好清晰!最新国产AI画的8K图,放这么大大大大也不糊!
Kling Image 4.0 这条动态来自 量子位,可重点关注其对 AI 应用和产业节奏的影响。
推荐理由:请对照量子位原文,核对完整说明及适用条件。
Kling Image 4.0 这条动态来自 量子位,可重点关注其对 AI 应用和产业节奏的影响。
推荐理由:请对照量子位原文,核对完整说明及适用条件。
IT之家 11 月 19 日消息,今天,火山引擎正式上线豆包实时音视频通话模型(SeedRealtime 1.0) API 服务,带来全模态交互的新体验。 据介绍,SeedRealtime 将声音、画面、时序与表达统一到同一个端到端模型中, 能在连续的多模态信息流上实时交互,带来“边看、边听、边说”的全新体验。 这大大降低了传统语音级联系统依赖 ASR、VLM、TTS 等多个模块串联带来的延迟叠加和信息损耗。模型不再只是等待用户提问,而能持续理解场景变化,在合适的时机主动开口,把看、听、说纳入同一套实时决策体系,让“听到的”和“看到的”共同参与每一次实时判断与表达。 IT之家注意到,SeedRealtime 原生支持声音、画面与时序信息的深度融合,既能结合场景消解同音词歧义,也能准确理解视觉中的时序指代,让所见、所闻与所说融为一体。 这意味着,在多人、嘈杂、开放的真实环境中,模型不仅能看懂当前画面,还能分清说话对象、理解上下文关...
推荐理由:来自IT之家 AI的《豆包实时音视频通话模型 1.0 API 全量上线,可实现边看边听边说全模态实时交互》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 19 日消息,今天,火山引擎正式上线豆包实时音视频通话模型(SeedRealtime 1.0) API 服务,带来全模态交互的新体验。 据介绍,SeedRealtime 将声音、画面、时序与表达统一到同一个端到端模型中, 能在连续的多模态信息流上实时交互,带来“边看、边听、边说”的全新体验。 这大大降低了传统语音级联系统依赖 ASR、VLM、TTS 等多个模块串联带来的延迟叠加和信息损耗。模型不再只是等待用户提问,而能持续理解场景变化,在合适的时机主动开口,把看、听、说纳入同一套实时决策体系,让“听到的”和“看到的”共同参与每一次实时判断与表达。 IT之家注意到,SeedRealtime 原生支持声音、画面与时序信息的深度融合,既能结合场景消解同音词歧义,也能准确理解视觉中的时序指代,让所见、所闻与所说融为一体。 这意味着,在多人、嘈杂、开放的真实环境中,模型不仅能看懂当前画面,还能分清说话对象、理解上下文关...
IT之家 11 月 19 日消息,11 月 18 日,地平线机器人实验室发布原生视频几何基础模型 LoFT(Looped Foundation Transformer for Video Geometry)。据介绍,该模型能够从 RGB 视频中联合预测相机位姿、内参及逐帧深度,恢复场景三维结构,为机器人空间感知、环境理解与具身学习提供几何基础。 官方称,LoFT 原生面向连续视频建模,采用 双循环 Transformer 架构 ,将跨帧视觉信息聚合与相机状态迭代优化相结合,用于挖掘视频中的时序关联与多视角几何信息。 IT之家从官方公布信息获悉,第一循环通过局部与全局时序注意力聚合跨帧信息,逐步扩大时间感受范围,利用相邻帧的连续性与跨视角的几何关联;第二循环显式更新相机位姿与内参,并将相机状态反馈至下一轮特征计算。 模型结合双循环特征预测逐帧深度及其置信度,恢复场景的可见三维结构。 ▲ 原生双循环 Transformer:LB1 ...
推荐理由:来自IT之家 AI的《地平线发布 LoFT 原生视频几何基础模型,多项指标达到 SoTA》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 19 日消息,11 月 18 日,地平线机器人实验室发布原生视频几何基础模型 LoFT(Looped Foundation Transformer for Video Geometry)。据介绍,该模型能够从 RGB 视频中联合预测相机位姿、内参及逐帧深度,恢复场景三维结构,为机器人空间感知、环境理解与具身学习提供几何基础。 官方称,LoFT 原生面向连续视频建模,采用 双循环 Transformer 架构 ,将跨帧视觉信息聚合与相机状态迭代优化相结合,用于挖掘视频中的时序关联与多视角几何信息。 IT之家从官方公布信息获悉,第一循环通过局部与全局时序注意力聚合跨帧信息,逐步扩大时间感受范围,利用相邻帧的连续性与跨视角的几何关联;第二循环显式更新相机位姿与内参,并将相机状态反馈至下一轮特征计算。 模型结合双循环特征预测逐帧深度及其置信度,恢复场景的可见三维结构。 ▲ 原生双循环 Transformer:LB1 ...
IT之家 11 月 19 日消息,谷歌旗下 Google Labs 昨日(11 月 18 日)推出实验性产品智能体 Stitch Loop,可连接代码库与线上实时数据,在软件发布后持续发现问题、提出改进方案并编写代码。 与完成单次任务便结束的工具不同,该智能体围绕团队设定的目标全天候运行,目标达成后仍会监测,防止相关指标再次下滑。IT之家附上相关演示视频如下: Stitch Loop 支持 180 多种集成,也可通过自定义 MCP 服务器或本地命令行上传资料。其工作流程包括发现改进机会、提供备选方案、编写代码和跟踪效果,形成持续优化循环。 在默认情况下,Stitch Loop 会执行网络安全、响应延迟和无障碍访问 3 次循环(用户可以额外设置循环次数),每次循环都会经历以下 4 个步骤: 建议: Stitch Loop 以产品中的证据为基础,呈现出实现目标进展的机会。 解决方案: 每个建议都附带一个或多个解决方案,个隔离的云沙盒...
推荐理由:来自IT之家 AI的《谷歌推出 Stitch Loop:定位永远不下班的“产品进化器”,替你盯着产品改 Bug》。重点看智能体工作流、产品发布。摘要提到:IT之家 11 月 19 日消息,谷歌旗下 Google Labs 昨日(11 月 18 日)推出实验性产品智能体 Stitch Loop,可连接代码库与线上实时数据,在软件发布后持续发现问题、提出改进方案并编写代码。 与完成单次任务便结束的工具不同,该智能体围绕团队设定的目标全天候运行,目标达成后仍会监测,防止相关指标再次下滑。IT之家附上相关演示视频如下: Stitch Loop 支持 180 多种集成,也可通过自定义 MCP 服务器或本地命令行上传资料。其工作流程包括发现改进机会、提供备选方案、编写代码和跟踪效果,形成持续优化循环。 在默认情况下,Stitch Loop 会执行网络安全、响应延迟和无障碍访问 3 次循环(用户可以额外设置循环次数),每次循环都会经历以下 4 个步骤: 建议: Stitch Loop 以产品中的证据为基础,呈现出实现目标进展的机会。 解决方案: 每个建议都附带一个或多个解决方案,个隔离的云沙盒...
谷歌Gemini应用现在支持低内存安卓设备。在手机上访问Gemini Live和自定义图像创建。立即下载应用。
推荐理由:请对照Google AI Blog原文,核对完整说明及适用条件。
IT之家 11 月 18 日消息,腾讯今日发布 2026 年第三季度财报,称正加速推进 AI 化变革,向 AI 引领的科技公司迈进。 微信官方今日宣布,小微用户测试范围扩大, 日活跃用户数 (DAU) 已达 3000 万 ,逐步融入微信聊天、朋友圈、公众号、视频号等高频场景。 据介绍,小微是 每个人的私人 AI 助理 ( personal assistant for everyone ),在微信生态内即可即时使用,从设计之初便注重隐私保护, 使用及运营成本低 。 IT之家获悉,小微采用 WeLM 模型,一款针对成本效率及小微易用性进行优化的定制模型,因此推理成本极低且持续下降。未来, 官方预计部分推理任务将在用户设备端运行 。 微信表示,小微依托生态体系构建智能体能力,如依托支付及小程序服务,充分利用微信与数百万商户已有的连接;与现有小程序生态支持与服务提供方建立共赢关系, 不会与其产生利益冲突 。 商业化方面,官方称小微将对微...
推荐理由:来自IT之家 AI的《微信:私人 AI 助理“小微”日活跃用户数已达 3000 万,预计未来部分推理任务在设备端运行》。重点看智能体工作流、模型能力与工程、产品发布。摘要提到:IT之家 11 月 18 日消息,腾讯今日发布 2026 年第三季度财报,称正加速推进 AI 化变革,向 AI 引领的科技公司迈进。 微信官方今日宣布,小微用户测试范围扩大, 日活跃用户数 (DAU) 已达 3000 万 ,逐步融入微信聊天、朋友圈、公众号、视频号等高频场景。 据介绍,小微是 每个人的私人 AI 助理 ( personal assistant for everyone ),在微信生态内即可即时使用,从设计之初便注重隐私保护, 使用及运营成本低 。 IT之家获悉,小微采用 WeLM 模型,一款针对成本效率及小微易用性进行优化的定制模型,因此推理成本极低且持续下降。未来, 官方预计部分推理任务将在用户设备端运行 。 微信表示,小微依托生态体系构建智能体能力,如依托支付及小程序服务,充分利用微信与数百万商户已有的连接;与现有小程序生态支持与服务提供方建立共赢关系, 不会与其产生利益冲突 。 商业化方面,官方称小微将对微...
IT之家 11 月 18 日消息,在昨日(11 月 17 日)召开的 Ignite 2026 活动中,微软宣布将升级面向企业的 Edge for Business 浏览器,加速将其改造为 AI 浏览器,并引入了多项 Copilot 技能,替用户完成网页工作。 微软官方表示 Microsoft Edge 已成为全球使用率最高的企业浏览器。 本次更新最大的亮点在于为 Edge for Business 浏览器整合 Copilot Cowork 技能,在得到用户的授权后,Copilot 可在单个或多个网页间执行多步骤任务,例如查找资料、整理信息、填写流程或完成重复性操作。用户只需在侧边栏用自然语言说明目标,AI 便会开始执行。IT之家附上相关视频如下: 微软还推出 Skills Recorder。用户可以先在浏览器中手动完成一次任务,系统会记录操作步骤,并将其保存为可重复调用的 Copilot 技能;此后只需下达指令,Copilot ...
推荐理由:来自IT之家 AI的《全球使用率最高的企业浏览器:微软 Edge for Business 进化,让 AI 替你干活》。重点看多模态。摘要提到:IT之家 11 月 18 日消息,在昨日(11 月 17 日)召开的 Ignite 2026 活动中,微软宣布将升级面向企业的 Edge for Business 浏览器,加速将其改造为 AI 浏览器,并引入了多项 Copilot 技能,替用户完成网页工作。 微软官方表示 Microsoft Edge 已成为全球使用率最高的企业浏览器。 本次更新最大的亮点在于为 Edge for Business 浏览器整合 Copilot Cowork 技能,在得到用户的授权后,Copilot 可在单个或多个网页间执行多步骤任务,例如查找资料、整理信息、填写流程或完成重复性操作。用户只需在侧边栏用自然语言说明目标,AI 便会开始执行。IT之家附上相关视频如下: 微软还推出 Skills Recorder。用户可以先在浏览器中手动完成一次任务,系统会记录操作步骤,并将其保存为可重复调用的 Copilot 技能;此后只需下达指令,Copilot ...
从 AI 出片,走向 AI 交片 #欢迎关注爱范儿官方微信公众号:爱范儿(微信号:ifanr),更多精彩内容第一时间为您奉上。
推荐理由:请对照爱范儿原文,核对完整说明及适用条件。
IT之家 11 月 18 日消息,韩国《中央日报》当地时间 17 日报道称,三星电子计划在 CES 2027 上公布一款名称暂定为 "TV-1" 的创新智能电视设备,可通过人工智能技术捕获观众的动作和兴趣,并据此调整观看环境。 "TV-1" 将支持一项实用功能: 当用户起身休息 / 喝水时 , 其能自动停止视频内容的播 放 ;而当用户重新落座时,播放也会自动恢复。 该产品的设计理念是让电视化身客厅中的 AI 伴侣。其 还允许用户直接在电视端查找电视剧中演员所穿的衣服或屏幕上出现的餐厅的信息 。 三星电子正努力提升电视售出后的附加增值收入,以抵御电视更换周期延长、对手竞争力提升对其 VD(视觉显示)业务整体营收的影响。 参考 https://www.joongang.co.kr/article/25479217
推荐理由:来自IT之家 AI的《消息称三星电子计划在 CES 2027 公布支持自动起身暂停的电视》。重点看文化创意、产品发布。摘要提到:IT之家 11 月 18 日消息,韩国《中央日报》当地时间 17 日报道称,三星电子计划在 CES 2027 上公布一款名称暂定为 "TV-1" 的创新智能电视设备,可通过人工智能技术捕获观众的动作和兴趣,并据此调整观看环境。 "TV-1" 将支持一项实用功能: 当用户起身休息 / 喝水时 , 其能自动停止视频内容的播 放 ;而当用户重新落座时,播放也会自动恢复。 该产品的设计理念是让电视化身客厅中的 AI 伴侣。其 还允许用户直接在电视端查找电视剧中演员所穿的衣服或屏幕上出现的餐厅的信息 。 三星电子正努力提升电视售出后的附加增值收入,以抵御电视更换周期延长、对手竞争力提升对其 VD(视觉显示)业务整体营收的影响。 参考 https://www.joongang.co.kr/article/25479217
IT之家 11 月 18 日消息,在昨日(11 月 17 日)召开的 Ignite 2026 大会上, 微软宣布其首款语音对语音模型 MAI Realtime 1,定位为面向真实企业场景的实时语音 AI 。该模型可处理打断、快速确认和等待对方说完等自然对话细节,并能在嘈杂环境或多人同时说话时理解用户请求。 价格方面,微软称该模型基础语音对语音使用费为每音频分钟 0.01 美元 (IT之家注:现汇率约合 0.067 元人民币) ;若涉及推理,则按每百万输入 token 1 美元 (现汇率约合 6.7 元人民币) 、每百万输出 token 5 美元 (现汇率约合 33.4 元人民币) 另行计费。 微软表示 MAI Realtime 1 不仅可实时回应语音,还能在任务需要更深入思考时调用更强的推理引擎,并连接企业系统与工具,完成预订、客服处理等复杂操作;开发者为了适配不同客户和行业,还通过提示词调整其语气、风格和行为。 微软表示,在公...
推荐理由:来自IT之家 AI的《微软首款语音对语音模型:MAI Realtime 1 登场,起价每分钟 0.01 美元》。重点看模型能力与工程。摘要提到:IT之家 11 月 18 日消息,在昨日(11 月 17 日)召开的 Ignite 2026 大会上, 微软宣布其首款语音对语音模型 MAI Realtime 1,定位为面向真实企业场景的实时语音 AI 。该模型可处理打断、快速确认和等待对方说完等自然对话细节,并能在嘈杂环境或多人同时说话时理解用户请求。 价格方面,微软称该模型基础语音对语音使用费为每音频分钟 0.01 美元 (IT之家注:现汇率约合 0.067 元人民币) ;若涉及推理,则按每百万输入 token 1 美元 (现汇率约合 6.7 元人民币) 、每百万输出 token 5 美元 (现汇率约合 33.4 元人民币) 另行计费。 微软表示 MAI Realtime 1 不仅可实时回应语音,还能在任务需要更深入思考时调用更强的推理引擎,并连接企业系统与工具,完成预订、客服处理等复杂操作;开发者为了适配不同客户和行业,还通过提示词调整其语气、风格和行为。 微软表示,在公...
IT之家 11 月 18 日消息,微软昨日(11 月 17 日)发布推出 MAI Image 2.7 和 MAI Image 2.7 Flash 图像生成与编辑模型,并上线由 Flash 驱动的交互式创作空间 Canvas。 费用方面,两款模型已在 Microsoft Foundry 开启公开预览,官方公布的每千张图片成本分别约为 35 美元 (IT之家注:现汇率约合 233.8 元人民币) 和 10 美元 (现汇率约合 66.8 元人民币) 。 此次更新重点强调“只改需要改的地方”。据微软介绍,MAI Image 2.7 可调整画面中物体的颜色、材质或位置,同时保持其余部分稳定,并在连续修改中维持视觉一致性。两款模型均支持透明背景,可用于制作商品图、标志、图标和插画,减少后续抠图工作。 Canvas 则将生成与修改整合在同一工作区:用户可以从文字提示或草图开始创作,再选中图片局部,进行替换、移动或风格调整。 性能方面,微软援引...
推荐理由:来自IT之家 AI的《“全球第一修图 AI 模型”:微软 MAI Image 2.7 登场,用 1/5 价格击败 GPT Image 2.6 登顶》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 18 日消息,微软昨日(11 月 17 日)发布推出 MAI Image 2.7 和 MAI Image 2.7 Flash 图像生成与编辑模型,并上线由 Flash 驱动的交互式创作空间 Canvas。 费用方面,两款模型已在 Microsoft Foundry 开启公开预览,官方公布的每千张图片成本分别约为 35 美元 (IT之家注:现汇率约合 233.8 元人民币) 和 10 美元 (现汇率约合 66.8 元人民币) 。 此次更新重点强调“只改需要改的地方”。据微软介绍,MAI Image 2.7 可调整画面中物体的颜色、材质或位置,同时保持其余部分稳定,并在连续修改中维持视觉一致性。两款模型均支持透明背景,可用于制作商品图、标志、图标和插画,减少后续抠图工作。 Canvas 则将生成与修改整合在同一工作区:用户可以从文字提示或草图开始创作,再选中图片局部,进行替换、移动或风格调整。 性能方面,微软援引...
IT之家 11 月 18 日消息, 商汤科技昨日晚间正式发布 SenseNova Loop-9B 模型 。 寒武纪官方宣布, 已完成对商汤新发布模型日日新 SenseNova Loop-9B 的 Day 0 适配 。 据介绍,该模型通过 Loop 结构复用模型层的参数,并结合流形约束超连接(mHC),在有限的参数规模下扩展计算深度,面向复杂推理、代码、工具调用和多模态任务,进一步优化模型在 Agent、代码与数据分析任务中的表现,持续探索循环计算的能力边界。 寒武纪表示,针对 SenseNova Loop-9B 的架构特点, 寒武纪基于 vllm_mlu 完成 Day 0 适配,打通模型在 MLU 平台上的推理链路 。本次适配主要围绕 Loop 循环结构、MLU 算子适配、mHC 路由优化三个方向展开。IT之家附三大方向具体适配内容如下: 1. Loop 循环层展开:静态展开计算,复用标准推理机制 Loop 循环结构是 Sens...
推荐理由:来自IT之家 AI的《寒武纪 Day 0 完成商汤 SenseNova Loop-9B 适配,打通新型循环计算架构推理链路》。重点看智能体工作流、模型能力与工程、产品发布。摘要提到:IT之家 11 月 18 日消息, 商汤科技昨日晚间正式发布 SenseNova Loop-9B 模型 。 寒武纪官方宣布, 已完成对商汤新发布模型日日新 SenseNova Loop-9B 的 Day 0 适配 。 据介绍,该模型通过 Loop 结构复用模型层的参数,并结合流形约束超连接(mHC),在有限的参数规模下扩展计算深度,面向复杂推理、代码、工具调用和多模态任务,进一步优化模型在 Agent、代码与数据分析任务中的表现,持续探索循环计算的能力边界。 寒武纪表示,针对 SenseNova Loop-9B 的架构特点, 寒武纪基于 vllm_mlu 完成 Day 0 适配,打通模型在 MLU 平台上的推理链路 。本次适配主要围绕 Loop 循环结构、MLU 算子适配、mHC 路由优化三个方向展开。IT之家附三大方向具体适配内容如下: 1. Loop 循环层展开:静态展开计算,复用标准推理机制 Loop 循环结构是 Sens...
IT之家 11 月 17 日消息,快手可灵 AI 今天(17 日)深夜宣布,全新一代图像创作模型 Kling Image 4.0 正式上线,同时面向企业客户与开发者开放 API 接入。 新模型采用「理解生成统一」架构,探索将视觉理解与图像生成融入统一的模型体系,进一步打通从理解创作意图到生成视觉内容的链路。快手表示,在实现模型能力进一步提升的同时,图像创作在真实感、文字表现和内容组织上,也拥有了更多可能。 围绕这些方向,Kling Image 4.0 带来了三大核心升级 : 真实感与原生 8K: 将物理规律与视觉感知融入生成过程,让光影、肤质与材质纹理呈现接近相机直出的自然观感;首次支持原生 8K 图像生成,呈现更丰富细节,为高清展示与后期裁切提供更多空间。 超强文字表现力 :支持单张照片内生成 2000 字,更准确地理解复杂指令与排版需求,让小字清晰、花字出彩。 连贯组图与长图生成 :按创作意图规划内容,一次描述最多生成 10...
推荐理由:来自IT之家 AI的《快手可灵全新一代图像创作模型 Kling Image 4.0 上线:首次支持原生 8K,单图内可生成 2000 字》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 17 日消息,快手可灵 AI 今天(17 日)深夜宣布,全新一代图像创作模型 Kling Image 4.0 正式上线,同时面向企业客户与开发者开放 API 接入。 新模型采用「理解生成统一」架构,探索将视觉理解与图像生成融入统一的模型体系,进一步打通从理解创作意图到生成视觉内容的链路。快手表示,在实现模型能力进一步提升的同时,图像创作在真实感、文字表现和内容组织上,也拥有了更多可能。 围绕这些方向,Kling Image 4.0 带来了三大核心升级 : 真实感与原生 8K: 将物理规律与视觉感知融入生成过程,让光影、肤质与材质纹理呈现接近相机直出的自然观感;首次支持原生 8K 图像生成,呈现更丰富细节,为高清展示与后期裁切提供更多空间。 超强文字表现力 :支持单张照片内生成 2000 字,更准确地理解复杂指令与排版需求,让小字清晰、花字出彩。 连贯组图与长图生成 :按创作意图规划内容,一次描述最多生成 10...
IT之家 11 月 17 日消息,商汤科技今天(17 日)晚间正式发布 SenseNova Loop-9B 模型。 该模型 延续了 Preview 版本对参数效率的探索 :通过 Loop 结构复用模型层的参数,并结合流形约束超连接(mHC),在约 9B 参数规模下扩展计算深度,面向复杂推理、代码、工具调用和多模态任务。 模型得益于 Loop 的高效循环结构, 官方 4bit 量化后权重仅约 4.9GB ,部署显存需求低至 10 GB 内,能显著拓宽可部署的硬件范围, 让低显存芯片获得前沿 27B 级别模型性能成为可能 。 SenseNova Loop-9B 总参数量约为 9B。模型通过两次执行共享的中间层,将 32 个物理解码层扩展为 56 次层计算;支持文本、图像输入和文本输出, 上下文长度最高可达 512K tokens 。 官方表示,在 Agent 与数据分析评测中,模型展现出与 Qwen3.8-27B 相当的竞争力:NL...
推荐理由:来自IT之家 AI的《商汤发布 SenseNova Loop-9B 模型:部署显存需求低至 10 GB 内》。重点看智能体工作流、模型能力与工程、评测与基准。摘要提到:IT之家 11 月 17 日消息,商汤科技今天(17 日)晚间正式发布 SenseNova Loop-9B 模型。 该模型 延续了 Preview 版本对参数效率的探索 :通过 Loop 结构复用模型层的参数,并结合流形约束超连接(mHC),在约 9B 参数规模下扩展计算深度,面向复杂推理、代码、工具调用和多模态任务。 模型得益于 Loop 的高效循环结构, 官方 4bit 量化后权重仅约 4.9GB ,部署显存需求低至 10 GB 内,能显著拓宽可部署的硬件范围, 让低显存芯片获得前沿 27B 级别模型性能成为可能 。 SenseNova Loop-9B 总参数量约为 9B。模型通过两次执行共享的中间层,将 32 个物理解码层扩展为 56 次层计算;支持文本、图像输入和文本输出, 上下文长度最高可达 512K tokens 。 官方表示,在 Agent 与数据分析评测中,模型展现出与 Qwen3.8-27B 相当的竞争力:NL...
作者|桦林舞王 编辑|靖宇 底座架构重写,单任务成本暴降近六成,阿里把旗舰模型拉进了真实排班表。 终于,一款国产旗舰模型现身了。 11 月 16 日,阿里千问正式发布新一代旗舰模型 Qwen4-Max。就在五天前,它的预览版 qwen4-max-preview 刚在 Token Plan 里低调露过面,今天正式版直接亮出了完整底牌。 新模型依然维持着 2.4 万亿(2.4T)的主干总参数规模,原生支持文本、图像和视频输入,上下文窗口拉到了 100 万 Token。不过比参数表更显眼的,是官方同时给出的一笔账单:在模拟真实工作场景的评测里,千问 4 Max 跑完单个任务的平均费用, 从上一代的 26.58 元降到了 11.16 元,直接砍掉 58% 。 千问团队这次释放的信号很明确,旗舰大模型单纯拼纸面考分的阶段翻篇了,现在的目标是把模型塞进真实工作流,当一个能扛长活、也算得过账的「新同事」。 01 给 2.4 万亿参数的巨兽「减...
推荐理由:来自极客公园的《全村希望,千问 4 Max 正式发布,2.4 万亿参数模型「进厂打工」》。重点看智能体工作流、模型能力与工程、评测与基准。摘要提到:作者|桦林舞王 编辑|靖宇 底座架构重写,单任务成本暴降近六成,阿里把旗舰模型拉进了真实排班表。 终于,一款国产旗舰模型现身了。 11 月 16 日,阿里千问正式发布新一代旗舰模型 Qwen4-Max。就在五天前,它的预览版 qwen4-max-preview 刚在 Token Plan 里低调露过面,今天正式版直接亮出了完整底牌。 新模型依然维持着 2.4 万亿(2.4T)的主干总参数规模,原生支持文本、图像和视频输入,上下文窗口拉到了 100 万 Token。不过比参数表更显眼的,是官方同时给出的一笔账单:在模拟真实工作场景的评测里,千问 4 Max 跑完单个任务的平均费用, 从上一代的 26.58 元降到了 11.16 元,直接砍掉 58% 。 千问团队这次释放的信号很明确,旗舰大模型单纯拼纸面考分的阶段翻篇了,现在的目标是把模型塞进真实工作流,当一个能扛长活、也算得过账的「新同事」。 01 给 2.4 万亿参数的巨兽「减...
IT 之家 11 月 17 日消息,昨日有开发者反馈称,苹果在 App Store Connect 后台新增了两项面向中国大陆分发的合规必填项。 有开发者发现,在准备提交新版本时,后台要求补充“人工智能生成或合成内容(AIGC)服务声明与备案信息”,以及“已完成安全评估的证明”。 根据苹果提示,若 App 包含 AIGC 服务(如聊天机器人、图像或视频生成、语音或人脸编辑),需提交备案信息;若使用了第三方技术,还必须上传“第三方技术的授权或使用协议”。 安全评估方面,则要求提交在全国互联网安全管理服务平台通过的记录、报告以及评估报告副本。 IT 之家注意到,两项合规要求的截止时间一致:现有 App 须在 2027 年 1 月 31 日前完成,新 App 则需立即提交。 其中,AIGC 服务声明对应的是《生成式人工智能服务管理暂行办法》下的备案与登记义务,安全评估则指向《互联网信息服务安全评估规定》中对具有舆论属性或社会动员能力服...
推荐理由:来自IT之家 AI的《苹果中国区 App Store 开发者平台新增 AIGC 合规入口:现有应用须在 2027 年 1 月 31 日前补齐备案信息》。重点看多模态、政策/监管。摘要提到:IT 之家 11 月 17 日消息,昨日有开发者反馈称,苹果在 App Store Connect 后台新增了两项面向中国大陆分发的合规必填项。 有开发者发现,在准备提交新版本时,后台要求补充“人工智能生成或合成内容(AIGC)服务声明与备案信息”,以及“已完成安全评估的证明”。 根据苹果提示,若 App 包含 AIGC 服务(如聊天机器人、图像或视频生成、语音或人脸编辑),需提交备案信息;若使用了第三方技术,还必须上传“第三方技术的授权或使用协议”。 安全评估方面,则要求提交在全国互联网安全管理服务平台通过的记录、报告以及评估报告副本。 IT 之家注意到,两项合规要求的截止时间一致:现有 App 须在 2027 年 1 月 31 日前完成,新 App 则需立即提交。 其中,AIGC 服务声明对应的是《生成式人工智能服务管理暂行办法》下的备案与登记义务,安全评估则指向《互联网信息服务安全评估规定》中对具有舆论属性或社会动员能力服...
IT之家 11 月 17 日消息,OpenAI 昨天宣布推出儿童性虐待内容(CSAM)检测工具。该产品可中断有害行为,同时提供干预措施,并为负责儿童安全案件的执法调查人员提供支持。该工具将通过 OpenAI API,向经过审核的机构免费开放。 据介绍,OpenAI 已推出全新的图像分类器,用于检测潜在的儿童性虐待内容。该分类器会寻找虐待行为的视觉特征,帮助审核团队识别未曾见过的新图像,同时提供评分功能,帮助审核人员判断哪些图像可能需要优先处理。 美国国家失踪与受剥削儿童中心(NCMEC)在该工具的开发过程中提供支持,协助 OpenAI 完成训练、评估和实际部署工作。 同时该工具相比现有保护措施,可减少 48% 误标记图像数量。在标记的图像中,实际包含性虐待内容的可能性约为原来的两倍。invideo AI 测试显示,每四个被标记的案例中,就有一个最终被封禁。 此外,OpenAI 将在 ChatGPT 中新增产品警告。当用户试图寻找...
推荐理由:来自IT之家 AI的《OpenAI 推出儿童性虐待内容检测工具,加强儿童网络安全防护》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 17 日消息,OpenAI 昨天宣布推出儿童性虐待内容(CSAM)检测工具。该产品可中断有害行为,同时提供干预措施,并为负责儿童安全案件的执法调查人员提供支持。该工具将通过 OpenAI API,向经过审核的机构免费开放。 据介绍,OpenAI 已推出全新的图像分类器,用于检测潜在的儿童性虐待内容。该分类器会寻找虐待行为的视觉特征,帮助审核团队识别未曾见过的新图像,同时提供评分功能,帮助审核人员判断哪些图像可能需要优先处理。 美国国家失踪与受剥削儿童中心(NCMEC)在该工具的开发过程中提供支持,协助 OpenAI 完成训练、评估和实际部署工作。 同时该工具相比现有保护措施,可减少 48% 误标记图像数量。在标记的图像中,实际包含性虐待内容的可能性约为原来的两倍。invideo AI 测试显示,每四个被标记的案例中,就有一个最终被封禁。 此外,OpenAI 将在 ChatGPT 中新增产品警告。当用户试图寻找...
IT之家 11 月 17 日消息,据 MacRumors 今日报道,苹果正在测试为 Siri AI 和 Apple Intelligence 引入每日免费使用额度,并允许用户通过订阅 iCloud+ 获得更高的使用限额。 苹果已在 iOS 27.3、iPadOS 27.3 和 macOS 27.3 测试版中加入相关机制。根据目前发现的内容,每台设备每天都将获得一定数量的免费 AI 使用额度。当免费额度耗尽后,用户可以订阅 iCloud+ 获得额外使用次数,也可以等待次日额度重置。 此次受到额度限制的功能主要包括四类: 依赖云端处理的复杂 Siri AI 请求,例如结合个人信息判断何时出门才能准时抵达目的地; 图乐园(Image Playground)图像生成与编辑功能,以及照片应用中的 Clean Up(清理)、Extend(扩展)和 Spatial Reframing(空间重新构图); 依赖 AFM Cloud 和 AFM C...
推荐理由:来自IT之家 AI的《苹果 iOS 27.3 测试版新增 Siri AI 每日限额,付费订阅 iCloud+ 可提升 2~20 倍》。重点看多模态。摘要提到:IT之家 11 月 17 日消息,据 MacRumors 今日报道,苹果正在测试为 Siri AI 和 Apple Intelligence 引入每日免费使用额度,并允许用户通过订阅 iCloud+ 获得更高的使用限额。 苹果已在 iOS 27.3、iPadOS 27.3 和 macOS 27.3 测试版中加入相关机制。根据目前发现的内容,每台设备每天都将获得一定数量的免费 AI 使用额度。当免费额度耗尽后,用户可以订阅 iCloud+ 获得额外使用次数,也可以等待次日额度重置。 此次受到额度限制的功能主要包括四类: 依赖云端处理的复杂 Siri AI 请求,例如结合个人信息判断何时出门才能准时抵达目的地; 图乐园(Image Playground)图像生成与编辑功能,以及照片应用中的 Clean Up(清理)、Extend(扩展)和 Spatial Reframing(空间重新构图); 依赖 AFM Cloud 和 AFM C...
IT之家 11 月 16 日消息,现在,《毁灭战士》(Doom)甚至能在 U 盘自带的 LCD 屏幕上运行,玩家只需通过与 U 盘之间复制文件就能游玩。硬件改装爱好者亚伦 · 克里斯托费尔(Aaron Christophel)在一段拆解视频中展示了这一成果。 这款 U 盘显示芯片上的型号标识已经被人为抹除,不过,克里斯托费尔发现设备保留了开放的调试接口,于是通过该接口提取了芯片固件,并据此确定了芯片型号。随后,他借助 AI 对硬件进行逆向分析,最终成功让《毁灭战士》在 U 盘屏幕上运行。 这款现成的产品名为 MOVESPEED MSSU10,一端配备 USB-A 接口,另一端配备 USB-C 接口。克里斯托费尔购买的是该系列容量最小的 128GB 版本,花费约 50 欧元 (IT之家注:现汇率约合 368.1 元人民币) 。正常情况下,U 盘屏幕会显示传输速度、剩余容量以及设备温度等状态信息。 这款 U 盘采用慧荣科技(Sili...
推荐理由:来自IT之家 AI的《U 盘屏幕也能跑《毁灭战士》,靠文件复制就能玩》。重点看产品发布。摘要提到:IT之家 11 月 16 日消息,现在,《毁灭战士》(Doom)甚至能在 U 盘自带的 LCD 屏幕上运行,玩家只需通过与 U 盘之间复制文件就能游玩。硬件改装爱好者亚伦 · 克里斯托费尔(Aaron Christophel)在一段拆解视频中展示了这一成果。 这款 U 盘显示芯片上的型号标识已经被人为抹除,不过,克里斯托费尔发现设备保留了开放的调试接口,于是通过该接口提取了芯片固件,并据此确定了芯片型号。随后,他借助 AI 对硬件进行逆向分析,最终成功让《毁灭战士》在 U 盘屏幕上运行。 这款现成的产品名为 MOVESPEED MSSU10,一端配备 USB-A 接口,另一端配备 USB-C 接口。克里斯托费尔购买的是该系列容量最小的 128GB 版本,花费约 50 欧元 (IT之家注:现汇率约合 368.1 元人民币) 。正常情况下,U 盘屏幕会显示传输速度、剩余容量以及设备温度等状态信息。 这款 U 盘采用慧荣科技(Sili...
IT之家 11 月 16 日消息,康冠旗下 KTC 近日推出了 VMAX 全感知智能体主机。这一设备 在 Windows 迷你主机的基础上整合了云台摄像头、阵列麦克风和 VMAX GO 随行屏 。 VMAX 迷你主机本地集成视觉算法、音频算法、对话及会议纪要大模型,配备智能工作台, 可本地运行一系列复合型 AI 工作负载 ,支持语音交互。 而磁吸式可拆卸的 VMAX GO 随行屏接驳主机时可作为直观管理入口;脱离后则能作为便携录音副屏独立使用,支持远程语音指令下发, 离线状态下独立采集音频信息 ,放回主机后自动同步数据并生成结构化会议纪要。
推荐理由:来自IT之家 AI的《KTC 推出 VMAX 全感知智能体主机,配备 VMAX GO 随行屏》。重点看智能体工作流、模型能力与工程。摘要提到:IT之家 11 月 16 日消息,康冠旗下 KTC 近日推出了 VMAX 全感知智能体主机。这一设备 在 Windows 迷你主机的基础上整合了云台摄像头、阵列麦克风和 VMAX GO 随行屏 。 VMAX 迷你主机本地集成视觉算法、音频算法、对话及会议纪要大模型,配备智能工作台, 可本地运行一系列复合型 AI 工作负载 ,支持语音交互。 而磁吸式可拆卸的 VMAX GO 随行屏接驳主机时可作为直观管理入口;脱离后则能作为便携录音副屏独立使用,支持远程语音指令下发, 离线状态下独立采集音频信息 ,放回主机后自动同步数据并生成结构化会议纪要。
IT之家 11 月 16 日消息,Arena( arena.ai )平台发布了 2026 年第 46 周(2026 年 11 月 9 日 ~11 月 15 日)大模型盲测投票榜单。 本周最大看点来自谷歌:新模型 Gemini 4 Carbon (High) 首秀便以 1526 分登顶综合榜,同家族的 Gemini 4 Argon (High) 以 1522 分紧随其后,两者仅差 4 分,在误差范围内视为并列第一。 国产模型方面,前端开发榜上 月之暗面 kimi k3.1 pro (Max) 首次杀入第 12 名,成为榜单中排名最高的国产模型;AI 视频榜上,字节跳动 dreamina seedance 2.0 / 2.5 分别占据第 6、7 名,阿里 wan 3.0 位列第 8 名,国产阵营在视频生成赛道已稳定占据第一梯队。 整体来看,本周榜单呈现“谷歌新王登顶、Anthropic 固守智能体与前端、国产模型在多模态赛道持续渗透...
推荐理由:来自IT之家 AI的《AI 大模型周榜:谷歌 Gemini 4 Carbon 首秀强势登顶,国产模型稳居视频榜前五阵营》。重点看智能体工作流、模型能力与工程、产品发布。摘要提到:IT之家 11 月 16 日消息,Arena( arena.ai )平台发布了 2026 年第 46 周(2026 年 11 月 9 日 ~11 月 15 日)大模型盲测投票榜单。 本周最大看点来自谷歌:新模型 Gemini 4 Carbon (High) 首秀便以 1526 分登顶综合榜,同家族的 Gemini 4 Argon (High) 以 1522 分紧随其后,两者仅差 4 分,在误差范围内视为并列第一。 国产模型方面,前端开发榜上 月之暗面 kimi k3.1 pro (Max) 首次杀入第 12 名,成为榜单中排名最高的国产模型;AI 视频榜上,字节跳动 dreamina seedance 2.0 / 2.5 分别占据第 6、7 名,阿里 wan 3.0 位列第 8 名,国产阵营在视频生成赛道已稳定占据第一梯队。 整体来看,本周榜单呈现“谷歌新王登顶、Anthropic 固守智能体与前端、国产模型在多模态赛道持续渗透...
IT之家 11 月 16 日消息,腾讯混元团队今天宣布正式推出 Hy4 flash,官方将其定位为迄今性价比最高的 Hy 模型。 其模型总参数量 224B,其中包含 64B Engram 参数,每个 token 激活 12B 参数,支持多模态输入与 100 万 token 上下文长度,API 价格较 Hy4 大幅降低。 腾讯表示,Hy4 flash 的高性价比来自预训练、后训练和推理三个阶段的协同优化。预训练阶段引入混合注意力、LatentMoE 与 Engram(IT之家注:Engram 是一种可扩展的查表式参数模块,用于以较低算力成本扩充模型容量)等架构,KV cache 大小降至 Hy3 的 1/24、Hy4 的 1/6。后训练阶段通过自蒸馏 Hy4 获得综合智能水平,再经强化学习将端到端任务输出长度压缩 50%。推理阶段结合 megakernel、4bit 量化和 dflash 等手段,解码速度超过 150 tps,支持...
推荐理由:来自IT之家 AI的《腾讯混元 Hy4 flash 模型发布:224B 总参、12B 激活,单任务成本约 Hy4 的 5%》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 16 日消息,腾讯混元团队今天宣布正式推出 Hy4 flash,官方将其定位为迄今性价比最高的 Hy 模型。 其模型总参数量 224B,其中包含 64B Engram 参数,每个 token 激活 12B 参数,支持多模态输入与 100 万 token 上下文长度,API 价格较 Hy4 大幅降低。 腾讯表示,Hy4 flash 的高性价比来自预训练、后训练和推理三个阶段的协同优化。预训练阶段引入混合注意力、LatentMoE 与 Engram(IT之家注:Engram 是一种可扩展的查表式参数模块,用于以较低算力成本扩充模型容量)等架构,KV cache 大小降至 Hy3 的 1/24、Hy4 的 1/6。后训练阶段通过自蒸馏 Hy4 获得综合智能水平,再经强化学习将端到端任务输出长度压缩 50%。推理阶段结合 megakernel、4bit 量化和 dflash 等手段,解码速度超过 150 tps,支持...
是石科技最新发布多模态模型服务
推荐理由:请对照量子位原文,核对完整说明及适用条件。
IT之家 11 月 16 日消息,腾讯 WorkBuddy 国际版昨日宣布,已正式上线谷歌 Gemini 4 Carbon 模型,主要面向需要更深入推理和处理更长任务的使用场景。 官方将其定位为适合处理复杂问题的模型,目前仅面向 Pro 计划用户开放。 IT之家此前报道,谷歌称 Gemini 4 Carbon 模型主要面向长周期智能体工作流,适用于复杂知识工作、软件工程、网络安全和科学推理等任务。模型支持文本、图像、音频和视频输入,输入与输出合计上下文窗口最高可达 100 万 Token。 此次接入意味着 WorkBuddy Pro 用户可以在该平台内调用 Gemini 4 Carbon,无需仅通过谷歌自有产品使用。不过,WorkBuddy 官方目前尚未公布该模型在平台内的具体调用额度及使用限制。 相关阅读: 《 腾讯 Workbuddy 致歉:未及时公告优惠活动调整,DeepSeek-V4.1 Flash 积分消耗 5 折结算...
推荐理由:来自IT之家 AI的《腾讯 WorkBuddy 国际版上线 Gemini 4 Carbon 大模型:支持百万 Token 上下文,暂仅限 Pro 用户使用》。重点看智能体工作流、模型能力与工程、产品发布。摘要提到:IT之家 11 月 16 日消息,腾讯 WorkBuddy 国际版昨日宣布,已正式上线谷歌 Gemini 4 Carbon 模型,主要面向需要更深入推理和处理更长任务的使用场景。 官方将其定位为适合处理复杂问题的模型,目前仅面向 Pro 计划用户开放。 IT之家此前报道,谷歌称 Gemini 4 Carbon 模型主要面向长周期智能体工作流,适用于复杂知识工作、软件工程、网络安全和科学推理等任务。模型支持文本、图像、音频和视频输入,输入与输出合计上下文窗口最高可达 100 万 Token。 此次接入意味着 WorkBuddy Pro 用户可以在该平台内调用 Gemini 4 Carbon,无需仅通过谷歌自有产品使用。不过,WorkBuddy 官方目前尚未公布该模型在平台内的具体调用额度及使用限制。 相关阅读: 《 腾讯 Workbuddy 致歉:未及时公告优惠活动调整,DeepSeek-V4.1 Flash 积分消耗 5 折结算...
IT之家 11 月 14 日消息,当地时间 13 日,据外媒 Tom's Hardware 报道,美国的一名 AI 爱好者穆罕默德 · 祖拉利靠着 AI 和简单的电子接线操作,成功让一辆有 32 年车龄的 1994 款 Jeep 切诺基通过了美国加州的尾气检测。 这辆老车的发动机电脑功能十分有限,但祖拉利借助 Arduino Nano 开发板将其连接到笔记本电脑后, 不仅能够读取车辆数据,还逐步实现了对部分参数的控制 。 其发布的视频记录了祖拉利解决尾气排放问题的全过程:从连续检测不合格,到成功连接发动机电脑并读取数据,再到 调整发动机、解决排放超标问题 。整个过程中,Claude 负责指导,Codex 则负责写代码。 切诺基此前多次未能通过加州尾气检测,原因是在 特定车速下氮氧化物排放超标 。最初,车辆在 40km/h 的测试中未能达标。祖拉利随后调整了混合气中的氧气比例,没想到情况反而恶化,40km/h 和 80km/h 两...
推荐理由:来自IT之家 AI的《借助 Claude 和 Arduino 开发板,达人让 1994 款切诺基通过加州排放检测》。重点看产品发布。摘要提到:IT之家 11 月 14 日消息,当地时间 13 日,据外媒 Tom's Hardware 报道,美国的一名 AI 爱好者穆罕默德 · 祖拉利靠着 AI 和简单的电子接线操作,成功让一辆有 32 年车龄的 1994 款 Jeep 切诺基通过了美国加州的尾气检测。 这辆老车的发动机电脑功能十分有限,但祖拉利借助 Arduino Nano 开发板将其连接到笔记本电脑后, 不仅能够读取车辆数据,还逐步实现了对部分参数的控制 。 其发布的视频记录了祖拉利解决尾气排放问题的全过程:从连续检测不合格,到成功连接发动机电脑并读取数据,再到 调整发动机、解决排放超标问题 。整个过程中,Claude 负责指导,Codex 则负责写代码。 切诺基此前多次未能通过加州尾气检测,原因是在 特定车速下氮氧化物排放超标 。最初,车辆在 40km/h 的测试中未能达标。祖拉利随后调整了混合气中的氧气比例,没想到情况反而恶化,40km/h 和 80km/h 两...
IT之家 11 月 13 日消息,据 The Information 引述知情人士消息,SpaceXAI 已对旗下视频与图像生成 AI 工具 Grok Imagine 的大部分研发人员进行了裁撤。 本次裁员涉及约 60 名 Grok Imagine 团队成员 ,目前仅保留少数人员以维持产品的基础运营。尽管该工具现阶段仍可正常访问与使用,但在失去专职研发团队支撑后,其后续发展前景已变得不明朗。 自 2026 年 2 月 xAI 与 SpaceX 完成合并以来,该公司内部便持续推进架构重组,此次人员缩减正是这一调整进程的延续。 知情人士透露,在今年 2 月以价值 2,500 亿美元 (IT之家注:现汇率约合 1.67 万亿元人民币) 的股票收购马斯克旗下人工智能公司 xAI 后,SpaceX 已将战略重心倾斜至 AI 编程工具和 Grok Bot 智能体产品,其优先级高于其他业务线。而 8 月份 SpaceX 以 600 亿美元 (...
推荐理由:来自IT之家 AI的《SpaceXAI 资源向 AI 编程工具与 Grok Bot 倾斜,消息称裁减约 60 名 Grok Imagine 员工》。重点看智能体工作流、产品发布。摘要提到:IT之家 11 月 13 日消息,据 The Information 引述知情人士消息,SpaceXAI 已对旗下视频与图像生成 AI 工具 Grok Imagine 的大部分研发人员进行了裁撤。 本次裁员涉及约 60 名 Grok Imagine 团队成员 ,目前仅保留少数人员以维持产品的基础运营。尽管该工具现阶段仍可正常访问与使用,但在失去专职研发团队支撑后,其后续发展前景已变得不明朗。 自 2026 年 2 月 xAI 与 SpaceX 完成合并以来,该公司内部便持续推进架构重组,此次人员缩减正是这一调整进程的延续。 知情人士透露,在今年 2 月以价值 2,500 亿美元 (IT之家注:现汇率约合 1.67 万亿元人民币) 的股票收购马斯克旗下人工智能公司 xAI 后,SpaceX 已将战略重心倾斜至 AI 编程工具和 Grok Bot 智能体产品,其优先级高于其他业务线。而 8 月份 SpaceX 以 600 亿美元 (...
IT之家 11 月 13 日消息,全球首富埃隆 · 马斯克(Elon Musk)旗下社交平台 X 宣布大幅放宽单条推文的媒体上限: 每条推文最多可附带 20 个照片或视频,较此前长期执行的 4 个上限提升 5 倍。 X 平台移动端工程负责人 Jonah Katz 今天(11 月 13 日)发布推文,宣布升级 X 平台的内容发布功能,单条推文的媒体上限从最多 4 个扩展到最多 20 个,上限直接扩大 5 倍。IT之家附上相关推文如下: 用户过去若想分享一组旅行照片、活动图集、产品对比图或连续的短视频,往往不得不拆成多条推文发布,或通过系列推文方式补发内容。而现在用户可以在一条推文中承载更完整的视觉叙事。对于创作者、媒体账号、品牌方和电商卖家而言,20 个媒体位也意味着可以更方便地发布多图评测、活动回顾、商品展示和教程内容。 该功能目前已在 X 网页版上线,移动端用户若尚未看到新增的媒体数量选项,可以将其升级到最新版本体验。
推荐理由:来自IT之家 AI的《5 倍提升:马斯克 X 平台单条推文现支持附 20 个图片 / 视频媒体资源》。重点看评测与基准、产品发布。摘要提到:IT之家 11 月 13 日消息,全球首富埃隆 · 马斯克(Elon Musk)旗下社交平台 X 宣布大幅放宽单条推文的媒体上限: 每条推文最多可附带 20 个照片或视频,较此前长期执行的 4 个上限提升 5 倍。 X 平台移动端工程负责人 Jonah Katz 今天(11 月 13 日)发布推文,宣布升级 X 平台的内容发布功能,单条推文的媒体上限从最多 4 个扩展到最多 20 个,上限直接扩大 5 倍。IT之家附上相关推文如下: 用户过去若想分享一组旅行照片、活动图集、产品对比图或连续的短视频,往往不得不拆成多条推文发布,或通过系列推文方式补发内容。而现在用户可以在一条推文中承载更完整的视觉叙事。对于创作者、媒体账号、品牌方和电商卖家而言,20 个媒体位也意味着可以更方便地发布多图评测、活动回顾、商品展示和教程内容。 该功能目前已在 X 网页版上线,移动端用户若尚未看到新增的媒体数量选项,可以将其升级到最新版本体验。
IT之家 11 月 12 日消息,科大讯飞今日宣布,讯飞星火语音基座大模型 SparkAudio 1.0 已在讯飞开放平台上线 API 服务, 开发者可直接接入调用 。 SparkAudio 1.0 支持文本和语音两个模态的输入以及文本模态的输出,可支持语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析以及复杂的音频问答等场景任务的实现。 官方表示,过去处理音频大多采用级联方案:先把语音转成文字,再交给大模型理解。这种做法有两个明显短板: 信息丢失:文字只能记录说了什么,会丢掉语音里自带的语气、情绪,还有背景环境音等关键信息,导致模型对场景的判断不完整,自然也会影响到最后的结果。 链路割裂:这套系统把语音转写、声纹识别、语音翻译等能力拆成独立模块串联运行,模块之间存在断点,不仅容易累积错误,在使用体验上也会出现延迟、卡顿。 据介绍,语音基座大模型解决了上面的这些问题:它不再只做语音转文字,而是直接理解语音。语音基...
推荐理由:来自IT之家 AI的《科大讯飞星火语音基座大模型 SparkAudio 1.0 上线 API 服务,支持 99 种语言、202 种方言》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 12 日消息,科大讯飞今日宣布,讯飞星火语音基座大模型 SparkAudio 1.0 已在讯飞开放平台上线 API 服务, 开发者可直接接入调用 。 SparkAudio 1.0 支持文本和语音两个模态的输入以及文本模态的输出,可支持语音转写、多语言翻译、多方言识别、环境音理解、说话人分离、情感分析以及复杂的音频问答等场景任务的实现。 官方表示,过去处理音频大多采用级联方案:先把语音转成文字,再交给大模型理解。这种做法有两个明显短板: 信息丢失:文字只能记录说了什么,会丢掉语音里自带的语气、情绪,还有背景环境音等关键信息,导致模型对场景的判断不完整,自然也会影响到最后的结果。 链路割裂:这套系统把语音转写、声纹识别、语音翻译等能力拆成独立模块串联运行,模块之间存在断点,不仅容易累积错误,在使用体验上也会出现延迟、卡顿。 据介绍,语音基座大模型解决了上面的这些问题:它不再只做语音转文字,而是直接理解语音。语音基...
IT之家 11 月 12 日消息,字节火山引擎今日正式推出 Seedance 2.5 flash。 官方表示,这是 当前效果最接近 Seedance 2.5 的模型,生成速度提升一倍,价格更低 ,为批量内容生产提供了更具性价比的选择。以 720P 分辨率下的文生视频、图生视频为例,Seedance 2.5 flash 的生成价格约为 0.99 元 / 秒 ,较 Seedance 2.5 降低约 34%。 Seedance 2.5 flash 单段最长支持 30 秒视频生成,单次最多输入 10 张图片、5 段视频与 5 段音频 ,提供 480P 和 720P 两档分辨率。 即日起,Seedance 2.5 flash 将陆续登陆即梦、LibTV、Updream、Creao AI、TapNow 等平台;API 将在本周日(11 月 15 日)上线火山方舟。 据介绍, Seedance 2.5 flash 整体效果优于前一代旗舰模型 ...
推荐理由:来自IT之家 AI的《字节火山引擎发布 Seedance 2.5 flash 视频模型:生成速度翻倍,价格更低》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 12 日消息,字节火山引擎今日正式推出 Seedance 2.5 flash。 官方表示,这是 当前效果最接近 Seedance 2.5 的模型,生成速度提升一倍,价格更低 ,为批量内容生产提供了更具性价比的选择。以 720P 分辨率下的文生视频、图生视频为例,Seedance 2.5 flash 的生成价格约为 0.99 元 / 秒 ,较 Seedance 2.5 降低约 34%。 Seedance 2.5 flash 单段最长支持 30 秒视频生成,单次最多输入 10 张图片、5 段视频与 5 段音频 ,提供 480P 和 720P 两档分辨率。 即日起,Seedance 2.5 flash 将陆续登陆即梦、LibTV、Updream、Creao AI、TapNow 等平台;API 将在本周日(11 月 15 日)上线火山方舟。 据介绍, Seedance 2.5 flash 整体效果优于前一代旗舰模型 ...
IT之家 11 月 12 日消息,谷歌昨日宣布推出 Gemini Decisions API 快速多模态决策,由全新 Gemini Decision 1 模型驱动。该 API 可在 1 次快速处理过程中,对文本、图像、视频和 PDF 内容进行至多 1000 项是非判断、选项选择和标准评估。 据介绍,Gemini Decisions API 专为工具选择、策略检查、模型路由和上下文质量评估等决策任务打造,开发者可以输入 1 份包含文本、图像、音频、视频和 PDF 的多模态内容(最多支持 256K Tokens), 并针对这份内容提出最多 1000 个相互独立的问题 。 同时,Gemini Decision 1 会通过一次前向计算对候选选项进行评分,并返回概率和置信度分数。整个处理过程的延迟为 150 至 250 毫秒,输入价格为每 100 万 Tokens 0.10 美元 (IT之家注:现汇率约合 0.67 元人民币) ,输出 T...
推荐理由:来自IT之家 AI的《谷歌推出 Gemini Decisions API 快速多模态决策,基于 Gemini Decision 1 模型》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 12 日消息,谷歌昨日宣布推出 Gemini Decisions API 快速多模态决策,由全新 Gemini Decision 1 模型驱动。该 API 可在 1 次快速处理过程中,对文本、图像、视频和 PDF 内容进行至多 1000 项是非判断、选项选择和标准评估。 据介绍,Gemini Decisions API 专为工具选择、策略检查、模型路由和上下文质量评估等决策任务打造,开发者可以输入 1 份包含文本、图像、音频、视频和 PDF 的多模态内容(最多支持 256K Tokens), 并针对这份内容提出最多 1000 个相互独立的问题 。 同时,Gemini Decision 1 会通过一次前向计算对候选选项进行评分,并返回概率和置信度分数。整个处理过程的延迟为 150 至 250 毫秒,输入价格为每 100 万 Tokens 0.10 美元 (IT之家注:现汇率约合 0.67 元人民币) ,输出 T...
IT之家 11 月 11 日消息,每年举办的 Adobe MAX 大会上,Adobe 展示的最令人印象深刻的技术之一,往往是那些仍处于实验阶段、尚未正式推出的创新功能。今天,该公司公布了最新一批实验项目:它们能够将普通图片转换为可探索的 3D 场景,通过与 AI 角色对话来设计角色形象,还能让照片编辑变成简单的复制粘贴操作。 首先是非常奇特的 Project Screen Test 项目,其旨在让用户更轻松地创建 AI 生成角色,并将其应用于视频内容。 IT之家注意到,与传统方式不同,用户不再只是通过文字提示词描述角色应该如何说话、如何表现,而是可以直接与角色对话,在类似演员试镜的环境中对其进行指导。 使用时,用户首先需要描述角色的一些基本性格特征,例如“焦虑、害羞、笨拙”等,并为角色设置声音。声音可以从预设选项中选择,也可以通过文字提示词描述,或者上传一段音频样本,让 AI 以此为参考。 随后,用户可以像通过 FaceTime...
推荐理由:来自IT之家 AI的《Adobe 公布四项 AI 实验项目:照片秒变 3D 场景,还能通过聊天设计 AI 角色》。重点看多模态。摘要提到:IT之家 11 月 11 日消息,每年举办的 Adobe MAX 大会上,Adobe 展示的最令人印象深刻的技术之一,往往是那些仍处于实验阶段、尚未正式推出的创新功能。今天,该公司公布了最新一批实验项目:它们能够将普通图片转换为可探索的 3D 场景,通过与 AI 角色对话来设计角色形象,还能让照片编辑变成简单的复制粘贴操作。 首先是非常奇特的 Project Screen Test 项目,其旨在让用户更轻松地创建 AI 生成角色,并将其应用于视频内容。 IT之家注意到,与传统方式不同,用户不再只是通过文字提示词描述角色应该如何说话、如何表现,而是可以直接与角色对话,在类似演员试镜的环境中对其进行指导。 使用时,用户首先需要描述角色的一些基本性格特征,例如“焦虑、害羞、笨拙”等,并为角色设置声音。声音可以从预设选项中选择,也可以通过文字提示词描述,或者上传一段音频样本,让 AI 以此为参考。 随后,用户可以像通过 FaceTime...
IT之家 11 月 11 日消息,据彭博社报道,简 · 多伊(Jane Doe)已经多年没有想起过自己的初中毕业典礼,直到一名执法调查人员拿出当年庆祝活动的一张照片,开始向她询问相关情况。 照片中的她当时只有 14 岁,身穿黄色碎花连衣裙,面带笑容,双臂搭在几名朋友的肩膀上。其中一些朋友,她如今已经很少联系。 调查人员告诉她,照片中一名同学的成年哥哥,曾利用埃隆 · 马斯克(Elon Musk)旗下的人工智能聊天机器人 Grok,将这张原本再普通不过的照片篡改成儿童性虐待材料(CSAM)。生成的图片中,正值初二年级的简 · 多伊全身赤裸,以性挑逗姿势出现。这些图片随后被发布到了互联网上。 她在针对马斯克旗下生成式 AI 公司、Grok 开发商 xAI 提起的一起集体诉讼中,以简 · 多伊 5 号的身份参与案件。 简 · 多伊 5 号在一份诉状中写道:“目前根本无法确定,还有多少其他儿童性犯罪者可能已经持有简 · 多伊 5 号的儿...
推荐理由:来自IT之家 AI的《马斯克旗下 Grok 被指生成儿童色情图像,xAI 面临多起集体诉讼》。重点看产品发布。摘要提到:IT之家 11 月 11 日消息,据彭博社报道,简 · 多伊(Jane Doe)已经多年没有想起过自己的初中毕业典礼,直到一名执法调查人员拿出当年庆祝活动的一张照片,开始向她询问相关情况。 照片中的她当时只有 14 岁,身穿黄色碎花连衣裙,面带笑容,双臂搭在几名朋友的肩膀上。其中一些朋友,她如今已经很少联系。 调查人员告诉她,照片中一名同学的成年哥哥,曾利用埃隆 · 马斯克(Elon Musk)旗下的人工智能聊天机器人 Grok,将这张原本再普通不过的照片篡改成儿童性虐待材料(CSAM)。生成的图片中,正值初二年级的简 · 多伊全身赤裸,以性挑逗姿势出现。这些图片随后被发布到了互联网上。 她在针对马斯克旗下生成式 AI 公司、Grok 开发商 xAI 提起的一起集体诉讼中,以简 · 多伊 5 号的身份参与案件。 简 · 多伊 5 号在一份诉状中写道:“目前根本无法确定,还有多少其他儿童性犯罪者可能已经持有简 · 多伊 5 号的儿...
IT之家 11 月 11 日消息,早在 2024 年,OpenAI 就推出了 Advanced Voice Mode(高级语音模式),让用户能够与 ChatGPT 进行更加自然的语音交流。最初的 Standard Voice Mode(标准语音模式)需要分别通过语音转文字、语言模型和文字转语音等模型完成交互,而 Advanced Voice Mode 可以直接处理和生成音频,因此响应速度更快,对话也更加自然。 不过,无论是标准语音模式还是高级语音模式,都采用轮流对话机制,即模型必须等用户说完之后才能作出回应。 今年 7 月,OpenAI 推出了新一代语音模型 GPT-Live,采用全双工架构,允许 ChatGPT 在倾听用户说话的同时进行语音回复,从而实现更加自然、流畅的交流。此外,GPT-Live 还能够处理复杂问题,并在不中断当前语音对话的情况下,将相关任务交由 OpenAI 旗下的前沿文本模型完成。 OpenAI 表示,自...
推荐理由:来自IT之家 AI的《OpenAI 宣布 12 月 11 日停用 ChatGPT 旧版语音模式,全面转向 GPT-Live》。重点看模型能力与工程。摘要提到:IT之家 11 月 11 日消息,早在 2024 年,OpenAI 就推出了 Advanced Voice Mode(高级语音模式),让用户能够与 ChatGPT 进行更加自然的语音交流。最初的 Standard Voice Mode(标准语音模式)需要分别通过语音转文字、语言模型和文字转语音等模型完成交互,而 Advanced Voice Mode 可以直接处理和生成音频,因此响应速度更快,对话也更加自然。 不过,无论是标准语音模式还是高级语音模式,都采用轮流对话机制,即模型必须等用户说完之后才能作出回应。 今年 7 月,OpenAI 推出了新一代语音模型 GPT-Live,采用全双工架构,允许 ChatGPT 在倾听用户说话的同时进行语音回复,从而实现更加自然、流畅的交流。此外,GPT-Live 还能够处理复杂问题,并在不中断当前语音对话的情况下,将相关任务交由 OpenAI 旗下的前沿文本模型完成。 OpenAI 表示,自...
IT之家 11 月 11 日消息,软件开发者西蒙 · 威利森(Simon Willison)于 11 月 9 日发布博文,借助 AI 编程工具 Claude Code,开发名为 Beep Locator 的声音定位系统, 可以将声源锁定至约 40 厘米范围。 IT之家援引博文介绍,开发该 Beep Locator 系统的初衷,是威利森搬家后储物室堆积了较多尚未拆封的纸箱,而不时传来短促的“哔哔”电子声。由于鸣叫间隔较长,靠耳朵很难确定来源。于是他借助 Claude Code 编写程序, 让分散摆放的五台手机、平板和电脑通过网页调用麦克风,共同捕捉声音。 在技术实现方面,该系统主要比较同一声音抵达不同设备的时间差。开发过程中,自动测定设备相对位置的尝试精度不足,威利森便加入手动拖动地图图标、标注设备位置的功能。同时,程序利用快速傅里叶变换分析声音频率,从环境杂音中识别目标提示音,再借助一台设备发出的短音同步各端录音。 随着功能逐步...
推荐理由:来自IT之家 AI的《开发者 AI 自制工具追踪室内异响,将声源锁定至约 40 厘米范围》。重点看产品发布。摘要提到:IT之家 11 月 11 日消息,软件开发者西蒙 · 威利森(Simon Willison)于 11 月 9 日发布博文,借助 AI 编程工具 Claude Code,开发名为 Beep Locator 的声音定位系统, 可以将声源锁定至约 40 厘米范围。 IT之家援引博文介绍,开发该 Beep Locator 系统的初衷,是威利森搬家后储物室堆积了较多尚未拆封的纸箱,而不时传来短促的“哔哔”电子声。由于鸣叫间隔较长,靠耳朵很难确定来源。于是他借助 Claude Code 编写程序, 让分散摆放的五台手机、平板和电脑通过网页调用麦克风,共同捕捉声音。 在技术实现方面,该系统主要比较同一声音抵达不同设备的时间差。开发过程中,自动测定设备相对位置的尝试精度不足,威利森便加入手动拖动地图图标、标注设备位置的功能。同时,程序利用快速傅里叶变换分析声音频率,从环境杂音中识别目标提示音,再借助一台设备发出的短音同步各端录音。 随着功能逐步...
IT之家 11 月 11 日消息,Nordic Semiconductor(IT之家注:诺迪克半导体)现已推出 nRF71 系列 Wi-Fi SoC,该产品内置 NPU,可直接在芯片上执行 AI 推理。 据介绍,该系列芯片包含 nRF7120、nRF7120E 两种型号。前者支持双频 Wi-Fi 6,后者支持三频 Wi-Fi 6E,并搭载用于加速边缘 AI 推理的 Axon NPU。该系列芯片均支持低功耗蓝牙、Thread 和 Matter,并配备 4MB 片上非易失性存储器,以及 1MB 可供用户使用的内存。 同时,该系列产品拥有超低功耗特性。与 nRF70 相比,nRF71 的待机功耗最高降低 1/20。借助内置 NPU,设备可以直接在芯片上执行关键词检测、异常检测和图像分类等 AI 推理,无需额外配备 AI 处理器。
推荐理由:来自IT之家 AI的《Nordic 推出支持边缘 AI 推理的 Wi-Fi SoC「nRF71」系列,待机功耗最高降低 1/20》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 11 日消息,Nordic Semiconductor(IT之家注:诺迪克半导体)现已推出 nRF71 系列 Wi-Fi SoC,该产品内置 NPU,可直接在芯片上执行 AI 推理。 据介绍,该系列芯片包含 nRF7120、nRF7120E 两种型号。前者支持双频 Wi-Fi 6,后者支持三频 Wi-Fi 6E,并搭载用于加速边缘 AI 推理的 Axon NPU。该系列芯片均支持低功耗蓝牙、Thread 和 Matter,并配备 4MB 片上非易失性存储器,以及 1MB 可供用户使用的内存。 同时,该系列产品拥有超低功耗特性。与 nRF70 相比,nRF71 的待机功耗最高降低 1/20。借助内置 NPU,设备可以直接在芯片上执行关键词检测、异常检测和图像分类等 AI 推理,无需额外配备 AI 处理器。
IT之家 11 月 11 日消息,当地时间 11 月 10 日,Anthropic 正式宣布启动首次公开募股(IPO)路演,并公布股票发行计划。 根据公告,Anthropic 此次拟发行 8.25 亿股 A 类普通股,发行价格区间为每股 70 至 78 美元。按照发行价上限计算,本次基础发行规模最高约为 643.5 亿美元 (IT之家注:现汇率约合 4,302.82 亿元人民币) 。 根据 Anthropic 官方披露的发行安排,此次发行的 8.25 亿股股票中,有 8.01351354 亿股由 Anthropic 自身发行,另外 2364.8646 万股由部分现有股东出售。Anthropic 不会从现有股东出售股票所得款项中获得收益。 此外,Anthropic 预计授予承销商一项为期 30 天的额外购股选择权,允许承销商额外购买最多 1.2375 亿股 A 类普通股。若该选择权全部行使,实际发行股份数量和募资规模还将进一步增加...
推荐理由:来自IT之家 AI的《Anthropic 发布 IPO 路演视频正式启动最高 643.5 亿美元募资计划,估值约在 1~1.4 万亿美元》。重点看产品发布。摘要提到:IT之家 11 月 11 日消息,当地时间 11 月 10 日,Anthropic 正式宣布启动首次公开募股(IPO)路演,并公布股票发行计划。 根据公告,Anthropic 此次拟发行 8.25 亿股 A 类普通股,发行价格区间为每股 70 至 78 美元。按照发行价上限计算,本次基础发行规模最高约为 643.5 亿美元 (IT之家注:现汇率约合 4,302.82 亿元人民币) 。 根据 Anthropic 官方披露的发行安排,此次发行的 8.25 亿股股票中,有 8.01351354 亿股由 Anthropic 自身发行,另外 2364.8646 万股由部分现有股东出售。Anthropic 不会从现有股东出售股票所得款项中获得收益。 此外,Anthropic 预计授予承销商一项为期 30 天的额外购股选择权,允许承销商额外购买最多 1.2375 亿股 A 类普通股。若该选择权全部行使,实际发行股份数量和募资规模还将进一步增加...
IT之家 11 月 11 日消息,当地时间 11 月 10 日,谷歌宣布联合 AI 模型评测机构 Artificial Analysis 推出多模态知识智能体基准测试 MKA(Multimodal Knowledge Agent),用于评估 AI 智能体处理视觉复杂文件、完成现实世界知识工作任务的能力。 谷歌表示,其最新发布的 Gemini 4 Carbon 在该测试中取得了参测模型第二名的成绩,完成任务的平均成本仅为排名第一模型的约六分之一。 谷歌 DeepMind 高级产品经理 Rohan Doshi 和首席工程师 Ben Caine 介绍称,现有不少知识工作基准测试仅依赖文本即可完成,而现实工作往往涉及大量视觉信息。例如,建筑师需要交叉核对建筑蓝图,工程师需要分析工程示意图,专业人员还需要将不同来源的信息整理成演示文稿、报告和电子表格。 MKA 基准测试旨在评估 AI 智能体在这些复杂工作场景中的表现。谷歌与来自 10 个...
推荐理由:来自IT之家 AI的《谷歌联合 Artificial Analysis 推出 MKA 基准测试:Gemini 4 Carbon 多模态知识工作测试获第二,任务成本仅为第一名六分之一》。重点看智能体工作流、模型能力与工程、评测与基准。摘要提到:IT之家 11 月 11 日消息,当地时间 11 月 10 日,谷歌宣布联合 AI 模型评测机构 Artificial Analysis 推出多模态知识智能体基准测试 MKA(Multimodal Knowledge Agent),用于评估 AI 智能体处理视觉复杂文件、完成现实世界知识工作任务的能力。 谷歌表示,其最新发布的 Gemini 4 Carbon 在该测试中取得了参测模型第二名的成绩,完成任务的平均成本仅为排名第一模型的约六分之一。 谷歌 DeepMind 高级产品经理 Rohan Doshi 和首席工程师 Ben Caine 介绍称,现有不少知识工作基准测试仅依赖文本即可完成,而现实工作往往涉及大量视觉信息。例如,建筑师需要交叉核对建筑蓝图,工程师需要分析工程示意图,专业人员还需要将不同来源的信息整理成演示文稿、报告和电子表格。 MKA 基准测试旨在评估 AI 智能体在这些复杂工作场景中的表现。谷歌与来自 10 个...
IT之家 11 月 10 日消息,“智元 AGIBOT”公众号今天(10 日)晚间发文宣布,智元正式发布 WITA-Omni(硅光动语全模态大模型)。 根据官方介绍,该模型也是 行业首个具身全模态端到端交互大模型 。WITA-Omni 基于机器人本体感知数据深度训练,除了音视频输入输出,还新增支持 触觉、本体状态等输入 ,以及 机器人动作、表情等输出 ,让机器人第一次拥有为物理世界而生的“交互大脑”。 基于流式全双工架构,WITA-Omni 可做到 边听、边想、边应、边动、边做表情 ,减少传统串行处理中的等待。交互响应最快约 400 毫秒、平均约 600 毫秒,较业内平均水平快近 3 倍。 同时,全模态拒识让机器人交互 不再需要唤醒词,全程自然对话 。系统结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文,决策当前发言是否需要回应。面对多人交谈或环境广播等干扰时,极大降低误触发,让机器人更懂“看场合”。 WITA-Omni...
推荐理由:来自IT之家 AI的《号称行业首个具身全模态端到端交互大模型,智元发布 WITA-Omni》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 10 日消息,“智元 AGIBOT”公众号今天(10 日)晚间发文宣布,智元正式发布 WITA-Omni(硅光动语全模态大模型)。 根据官方介绍,该模型也是 行业首个具身全模态端到端交互大模型 。WITA-Omni 基于机器人本体感知数据深度训练,除了音视频输入输出,还新增支持 触觉、本体状态等输入 ,以及 机器人动作、表情等输出 ,让机器人第一次拥有为物理世界而生的“交互大脑”。 基于流式全双工架构,WITA-Omni 可做到 边听、边想、边应、边动、边做表情 ,减少传统串行处理中的等待。交互响应最快约 400 毫秒、平均约 600 毫秒,较业内平均水平快近 3 倍。 同时,全模态拒识让机器人交互 不再需要唤醒词,全程自然对话 。系统结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文,决策当前发言是否需要回应。面对多人交谈或环境广播等干扰时,极大降低误触发,让机器人更懂“看场合”。 WITA-Omni...
IT之家 11 月 9 日消息,字节跳动 Seed 团队今日发布了新一代图像创作模型 Seedream 5.5 ,重点带来三项核心能力升级: 更稳定的多轮编辑: 实现非编辑区域的像素级保持,消除色彩偏移,降低连续修改中的细节丢失与画质衰减,支持围绕同一作品展开多达 100 轮的持续创作。 原生 RGBA 透明素材生成: 直接输出带 Alpha 通道的透明或半透明图像,精细处理轮廓边缘与透明区域,省去后期抠图修边,让生成元素可以作为独立素材进入后续设计流程。 质感更自然,文字更清晰: 进一步改善光照、材质与皮肤纹理表现,减少过度油亮、过曝,更贴近真实拍摄的成像质感。同时显著提升文字渲染能力,对复杂字形与密集小字的还原更加准确。 在图像的多轮编辑方面,Seedream 5.5 的指令遵循能力更强,对非编辑区域实现了像素级的保持。在实测中,模型以每一轮的结果作为下一轮输入, 连续完成上百轮修改后,指定编辑区域之外的主体特征、构图比例、...
推荐理由:来自IT之家 AI的《一张图能改 100 遍、直出透明背景,字节跳动发布新一代图像创作模型 Seedream 5.5》。重点看模型能力与工程、产品发布。摘要提到:IT之家 11 月 9 日消息,字节跳动 Seed 团队今日发布了新一代图像创作模型 Seedream 5.5 ,重点带来三项核心能力升级: 更稳定的多轮编辑: 实现非编辑区域的像素级保持,消除色彩偏移,降低连续修改中的细节丢失与画质衰减,支持围绕同一作品展开多达 100 轮的持续创作。 原生 RGBA 透明素材生成: 直接输出带 Alpha 通道的透明或半透明图像,精细处理轮廓边缘与透明区域,省去后期抠图修边,让生成元素可以作为独立素材进入后续设计流程。 质感更自然,文字更清晰: 进一步改善光照、材质与皮肤纹理表现,减少过度油亮、过曝,更贴近真实拍摄的成像质感。同时显著提升文字渲染能力,对复杂字形与密集小字的还原更加准确。 在图像的多轮编辑方面,Seedream 5.5 的指令遵循能力更强,对非编辑区域实现了像素级的保持。在实测中,模型以每一轮的结果作为下一轮输入, 连续完成上百轮修改后,指定编辑区域之外的主体特征、构图比例、...
IT之家 11 月 9 日消息,日本人工智能实验室 Shizuku(雫)AI 当地时间昨日公布了其开发的 Shizuku-Duplex,宣称其是继 GPT-Live 后 第二个支持日语智能对话的全双工模型 ,无需完整询问即启动思考流程。 在日语方面,Shizuku-Duplex 拥有 6 个参测模型中最高的对话自然性, 响应质量仅次于 OpenAI 的 GPT-Live 。 Shizuku-Duplex 可分为处理对话的前台交互模型和可异步处理复杂请求的后台模型,辅以每 5min 一次的上下文压缩。其 以 80ms 为一交互“帧” ,支持音频、文本(模型独白)、动作 3 种输出方式。 基于 Shizuku-Duplex 的技术,Shizuku AI 正在开发始终倾听、响应用户感受、坦诚表达自身感受的伴侣式 AI 雫。 参考 https://shizuku.ai/en/blog/1/
推荐理由:来自IT之家 AI的《Shizuku AI 公布全双工模型 Shizuku-Duplex,为 AI 伴侣开发奠基》。重点看模型能力与工程。摘要提到:IT之家 11 月 9 日消息,日本人工智能实验室 Shizuku(雫)AI 当地时间昨日公布了其开发的 Shizuku-Duplex,宣称其是继 GPT-Live 后 第二个支持日语智能对话的全双工模型 ,无需完整询问即启动思考流程。 在日语方面,Shizuku-Duplex 拥有 6 个参测模型中最高的对话自然性, 响应质量仅次于 OpenAI 的 GPT-Live 。 Shizuku-Duplex 可分为处理对话的前台交互模型和可异步处理复杂请求的后台模型,辅以每 5min 一次的上下文压缩。其 以 80ms 为一交互“帧” ,支持音频、文本(模型独白)、动作 3 种输出方式。 基于 Shizuku-Duplex 的技术,Shizuku AI 正在开发始终倾听、响应用户感受、坦诚表达自身感受的伴侣式 AI 雫。 参考 https://shizuku.ai/en/blog/1/