跳到正文

#多模态

今日 4 条

今天 · 11月17日星期二 · 4 条

Hacker News 首页

卡内基梅隆大学在 YouTube 免费开放计算机科学课程

卡内基梅隆大学通过 CS Learn 在 YouTube 免费开放计算机科学课堂讲座,供学习者按自己的节奏观看。11 月课程涵盖大规模数据集机器学习、机器学习系统、AI 智能体和生产环境中的机器学习,2027 年 1 月将增加多模态机器学习等课程。免费自学课件将随后推出,提供即时反馈和徽章,AI 辅导也计划加入课件体验;入口为 https://www.cs.cmu.edu/learn/。

OpenAI News

OpenAI 推出儿童性虐待材料检测工具及配套保护措施

OpenAI 推出儿童性虐待材料(CSAM)图像分类器,并提供 ChatGPT 干预措施、开发者指南及执法调查支持。分类器可检测潜在 CSAM,包括 AI 生成材料,向经审核组织免费提供 API 访问;早期评估估计,在发现数量大致相同的虐待图像时,标记图像量减少 48%。

推荐理由:OpenAI 的新图像分类器在早期评估中识别出数量相近的虐待图像,同时减少了 48% 的标记量,降低人工复核负担。

The Decoder

阿里 Qwen4-Max 以更低价格迎战 Opus 5.5、GPT-6 和 Kimi K3.1 Pro

阿里发布旗舰模型 Qwen4-Max,采用混合注意力架构,支持原生图像处理和一百万 token 上下文窗口,面向工业、科学与金融任务。Artificial Analysis 测得其智能指数为 43,比 Qwen3.8-Max 高 9 点,单任务成本从 $10.02 降至 $3.27,但部分评测仍落后于竞争模型。

推荐理由:Qwen4-Max 在 Artificial Analysis 指数上比前代提高九点,单任务成本降至约三分之一。

昨天 · 11月16日星期一

Hacker News 首页

千问发布 Qwen4-Max,支持原生视觉与百万 token 上下文

千问发布 Qwen4-Max,采用 Qwen4 架构,具备原生视觉能力和百万 token 上下文窗口,现已在 QwenCloud 提供 Token Plan 与 API 接入。

推荐理由:Qwen4-Max在官方Work360评测中提高任务表现,并将平均单任务成本从$4.43降至$1.67,降幅为62%。

11月15日星期日

The Decoder

美团发布 LongCat-2.5 权重,全程使用中国硬件训练

美团发布面向多步骤智能体任务的 LongCat-2.5 权重,模型拥有 1.6 trillion 参数,全程使用中国硬件训练。该 MoE 模型每个 token 约激活 48 billion 参数,支持文本、图像和视频输入,权重采用允许商用的 MIT 许可。

推荐理由:美团公布 LongCat-2.5 的智能体评测结果,其常规终端任务表现接近 Claude Opus 5,较难版本的差距更明显。

The Decoder

Anthropic 称过时的提示词习惯拖慢 Claude Opus 5.5

Anthropic 建议 Claude Opus 5.5 用户删除“努力思考”等提示措辞,并从默认的 Medium 推理强度开始使用。公司称,内部测试中删除这些措辞后响应启动更快,质量没有可测量的下降;Opus 5.5 在 Medium 下的表现与 Opus 5 在 High 下相当。其他建议包括一次说明目标、输出格式和何时需要追问,直接附上图表或文件,以及具体指出不想要的设计样式。

推荐理由:Anthropic 将提示词调整归纳为明确终点、删除催促思考措辞和按需提高推理强度,让任务描述与模型的自适应推理机制相配合。

11月14日星期六

Hacker News 首页

科技公司正试图再次改变隐私概念,EFF 分析持续记录设备的社会影响

EFF 指出,科技公司的 AI 眼镜和持续音频记录设备正把个人隐私选择扩展到周围人,使旁观者难以拒绝被记录。文章以 Apple 的 Audio Intelligence、Amazon 的 Bee 及 Meta、Google 的智能眼镜为例,指出厂商的技术隐私承诺主要保护设备用户,未解决旁观者的同意与退出问题。EFF 认为,隐蔽的持续记录会削弱私人交谈的开放性,使用者应告知周围人并取得同意。

11月13日星期五

DeepSeek · API 更新日志

DeepSeek 发布全家桶应用 API,开放搜索、文件输入与链接阅读能力

DeepSeek 发布全家桶应用 API,开发者在原有 API 中开启对应参数,即可使用联网搜索、文件输入、阅读链接及安全校验能力。deepseek-flash 在 Messages、Responses 与 Chat Completions 接口下支持这些功能,工具调用与上下文拼接由服务端完成,搜索支持非思考模式与思考模式。

推荐理由:DeepSeek 将搜索、文件解析和链接阅读接入原有 API,并由服务端完成工具调用与上下文拼接,减少开发者自行编排这些环节的工作。

Google DeepMind

Google DeepMind 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流

Google DeepMind 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等渠道全球推出,面向快速编码与智能体任务执行。

推荐理由:Google 通过多模型动态调度实现接近 Carbon 的任务成功率,同时平均减少 24% 配额消耗并缩短 19% 完成时间。

Google 博客 · Gemini

Google 发布 Gemini 4 Hydrogen,面向日常编码与智能体工作流

Google 发布 Gemini 4 Hydrogen,即日起在 Gemini API、AI Studio、Gemini app 和 Google Search 等入口全球推出,主打快速编码与智能体执行。

推荐理由:Google将深度规划与快速执行分配给不同模型,自动切换在接近Carbon任务成功率的同时降低配额消耗并缩短完成时间。

Google 博客 · Gemini

Gemini 4 Hydrogen 向开发者开放,支持日常编码与智能体工作流

Gemini 4 Hydrogen 从今天起向开发者开放,面向快速迭代的日常编码与智能体工作流,强调速度与效率。它支持代码仓库编码与调试、交互式网页开发和多模态工作流,可通过四档可配置思考级别独立运行,也可与 Gemini 4 Carbon、Gemini 4 Argon 配合使用;Google 称其指令遵循更严格、编造内容更少,有助于更快交付更干净、可用于生产的代码。

推荐理由:Gemini 4 Hydrogen 提供四档可配置思考级别并支持与前沿模型协作,让日常编码与智能体工作流拥有不同的模型配置选择。

11月12日星期四

Latent Space

决策模型日综述:Google Gemini Decision 1 支持单次处理 1,000 个问题

Google 推出 Gemini Decision 1 和 Gemini Decisions API,以单次计算完成封闭选项决策,无需逐 token 生成文本。

推荐理由:Google 的 Decision 1 在自家测试中领先 Jev,独立评测的综合表现却与其持平且任务成本更高。

Hacker News 首页

华为发布内部量化工具 MACaQ,支持多模态模型本地推理

华为发布内部量化工具 MACaQ,支持文本、图像、视频和音频模型的量化与本地推理,以 Apache License 2.0 开源。工具支持 llama.cpp、vLLM、Diffusers 和 PyTorch,可使用 32.5 GB 设备内存在 64 分钟内量化一个 122B 参数模型。

The Decoder

Google 推出 Gemini Decision 1,单次可处理 1,000 个决策问题

Google DeepMind 推出 Gemini Decision 1 及 Gemini Decisions API,单次可处理最多 1,000 个独立的封闭式问题。

推荐理由:Google 将封闭式决策做成按输入计费的接口,单次批量处理与免输出 token 费用降低了此类任务的调用成本。

Hacker News 首页

Google 发布 Gemini Decision 1 模型及 Gemini Decisions API

Google 发布 Gemini Decision 1(gemini-decision-1)及 Gemini Decisions API,用单次前向计算完成多模态闭集决策并返回概率与置信度。

推荐理由:Google 用 Gemini Decision 1 单次前向计算完成候选项评分,让模型路由与策略检查无需等待逐 token 生成。

11月11日星期三

Hacker News 首页

Google 工程师用 48 个 AI 智能体分析 NASA 激光雷达数据,72 小时内发现疑似未登记玛雅遗址

Google 工程师用 48 个 AI 智能体分析 NASA 激光雷达数据,在不到 72 小时内发现墨西哥一处疑似玛雅遗址并收到官方回复。智能体逐张检查地形影像,筛出广场、至少 8–12 m 高的金字塔等结构,并检索文献、档案及核查原始点云。墨西哥国家人类学与历史研究所 INAH 回复称,该位置没有已登记考古遗址,但遗址尚未获得正式认定,实地调查须经 INAH 授权。

推荐理由:Google 工程师用智能体筛查激光雷达影像,再核对文献、原始点云与官方登记,将视觉线索推进到考古候选地点的核查。

Google DeepMind

Google DeepMind 开放 Gemini 4 Carbon,面向复杂编码、网络安全与科学推理

Google DeepMind 开放 Gemini 4 Carbon,面向开发者、企业、科学家和消费者,重点支持复杂知识工作、长程智能体工作流、网络安全与科学推理。

推荐理由:Google 将 Carbon 定位于复杂多步任务,与 Argon 采用相同入门价格,但会使用更多 token 进行深入探索和验证。

Google 博客 · Gemini

Google 开放 Gemini 4 Carbon,面向复杂智能体任务与科学推理

Google 向开发者、企业、科学家和消费者开放 Gemini 4 Carbon,重点支持复杂知识工作、智能体编码、网络安全和科学推理。Carbon 在 CursorBench 4.0、WANDR 和 AutomationBench 排名第 1,Google 称其每项任务成本比表现次优的外部模型低超过 2 倍。

推荐理由:Google 将 Carbon 与 Argon 设为相同入门价格,Carbon 使用更多 token 深入推理和验证以处理复杂多步任务。

11月10日星期二

Google DeepMind

Gemini Robotics 2.5 提升机器人现实场景中的通用灵巧性

Google DeepMind 推出视觉语言动作模型 Gemini Robotics 2.5,提升机器人技能学习速度、灵巧性和安全性,并向机器人合作伙伴逐步开放。

推荐理由:Google DeepMind 将 Gemini Robotics 2.5 用于汽车零件分拣试点,把机器人可靠性测试推进到实际生产线。

Hacker News 首页

Google Gemini 将个人 Drive 文件和邮件纳入人工审核范围

Google 更新帮助文档及原有博客,说明 Gemini 关联的 Drive 文件和邮件可能进入人工审核,改变了此前个人内容不由人工审阅的承诺。文档警告,审核人员看到的可能就是邮件或文件,不应连接含有不愿让审核人员看到的机密信息的应用。

TechCrunch · AI

Anthropic 发布 Mythos 5.2 和 Fable 5.2,递归自我改进引发担忧

Anthropic 周一发布 Mythos 5.2 和 Fable 5.2,称其编码、推理、视觉及沟通能力有所提升。Fable 输入价格从每百万 token $10 降至 $8,各努力级别下响应速度提升 30%,并通过 Enterprise Frontier Safeguards 支持零数据保留(ZDR)政策。

推荐理由:Anthropic 将 Fable 的输入价格从每百万 token $10 降至 $8,使 Fable 5.2 比主要竞品 GPT-6 Astra 更便宜。

Hacker News 首页

Meta 发布 Muse Ember,面向高频智能体任务的小型高效模型

Meta 发布 Muse Ember,面向工具调用、编码子任务、路由、信息提取和长文档解析,现已在 Muse Code 和 Meta Model API 提供 muse-ember-1.0。

推荐理由:Meta 发布的 Muse Ember 面向重复性智能体任务,以接近 Muse Spark 1.3 的智能指数提供更低的每任务成本。

Hacker News 首页

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度较 5.1 版本最高加快 30%。

推荐理由:Anthropic 为同一底层模型设置不同安全防护与准入条件,通用用户与网络安全、生物医学研究机构获得的任务权限存在明确差异。

The Verge · AI

Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2

Anthropic 宣布 Claude Fable 5.2 和 Claude Mythos 5.2,称其编码、推理和视觉能力提升,输出速度快于 5.1 版本。公司称预发布测试中,两款模型协助完成软件迁移、从零设计出 3 个可工作的电子设备、解决 2 个黑洞物理开放问题,并在 30 小时内形式化费马大定理的证明。

推荐理由:Anthropic 为两款新模型设置了不同开放范围,Fable 今日上线而 Mythos 初期仅向经审核组织开放。

The Verge · AI

与 RIAA 掌门人 Mitch Glazier 的愉快对谈:AI 音乐版权与标注如何平衡

RIAA 董事长兼 CEO Mitch Glazier 在 Nilay Patel 的访谈中讨论 AI 音乐训练授权、深度伪造治理与生成内容标注。Glazier 表示,对 Suno 的诉讼旨在确立未经同意或补偿不得复制音乐的权利边界,NO FAKES Act 则尝试在声音和肖像保护、下架机制与表达自由之间取得平衡。

11月8日星期日

The Decoder

Co-Design Bench 实测编码智能体,最佳模型仍有近四分之三任务需要人工收尾

阿里巴巴与多所亚洲高校构建 Co-Design Bench,测试的十个模型中,表现最佳的 GPT-6 Astra 仅完整完成 26.4% 的任务。该模型平均满足约 70% 的需求,测试要求智能体根据真实用户请求修改现有网页应用,并由两名 AI 裁判检查功能是否实际可用。任务混合多种修改类型时所有模型表现均下降,同一模型在不同执行环境中的表现也有明显差异,研究团队建议同时报告模型与执行环境。

11月7日星期六