwen4-Max 相較上代在多項評測、Token 用量及任務費用上的變化,讓讀者可一併對照模型表現與推理成本。
騰訊混元正式發佈語言模型 Hy4 flash,稱其在綜合效果上略優於 Hy4 preview,並支持多模態和 1M 上下文長度。模型總參數量為 224B(其中 64B Engram 參數),活躍參數為 12B;每百萬 Token 輸入 0.5 元、輸出 2 元,命中快取時 0.02 元。
騰訊混元正式發布大語言模型 Hy4 flash,輸入價格為每百萬 Token 0.5元,輸出為2元,快取命中時為0.02元。模型總參數量為224B,激活參數為12B,支援多模態及1M Token上下文,解碼速度超過150 Token/s;騰訊公佈的 WorkIndex 評測中,其單任務成本為 Hy4 preview 的1/13、Hy4 的1/20。
這期 AI/ML 研究摘要整理了生成式與具身 AI、MoE 簡化、LLM 智能體可靠性及跨模態 3D 建模的研究結果。LO-World 的 IoU 提升 10.9 %、Chamfer 誤差降低 30.1 %,運行速度超過 25 FPS;SimpleHC 則在維持標準 MoE 基準準確度下縮短訓練時間。