TalkPause:以攝影機偵測説話並自動暫停音樂的 Windows 桌面應用程式
作者打造 TalkPause,一款透過攝影機偵測用戶説話、暫停音樂並在安靜倒數後恢復播放的 Windows 桌面應用程式。它使用 Presage SmartSpectra SDK 的 talking 訊號,不使用麥克風或語音轉錄;説話持續 1 秒才會觸發暫停,安靜恢復延遲可設為 1、2、3、5 或 8 秒。應用程式可控制本機音訊及 Spotify、瀏覽器播放器等 Windows 媒體工作階段。
作者打造 TalkPause,一款透過攝影機偵測用戶説話、暫停音樂並在安靜倒數後恢復播放的 Windows 桌面應用程式。它使用 Presage SmartSpectra SDK 的 talking 訊號,不使用麥克風或語音轉錄;説話持續 1 秒才會觸發暫停,安靜恢復延遲可設為 1、2、3、5 或 8 秒。應用程式可控制本機音訊及 Spotify、瀏覽器播放器等 Windows 媒體工作階段。
HUSH 是一款桌面第一人稱恐怖逃脱遊戲,透過 Presage SmartSpectra SDK 將玩家的脈搏、呼吸、面部反應和聲音轉成怪物可察覺的噪音。遊戲會先花約 20 s 記錄玩家的個人基準;沒有攝影機或 API key 也可使用模擬模式遊玩。
作者打造首個全端人臉識別應用,藉此學習前端、後端、身份驗證、API 串接及部署。項目使用 React、Node.js、Express、JWT 和 Human.js,作者分享規劃、開發與除錯過程中的挑戰及經驗。
Alyven Music 作者以 Next.js + TypeScript 建立非同步 AI 音訊生成流程,讓 API 先返回 jobId,再由 Webhook 回報完成狀態。流程以資料庫交易建立任務及扣除點數,派送失敗或生成失敗時退款,並以冪等檢查避免重複退款。前端每 3 秒輪詢任務狀態;文中亦建議把生成音訊轉存至自有儲存空間,並用 cron 處理逾時未完成的任務。
Gemini 原生支援多語言,指示、資料及輸出可在任何模態中使用 100 多種語言,亦可混合語言。示範中,單一提示詞模板在 15 秒內將 1789 年法國《權利宣言》平行翻譯成英文、普通話、印地語及西班牙文,並保留原有 Markdown 排版。
這篇實用指南説明如何在 macOS 遊玩未本地化遊戲時,以屏幕區域 OCR 辨識對話文字,同時不切走遊戲焦點。流程使用 Apple Vision 本機辨識選取區域,再以浮動面板顯示翻譯;辨識在本機進行,但翻譯需要網絡連線。
Long Exposure 使用 Presage SmartSpectra SDK,將臉部幾何、脈搏和呼吸資料轉化為需時約一分鐘完成的銀版肖像,不會拍攝或保存用戶照片。SDK 約需 12 秒令脈搏訊號可靠、約 30 秒令呼吸訊號可靠,肖像會隨脈搏起伏並配合呼吸動態呈現。
Thinking Machines Lab 發佈 Inkling 2 Mini 開源模型,採用 26,4B 參數的 Looped MoE,checkpoint 約 20GB。
這篇綜述梳理 LLM 驅動數據可視化生成與評估的演進,涵蓋從規則系統到多智能體協作,以及評估從結構匹配轉向多維對齊。MultiVis-Agent 在 MultiVis-Bench 上的任務完成率為 74.18%,以部分生成靈活性換取可靠性。領域核心問題是在確保數據保真度的同時,實現複雜可視化的可靠生成。
Qwen4‑Max 預覽版相較 Qwen3‑Max,轉向真實任務交付,並在原生圖像與影片理解、智能體操作範圍、發布流程和計費方式上有所不同。
阿里雲通義萬相 Wan3.0‑Video 支援文生影片、圖生影片及參考生影片,單次生成最長 30 秒,並可輸入辦公文件。模型提供 480P、720P、1080P 輸出,透過阿里雲百煉的非同步 API 提供服務;邀測期間須申請權限,且未開源,只能雲端呼叫。計費按成功生成時長及解像度計算,華北2(北京)1080P 原價為 1.2 元/秒,文章亦整理素材版權、人工審核和異常處理等注意事項。
阿里雲 Qwen4-Max 面向長鏈路專業工作,定位為旗艦多模態智能體基座模型,並以長上下文及降低單任務成本為重點。模型總參數為 2.4T,每 Token 激活 71B,支援 100 萬 Token 上下文;官方 Work360 評測得分為 52.69,平均單任務成本較上一代下降 58%。
2026年,阿里雲百煉平台上線 Qwen4-Max,並將其接入 Token Plan 訂閲體系,首發新客首購套餐優惠為 5 折。Qwen4-Max 支援文字、圖像理解、工具調用、聯網檢索和結構化輸出;預覽版僅可透過 Token Plan 調用,暫不提供單獨按量計費。
阿里雲百煉上線 Qwen4-Max,並將其接入 Token Plan 訂閲體系。Token Plan 個人版新用戶首購 Lite 月費由 39 元減至 19.5 元;Qwen4-Max 預覽版在 2026年11月25日24:00(UTC+8)前按標準費率的 20% 扣減 Credits,夜間調用另有折扣。
阿里雲開發者社區文章介紹 Qwen3.8-Max 的模型定位、主要能力、適用場景及計費方式,並列出按量 API 和 Token Plan 兩種模式。文章稱,Qwen3.8-Max 採用 2.4 萬億參數 MoE 架構,支援百萬 Token 上下文、文字、圖片及影片輸入,並針對智能體、編碼和專業辦公等複雜任務。
Malik MediGuard AI(v3.1.0)是一款以 Python 和 Google Gemini AI 建立的開源醫療及醫療帳單審核助手,採用 MIT License。它可讀取處方和帳單、尋找平價仿製藥、標示可能超收的費用,並配對政府醫療計劃;另設疾病與醫院定位模組。
Qwen3.8-Omni-Flash 離線版可接收文字、圖像、音訊及影片並輸出文字,定位於多模態理解與 Agent 任務。離線版支援 1M 上下文,非思考模式最大輸出 128K;即時版 qwen3.8-omni-flash-realtime 面向低延遲語音互動、影片理解及 MCP 工具調用。離線版輸入和輸出分別為 0.8 元/百萬 Token、2.7 元/百萬 Token;即時版按模態分項計費。
Qwen3.8-Max是面向智能體及複雜長週期任務的旗艦基座模型,採用2.4萬億參數MoE架構,支援百萬Token上下文及文字、圖片、影片輸入。文章列出按量API及Token Plan兩種使用方案:按量輸入為12元/百萬Token、輸出為36元/百萬Token,個人Lite套餐月費39元。
Thinking Machines 發佈開源混合專家模型 Inkling 2 Mini,採用循環式 Transformer。24 層中的 12 層會連續執行三次;公司稱,這可在不生成更多文字的情況下延長內部推理,並以較少 token 找到答案。
測試顯示,豆包、DeepSeek等AI智能體辨認車標被模糊處理的兩款國產9系大型 SUV 側面圖時,往往未能一次答對,經3~4次糾正後才辨認正確;露出前臉或尾燈等特徵後,則能準確識別。電動平台、風阻及車內六座大空間等共同工程考量,令多款大型 SUV 側面比例和腰線相近,車企則透過車頭、車尾的燈語與標識保留設計差異。
Kimi-K3 是面向長程編程、知識工作及推理的權重開源模型,參數量為 2.8 萬億,輸入與輸出上限均為 1,048,576 Token,並已上架阿里雲百煉。文章整理其原生視覺能力及基準成績,並指出模型僅有思考模式,不支援聯網搜尋、批量推理或模型調優。華北2(北京)/全球每百萬 Token 的輸入、輸出及快取命中價格分別為 20 元、100 元及 2 元,且沒有免費額度。
DeepSeek-V4.1-Flash 已上架阿里雲百煉,文章梳理其模型定位、架構特點、能力表現、應用場景與計費方式。文中列出 1M 上下文、384K 最大輸出,並指其在多項編程、終端及 Agent 基準上超過 V4-Pro。文章亦比較百煉與 DeepSeek 官方 API 的峯谷時段口徑,並説明快取命中會影響費用。
ImgIng 的 OCR 將一張有 34 個非空儲存格的工作單辨識成 40 個文字框,另一張有 63 格的價目表則只辨識出 58 個;文字框數量不等於儲存格數量。測試顯示,按 Tab 或空白分隔文字無法可靠還原表格,需根據文字框座標、欄間空隙或表格線定位;換行儲存格仍可能錯置。
OpenAI 正為首款消費級 AI 硬件組建研發與製造體系,首款產品據報是預計 2027 年交付消費者的無屏便攜式設備。Jony Ive、LoveFrom 及多名前蘋果硬件人才參與設計和研發,文章稱立訊精密將是核心製造商。歌爾股份目前僅有供應接洽的消息,未有公開可靠證據顯示其取得定點或量產訂單。
BAI507P 植物壓力偵測與早期健康監測系統採用 OpenCV 特徵提取及 Scikit-learn RandomForest 的兩階段架構,並提供完整建置教學。
KobiMusic 開源的 Dettato 音樂轉錄模型可在 CPU 或 GPU 上把音訊轉成 MIDI,每種樂器各設一條音軌,另加一條鼓組音軌。
Baseten 發佈 bison-1 和 groundhog-1,兩款由 Gemma 4 後訓練的開放權重決策模型可為預設決策輸出校準機率,並支援文字、圖像及 131,072 tokens 上下文。
Baseten 發佈基於 Google Gemma 4 的開放權重決策模型 bison-1 和 groundhog-1;bison-1 在 Artificial Analysis Decision Index v2.1 得分 76,於 19 款模型中排名第一。
作者使用 AI 製作《古事記》改編動畫首集《天地初開》,以 AI 處理劇本、畫作、旁白、音樂及剪輯,並由作者作最後決定。製作期間,長矛難以生成一致造型;輸出檔雖顯示完成,畫面約在17.7秒中斷,音訊則長達93秒。作者另完成日文及英文版主片和短片。
Gemini 4 Hydrogen 在 Google 模型卡列出的 9 項雙方都有分數的基準中勝出 8 項,GPT-6.1 Terra 則在 Terminal-Bench-Science 0.1 以 58.3% 對 51.4% 領先。
文章比較 inclusionAI 的 Duo v1 全雙工世界模型四組權重,建議研究者以 47.0 GB 的 FP8 Duo-1.0-distill-quant 作實驗起點。
DeepSeek 於 2026 年 11 月 13 日透過 API 向開發者開放多項消費者 App 功能,五項內置工具可在 deepseek-flash 上使用,另有獨立 Search、Fetch、OCR、ASR 和 TTS API 開放。
SenseNova-Loop-9B 的部署指南説明如何在消費級 GPU 本地運行這款多模態視覺模型,並以循環推理提升計算深度。文章稱,Q4_K_M 權重佔用 5.63 GB VRAM,模型原生上下文窗口達 512K。指南亦涵蓋編譯 llama.cpp 分支及啟動 OpenAI 相容 API 伺服器。
Thinking Machines Lab(TML)以 Apache 2.0 許可開放 Inkling 2 Mini 權重;模型總參數為 26B,支援文字和圖像輸入,最大上下文窗口為 100 萬 token。
Hot Ones: The Biometric Gauntlet 以 Presage SmartSpectra SDK 打造桌面及雲端直播工作室,讓 AI Sean Evans 透過即時 rPPG 生物特徵數據,主持 10 回合辣度挑戰並判斷參加者是否嘴硬。
加州大學聖塔芭芭拉分校研究者評估19個視覺語言大模型,發現它們判斷場景物件重要性時均與人類有顯著差異。研究以307張原始場景及1306張反事實場景作比較,並以227名參與者的16603條描述建立人類基線;論文:https://arxiv.org/abs/2605.13047。
Qwen-image-3.0 圍繞長指令理解、文字渲染及多圖編輯等能力升級,支援文字生成圖像和參考圖編輯,提供標準版與 Pro 版本。模型最多支援 4.5K Token 輸入、最多傳入 3 張參考圖,並可輸出 512×512 至 2048×2048 的自訂尺寸圖像。服務提供同步及異步調用模式,兼容 OpenAI 圖像接口規範。
考試星持續升級 AI 智能考評產品能力,將 AI 命題、智能監考、輔助閲卷及多模態能力測評融入考試與人才評價流程。其方案涵蓋行星AI命題大模型、四路音視訊「360°全景監考」、主觀題 AI 輔助評分,以及模擬結構化面試和小組討論的多模態測評。
Picsart 於 2026 年 11 月 20 日推出 Picsart Platform,讓開發者透過一次整合存取來自 30+ 家供應商的 250+ 款影片、音訊、圖像及文字生成模型,並使用 Picsart 自家的編輯模型。
文章説明如何在本機執行 Cloudflare 的 9B 開放權重視覺模型 clairic-flash,並指出官方 runtime 使用 DeepGEMM,RTX 3090/4090 因 compute capability 低於 9.0 而無法運行。