跳到正文

#多模态

今日 4 条

11月6日星期五

TechCrunch · AI

Amazon 阻止 Muse 后,推出 Alexa 短信购物功能

Amazon 推出 Alexa 短信购物功能,让用户通过自然语言搜索商品、加入购物车并购买。该功能还支持管理清单、跟踪价格、跨网站搜索、比较商品、查询订单状态,以及发送图片寻找 Amazon 上的相似商品。部分美国用户将收到开通邀请,未获邀请者可加入候补名单,未来几周将扩大开放;此前 Amazon 曾在 9 月阻止 Meta 的 Muse 查询其网站。

The Verge · AI

Amazon 为 Alexa for Shopping 新增短信下单功能

Amazon 为 Alexa for Shopping 新增短信购物功能,用户可通过短信描述商品或发送照片,Alexa 会搜索 Amazon 商品、回复推荐并代为下单。该功能今日起向美国一小部分用户开放,未来几周将推广至数百万用户,联系人在手机中显示为“Amazon Alexa”。Alexa 还会记住用户偏好、追踪商品价格并在降价时发短信提醒。

Latent Space

控制生物学:专访 Helmholtz Munich 的 Fabian Theis

Helmholtz Munich 的 Fabian Theis 认为,现有数据集下的扰动预测并不足以支撑复杂算法,应转向利用大规模、高精度、多尺度配准生物数据预测分子→细胞→组织→器官→生物体的演化。

Latent Space

Thinking Machines 发布 Inkling 2 Small:68 小时预训练,网页开发评测领先 Muse Spark Open

Thinking Machines 发布 Inkling 2 Small,这款 594B 总参数、17B 活跃参数的多模态 MoE 已在 Tinker 提供微调和推理。

推荐理由:Inkling 2 Small 在人工智能评测中的能力提升伴随更高输出 token 消耗,低单价使其单任务成本仍低于对比模型。

Hacker News 首页

Inkling 2 Small 发布,支持图像输入与可调推理投入

Inkling 2 Small 发布,采用 MoE 架构,总参数量为 594B、激活参数量为 17B,支持图像输入与可调推理投入。模型在 Artificial Analysis Intelligence Index 上得分为 31,训练采用大规模统一 RL,覆盖编码、视觉、知识工作与推理任务。

Hacker News 首页

腾讯发布 Hy4,新增视觉理解与计算机操作能力,计划开放模型权重

腾讯发布新一代大语言模型 Hy4,新增视觉理解和计算机操作能力,并计划在未来几天发布模型权重与系统卡。模型加强了指令遵循、长上下文理解及长周期智能体任务能力,目前已接入 WorkBuddy、CodeBuddy、腾讯云 TokenHub 等产品。

推荐理由:腾讯为 Hy4 增加视觉理解与计算机操作能力,并保持 Hy4 Preview 的定价,扩展任务范围未伴随标准调用价格上调。

TechCrunch · AI

Meta 向美国用户开放与 Muse AI 数字形象的视频聊天

Meta 宣布,Muse Voice 已向美国所有用户开放,支持与消费级 AI 智能体 Muse 通话和视频聊天。该功能由 Muse Realtime Avatar 和 Muse Realtime Voice 技术支持,用户可定制数字形象,Meta 称其表情与手势会配合对话语气。

The Decoder

Google 推出 Gemini Omni 1.2 Flash,视频延长至15秒、价格降低30%

Google DeepMind 将视频生成模型 Gemini Omni 1.2 Flash 全面开放,片段最长15秒,价格较前代降低30%。视频时长由此前最长10秒扩展至3至15秒,720p价格降至$0.07 per second;对话式编辑支持逐步调整背景、光照或宽高比,无须重新生成整个片段。

Google 博客 · Gemini

用 Gemini 把随手画的草图变成可交互应用

Gemini 支持上传应用草图照片,选中 Canvas 工具后输入「Can you code this app?」,即可读取图像并生成代码,在预览窗口中测试。生成的应用还能实时调整颜色、字体或功能。

Google 博客 · Gemini

Gemini Omni 1.2 Flash:生成更快、成本更低,支持更长视频

Google 推出 Gemini Omni 1.2 Flash,在 Gemini API 和 Gemini for business 正式开放,原生视频生成及编辑时长由10秒增至15秒。

推荐理由:Gemini Omni 1.2 Flash 支持在同一视频上连续修改细节,减少广告变体制作中整段重新生成的需要。

Google DeepMind

Google DeepMind 发布 Gemini Omni 1.2 Flash,支持 15 秒视频并降价 30%

Google DeepMind 发布 Gemini Omni 1.2 Flash,在 Gemini API 和 Gemini for business 全面开放,支持原生生成和编辑最长 15 秒的视频。

推荐理由:Gemini Omni 1.2 Flash 支持对同一视频进行多轮局部修改,减少制作广告变体时重新生成整段视频的成本。

The Decoder

腾讯发布 Hy4,新增图像理解与电脑操作能力,独立评测位列中国模型第二

腾讯发布正式版 Hy4,新增图像理解和自主操作软件能力,目前通过腾讯云、OpenRouter 和元宝等应用提供,模型权重将在未定日期发布。腾讯称其搜索幻觉率在内部测试中从近 16% 降至约 5%,并针对 Blender、CAD 和游戏引擎进行了训练。

推荐理由:腾讯称 Hy4 在金融任务中领先 Kimi K3.1 Pro,独立综合评测却将其排在后者之后,两种测试的领先结论不同。

11月5日星期四

The Verge · AI

AT&T Connected Life 家庭安防系统接入 Gemini for Home

AT&T 的 Connected Life 家庭安防系统现已集成 Gemini for Home,成为首个接入 Google Home Premium 的家庭安防产品。该功能可对摄像头事件生成详细描述、用自然语言搜索录像并查看每日活动摘要,但仅随每月 29.99 美元的 Connected Life 专业监控套餐提供。AT&T 还新增了基于用户与住宅距离自动布防或撤防的能力。

Hacker News 首页

只用一台笔记本和剪刀做出的 AR 吉他

有人用一台笔记本加一把剪刀做出了 AR 吉他项目 AR Guitar,通过摄像头识别吉他琴颈上的 0、5、7、12 品标记,实时把虚拟和弦叠加到真实指板上。用户左手按和弦、右手扫弦即可演奏,页面提供初学者指南、曲目和 L2 辅助模式等选项。

Hacker News 首页

Kimi K3.1 Pro 开放模型权重,支持百万 token 上下文

Kimi K3.1 Pro 已开放权重,是支持文本和图像的原生多模态智能体模型,具备 1-million-token 上下文窗口。模型采用 MoE 架构,总参数为 2.8T、激活参数为 104B,从 Kimi K3 经大规模联合强化学习后训练而来,官方称其编码、3D 创作、金融研究和事实准确性有所提升。

推荐理由:Kimi K3.1 Pro 公布多轮工具调用的消息回传要求,接入时需保留完整推理内容与工具调用记录以维持对话上下文。

Hacker News 首页

Show HN:我做了个按配件逐项估价的整机 PC 比价工具 PC Deal Check

PC Deal Check 上线公测,可粘贴零售商商品链接或上传价格与配置照片,由 AI 识别主要配件,再用自研定价引擎把整机要价与按市场行情估算的配件总价对比并给出等级。示例中售价 $1,399.99 的 PowerSpec G531 被评为 A,配件估价约 $1,569。目前美国区检查免费、无需账号,功能与评分标准仍可能调整。

11月4日星期三

OpenAI News

OpenAI 用 AI 加速实体产品的设计、仿真与制造

OpenAI 公布模型辅助实体产品工程的研究进展,涵盖机械、电气和系统设计,并宣布与 Mazda 开展研究合作。两名成员用 Astra 在不到一周的业余时间内设计了可与 Codex 对话的设备,制造商在不到一个月内完成小批量原型,但制造前仍需多轮审查和迭代,以处理生产限制、公差及装配细节。

推荐理由:OpenAI 用 Astra 串联设备的机械、电路与软件设计,制造前仍需多轮审查来处理生产限制、公差和装配细节。

11月3日星期二

Google 博客 · Gemini

Google 回顾 2026 年 10 月 AI 更新,涵盖 Gemini 4 与 Genie 4

Google 回顾 2026 年 10 月 AI 更新,重点包括 Gemini 4 Argon 全球推出、Gemini 4 Carbon 公布及世界模型 Genie 4。

推荐理由:Google 将 Argon 全球开放与 Carbon 限定测试分开推进,两款前沿模型的使用入口与安全测试阶段有明确差异。

Hacker News 首页

Claude Opus 5.5 建筑制图实测:人工指导下可生成许可级图纸

建筑师测试13个AI模型后认为,Claude Opus 5.5在专业指导下可为简单建筑生成达到建筑许可质量的图纸。模型通过Python代码生成可缩放、可在CAD中编辑的矢量线条,住宅图纸耗时十二小时、计算成本数百美元。各模型获得的人工反馈量不同,Opus 5.5接受了最多反馈,包括两轮红线批注,最终图纸仍遗漏当地法规要求的第二条疏散路径。

11月1日星期日

The Decoder

Adobe研究EditAgent如何像Photoshop专业人士一样选择工具与核验编辑结果

Adobe Research与UC San Diego提出EditAgent,通过并行调用通用编辑器和专用工具、结合量化核验数据选择图像编辑结果。在600项编辑测试中,获得核验数据的Qwen3.8-27B选中可用结果的比例为81.3%,高于EditScore-72B的74.8%。EditAgent在三个基准上改善了开源编辑器的表现,但所需计算量约为单个编辑器的十倍,性能也取决于接入的工具。

The Decoder

Google 研究 StreamVibe,让视频 AI 判断用户何时需要帮助

Google 牵头的研究团队提出 StreamVibe,让视频智能体识别明确、隐含及变化中的用户意图,自行判断何时提供帮助。团队基于超过 183 小时的录像构建约 4,100 个样例,并训练 StreamVibe-VL,结合强化学习和独立记忆系统减少打断、跟踪任务进度。

10月31日星期六

AI HOT · 行业

阿里巴巴与Apple合作,将千问集成至Apple智能,11月4日开放测试

阿里巴巴10月31日宣布与Apple合作,将千问集成至Apple智能,中国用户可在Siri、写作工具及视觉智能中调用其文本与图像理解、内容生成能力。功能11月4日起随iOS开发者Beta开放测试,12月iOS 27.3正式发布时推出。用户可自主选择开通,请求与回复不用于模型训练。

AI HOT · 行业

阿里巴巴:Apple 智能国行用户可自主选择是否开通千问集成功能

阿里巴巴宣布,Apple 智能中国用户可自主选择是否开通千问集成,并决定何时使用及分享哪些信息。千问将接入 Siri、写作工具和视觉智能,发送问题、文档及图片前会征得用户同意,请求及生成的回复不会用于模型训练。相关功能将于 11 月 4 日起随 iOS 开发者 Beta 版开放测试,并于 12 月随 iOS 27.3 正式发布面向中国用户推出。

The Verge · AI

Apple Intelligence 随 iOS 27.3 登陆中国,暂不含新 Siri AI

Apple 宣布随 iOS 27.3 在中国上线 Apple Intelligence,11 月 4 日先推 beta,12 月正式发布。首批功能包括通知摘要、实时翻译、改写与校对、视觉智能和照片消除物体,但不包含新的 Siri AI。Apple 还与阿里巴巴合作,在部分体验中接入千问(Qwen)聊天机器人。

Hacker News 首页

Sketch Stadium 推出 AI 智能体你画我猜游戏,支持实时观看

Sketch Stadium 让 AI 智能体轮流画图、抢答猜词,用户可实时观看房间比赛,并通过 MCP 接入自己的智能体。每个房间最多容纳来自不同用户的 8 个智能体,绘图使用 100×100 画布且禁止字母和数字,首位猜对者与绘图者按词语难度各获 1、2 或 3 分。

10月30日星期五

TechCrunch · AI

Meta 悄然推出 AI 时尚应用 Style Sketch

Meta 悄然上线 AI 时尚应用 Style Sketch,可连接 Instagram 用已发布照片搭建虚拟衣橱,也支持拍照、录视频或上传图片手动添加单品。应用会基于已有衣物推荐搭配,并提供贴合用户体型与肤色的虚拟试穿,目前已在印度尼西亚、新加坡和泰国上线 iOS 与 Android。用户还可输入目的地、行程天数和活动安排,获得结合天气预报的逐日穿搭计划。

AI HOT · 产品

腾讯混元发布 Hy-Nomas 技术报告并开源 Hy-Nomas-Bench

腾讯混元发布交互式视频世界模型 Hy-Nomas 的技术报告(arXiv:2610.36729),并开源 Hy-Nomas-Bench 数据集用于可复现研究。官方用 Hy-Nomas 重现 Genie 4 示例并发布对比视频,演示无需排队即可试用,地址为 https://hy-nomas.hy.tencent.com/。

10月29日星期四

AI HOT · 产品

vLLM 发布 Mistral Large 4 Day 0 支持

vLLM 发布 Mistral Large 4 的 Day 0 支持,覆盖图像输入、DSpark 推测解码及长上下文部署,并支持 AMD Instinct MI350 Series GPU 和 TPU v7x。

AI HOT · 模型

Mistral Large 4(Le Chonk)登陆 Hugging Face,开放约 1T 参数多模态模型权重

Mistral Large 4(Le Chonk)在 Hugging Face 开放权重,采用多模态、多语言 MoE 架构,支持文本和图像输入、文本输出。模型约有 1T 总参数、49B 激活参数和 1M tokens 上下文窗口,提供 FP8、NVFP4 官方版本,许可证对模型即服务业务设有限制。

推荐理由:Mistral Large 4开放权重并提供多种部署路径,让安全团队能够自行控制漏洞复现与修补任务的使用政策和运行环境。

Mistral AI

Mistral Large 4(Le Chonk)提升编码与防御安全能力

Mistral AI 发布改进版 Mistral Large 4(Le Chonk)的开放权重,这款 1-trillion-parameter 原生多模态模型提升了编码、防御性网络安全与推理效率。

推荐理由:Mistral Large 4 开放权重并允许自托管与定制,经营模型即服务的企业须另获商业许可,自主部署与商业使用的授权边界明确。

AI HOT · 技巧与观点

OpenRouter 教程:用 LLM 从 PDF 中抽取表格

OpenRouter 教程通过发送 PDF 和严格 JSON schema,将表格抽取为带明确数据类型的行,并用字段描述处理括号负数、脚注和合并单元格。测试覆盖 5 份 PDF,其中 2 份为扫描件,直接读取 PDF 的模型均正确抽取全部 644 个单元格,这一结果仅代表该测试集。

推荐理由:OpenRouter 将严格行结构与字段清洗规则用于 PDF 表格抽取,并用空结果和输出截断检查捕获正常响应中的漏行风险。

Hacker News 首页

Cartesia研究H-Net扩展规律与字节级学习效率

Cartesia公布改进版层次网络H-Net的扩展实验,通过端到端动态分块替代固定分词,并报告语言建模效率提升。严格匹配的一阶段H-Net在验证损失上的计算效率为BPE Transformer的1.28x;两阶段H-Net约用~1T tokens达到SmolLM3约~11T tokens时的最终平均评测分数,两者每字节计算量差异在2%以内,但参数量和训练阶段设置不同。

Google 博客 · Gemini

Google 与 XREAL 推出 Android XR 有线眼镜 XREAL AURA,支持办公、观影与游戏

Google 与 XREAL 正式推出搭载 Android XR 的有线 XR 眼镜 XREAL AURA,Gemini 可理解现实视野及屏幕内容并提供帮助。眼镜重量低于 95 克、视场角为 70 度,通过线缆连接便携计算模块,支持多窗口应用及 USB-C 笔记本屏幕镜像,Gemini 还能高亮视野中的关注对象。

推荐理由:XREAL AURA 将 Gemini 接入现实视野与笔记本窗口,让用户在多窗口办公时直接围绕眼前内容获取帮助。