#多模态

推荐理由：请对照Google AI Blog原文，核对完整说明及适用条件。

推荐理由：来自IT之家 AI的《Xbox 版《GTA 6》预载文件出现 AMD FSR 4.1 线索，首发未必支持》。重点看产品发布。摘要提到：IT之家 11 月 11 日消息，数据挖掘者最近一直在研究 Xbox 版《GTA 6》的预载文件，而近期发现的两项线索，让这款游戏的运行表现有了更多值得期待的地方。 IT之家注意到，在数据挖掘者 Tex2 分享的文件包中，出现了两个库文件，分别名为 amd_fidelityfx_loader_xbox.dll 和 amd_fidelityfx_upscaler_xbox.dll 。 这两个文件的名称与微软上周发布的 FSR 4.1 Xbox GDK 示例项目中的相关术语一致。 当然，这并不意味着 AMD 的 FSR 4.1 技术一定会在《GTA 6》发售时，或者在游戏推出后加入其中。不过，至少可以确认，游戏存在采用最新超分辨率技术的可能性。 FSR 4 是 AMD 超分辨率技术的一次重大升级，将此前以传统算法为主的方案转向了机器学习技术。与过去依赖空间和时间算法不同，新版本开始利用神经网络进行图像重建。 FSR 4 能够提供更加...

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...

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...

推荐理由：来自IT之家 AI的《消息称夸克平台战略调整，“真人讲题视频录制”已被叫停》。重点看教育应用、产品发布。摘要提到：IT之家 11 月 11 日消息，新浪科技今天（11 日）晚间援引知情人士消息称，日前，夸克平台进行了战略调整，要求 开始停止真人讲解题目的视频录制 。消息称夸克此轮调整 或为千问让路 ，也与之前领导层的变动有关。 在此之前，借助“视频录制”功能，用户拍下题目后可以获得文字解析以及 老师讲解的视频 。此类内容通常由平台通过供应商招募兼职老师完成， 按题计价、按月结算 。报道援引从事过该项兼职的人士称，题目按科目和学段进行定价，初高中的热门科目的录制价格较高，“有时候能将近 10 块钱一道题”。 今年早些时候，千问 App 上线了“千问小讲堂”功能，今年 5 月升级过后支持“模拟老师的真实板书讲解过程”，覆盖义务教育阶段九个年级七门学科，尤其擅长 几何证明、函数分析 等对板书要求更高的题型；今年 9 月，该功能扩展至 高中、大学数理化的拍题讲解 ，且免费开放。 该功能提供一对一语音辅导和“可视化板书”，支持作业批改，能够“秒判”整...

推荐理由：来自IT之家 AI的《消息称字节跳动发力智能体赛道，计划推出类似 Meta Muse 的 AI 助手》。重点看智能体工作流、产品发布。摘要提到：IT之家 11 月 11 日消息，据彭博社报道，字节跳动计划在未来几周内推出一款类似 Meta Muse 的 AI 助手，巩固其在 AI 视频生成领域的领先优势。字节跳动希望借此加快追赶美国顶尖 AI 实验室的步伐，目标是在未来三年左右缩小双方差距。 知情人士透露，字节跳动联合创始人张一鸣近日在一次面向 AI 团队的全员会议上，向研究人员、工程师及相关支持人员介绍了这一计划，并明确了接下来的重点工作。 张一鸣认为，字节跳动有能力在 AI 前沿领域与 Anthropic、OpenAI 等行业领先企业展开竞争。不过，他也提醒团队，真正达到这些公司的水平，至少还需要等到 2029 年或 2030 年。 字节跳动计划推出的新款 AI 智能体，将承担与 Meta 今年 9 月推出的 Muse 类似的角色。Muse 上线后在美国市场获得了不错的反响，它将 Meta 长期积累的 AI 研究成果整合为一款语音交互助手，并配有动画虚拟形象，可以帮...

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...

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...

推荐理由：来自IT之家 AI的《腾讯全新搜索产品“元宝搜索”正式上线：能搜微信公众号、视频号，广告与答案明确区分》。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，腾讯云今日宣布， 腾讯全新搜索产品「元宝搜索」正式上线 。在任意浏览器地址栏输入网址 so.qq.com 即可使用；也可将 QQ 浏览器升级至最新版本，在引擎设置选项中切换为“元宝搜索”。 IT之家获悉，元宝搜索基于元宝的大模型能力，重新构建了从理解、检索、排序到答案组织的整条搜索链路。依托千亿级索引， 搜索范围覆盖全网网页、公众号、视频号等腾讯生态内容和学术文献 。 在结果呈现上，元宝搜索优先展示权威机构与官方来源的内容， 并将广告与答案明确区分 ，支持「收起广告」，整块折叠。 据介绍，元宝搜索接入 157 个权威信源；能搜公众号、视频号；学术内容更好搜，通俗解读论文结论、保留原文依据，支持英文一键翻译，标题、摘要直接读；支持打字、说话、拍照等方式进行搜索。 此外，元宝搜索会通过“递归自我进化”（RSI）机制，从实际使用和反馈中发现问题，持续改进搜索体验。

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。

推荐理由：来自IT之家 AI的《Adobe Photoshop 迎来 AI 进化：照片能重新打光，删物体还能清理倒影》。重点看文化创意。摘要提到：IT之家 11 月 11 日消息，美国当地时间昨日（11 月 10 日）召开的 Adobe MAX 2026 大会上， Adobe 宣布为 Photoshop、Premiere、Lightroom、Illustrator、InDesign 等创意软件带来一波 AI 新功能，覆盖照片重打光、视频拆音轨、闭眼修复、自动剪辑和多人协同设计等场景。 IT之家援引博文介绍，Photoshop 新增“重新调光”（Relight）工具，可为照片添加光源，并调整位置、颜色和亮度，且修改不破坏原图；“生成式重塑”（Generative Restyle）则能根据文字描述生成多种风格变化，再用滑块调整强度。 升级后的“移除”（Remove Tool）工具还会识别物体留下的阴影、倒影、足迹和波纹，一并清除并重建背景。 视频剪辑方面，Premiere 的“生成媒体”功能可直接在时间线中生成补充画面、音效、环境声和背景音乐，用户可选择 Adobe Fire...

推荐理由：来自IT之家 AI的《Day-0 支持：摩尔线程完成 MiniMax H3-Image 图像生成模型适配》。重点看模型能力与工程、开源生态。摘要提到：IT之家 11 月 11 日消息，摩尔线程今天宣布，公司旗下 AI 训推一体智算卡 MTT S5000 及 MUSA 软件栈， 已在昨天（开源当日）适配 MiniMax 图像生成模型 H3-Image 。 ▲ MiniMax H3-Image 在单张 MTT S5000 上的生成效果 IT之家了解到，MiniMax H3-Image 是一款衍生自 H3 的图像生成模型，具备文本生成图像、图像参考和图像编辑能力。它可在 10 秒内生成一张 4096 × 4096 像素、约 16MP（4K）的高分辨率图像，速度可达市面主流水平的 5 倍，同时呈现丰富、真实的细节，并具备优秀的指令遵循和多参考图理解能力。 针对 MiniMax H3-Image 的核心能力特征，摩尔线程基于 MTT S5000 进行全链路适配和深度优化： 扩散类生图与编辑模型注意力机制开销较大，Attention 占比高，尤其在多参考图输入的场景下 Key / Val...

推荐理由：来自IT之家 AI的《微软 Win11 推送 11 月累积更新：更新自动播放对话框、修复部分 USB 音频“代码 10”错误》。重点看教育应用、产品发布。摘要提到：IT之家 11 月 11 日消息，在本月补丁星期二活动日（11 月 10 日）， 微软面向 Windows 11 26H2/25H2/24H2 系统，推送累积安全更新 KB5132061 ，安装后系统版本号分别升至 26300.9974、26200.9974 和 26100.9974。 其中，24H2 此次仅覆盖企业版和教育版。 此次更新重点解决多项影响日常使用的问题， 其中最值得关注的是修复此前部分 USB Audio 1.0 音频设备可能无法启动 ，并在设备管理器中显示“错误代码 10”的故障。 针对办公场景，本次更新还修复了通过系统设置添加 Active Directory 中发布的打印机后，可能出现“参数错误”、导致添加失败的问题。 安全方面，微软继续扩大安全启动新证书的自动部署范围，并加强 NTLM 身份验证和 PowerShell 脚本签名校验。部分编码不规范的已签名脚本可能因此无法通过验证，需要调整编码后重新签名。...

推荐理由：来自IT之家 AI的《央视曝光 MCN 机构暴力起号手段：演绎“取消外卖”“下架外卖”虚假剧本放大对立情绪》。重点看文化创意、产品发布。摘要提到：IT之家 11 月 11 日消息，据央视新闻昨天报道，近日，社交媒体上出现一批商家“取消外卖”“下架外卖”的短视频。这些视频没有口播、没有对白，画面近乎静止，略显粗糙的拍摄手法，吸引了大量网友留言。 一家四川宜宾的牛肉面馆经营的账号将画面呈现得更具冲突性 —— 两位店员“押送”着另一位经营者 ，经营者头戴黑色塑料袋作下蹲姿势，手指指向横幅上的字。 记者前往该牛肉面馆的一家分店，询问这则短视频是如何创作出来的，对方称创意由专业运营人员提供，目的是推到视频平台的“同城”页面，吸引网友到店里吃面。 IT之家从原报道获悉，另一家同在宜宾的酒楼也发过相同模板的短视频，酒楼老板透露，他只承接宴席，从未上架外卖，拉着“取消外卖关闭直播”横幅拍短视频的创意，来自他请的视频账号运营者。“这条举着横幅的短视频是我搞着耍的，他说做这个现在还比较火，顺手就拍了一个，只是提高酒楼的知名度。”酒楼老板补充介绍。 另一家发布过相同视频的餐馆是个半开放式档口，...

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...

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...

推荐理由：来自IT之家 AI的《MiniMax 开源 H3-Image 生图模型，10 秒就能生成一张 4K 图像》。重点看模型能力与工程、开源生态、产品发布。摘要提到：IT之家 11 月 10 日消息，今天（10 日）深夜，MiniMax 宣布，MiniMax H3-Image 正式发布并 开放权重 。这是一款衍生自 H3 的图像生成模型，其具备 文本生成图像、图像参考和图像编辑能力 。 IT之家从官方介绍获悉，其能够在 10 秒内生成 一张 4096 x 4096 像素、约 16 MP（4K） 的高分辨率图像，同时呈现丰富、真实的细节，并具备优秀的指令遵循和多参考图理解能力。 MiniMax 称，在 H3 预训练赋予的广泛图像能力基础上，H3-Image 进一步强化了整个后训练链路，在数据、强化学习、步数压缩、PE、部署优化等方面做了许多扎实的工作。这些工作的组合，使得 MiniMax H3-image 同时具备了 速度、 画面质量 、指令遵循 三个方面的竞争力： 相比于主流的 100 万像素或者 400 万像素，1600 万像素（16MP，4096×4096）的图片在细节上具备显著优势。M...

推荐理由：来自IT之家 AI的《原生支持 3D 高斯泼溅，免费开源 3D 创作软件 Blender 5.3 发布》。重点看评测与基准、开源生态、产品发布。摘要提到：IT之家 11 月 10 日消息，免费开源 3D 创作软件 Blender 5.3 现已正式发布。新版本加入了原生 3D 高斯泼溅（Gaussian Splatting）支持，Linux 平台默认图形后端切换为 Vulkan，同时带来了全新的项目管理功能，以及渲染和视频剪辑工具方面的多项改进。 对于 Linux 用户来说，此次更新最显著的变化是 Vulkan 现已取代 OpenGL，成为默认图形后端。Windows 版本也进行了相同调整，但 ARM 设备除外。此外，新版本将 Vulkan 的最低版本要求降低至 1.1，并将部分 GPU 和驱动程序功能调整为可选项，以提升对不同硬件的兼容性。 Blender 开发团队还在持续优化 Vulkan 的运行性能。已公布的基准测试显示，在多个受测场景中，Vulkan 的性能有所提升。不过，具体表现仍然取决于工作负载以及所使用的显卡硬件。 另一项重要更新是原生支持 3D 高斯泼溅技术。这是一...

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...

推荐理由：来自IT之家 AI的《美团龙猫开源 LongCat-2.5 模型：总参数 1.6 万亿，支持百万上下文》。重点看智能体工作流、模型能力与工程、文化创意。摘要提到：IT之家 11 月 9 日消息，11 月 2 日，美团龙猫发布面向长程智能体任务的 原生多模态模型 LongCat-2.5 。随后来到今天（9 日），美团宣布该模型 正式开源 。 该模型采用 MIT 协议， 支持商用推理部署与二次训练，无需额外授权 ，是面向长程智能体任务的原生多模态模型。在复杂代码库开发、完整项目构建、Visual Coding 与专业办公场景中，端到端交付能力均有明显提升。 模型总参数 1.6 万亿，每个 token 激活约 480 亿参数，支持一百万上下文 。针对显存与带宽受限的国产算力芯片，团队在模型架构、芯片适配与部署策略上也进行了深度协同优化。 根据介绍，LongCat-2.5 在 Visual Coding 上表现出色，支持 创意设计、3D 等任务 。这些能力提升来自视觉表征层的改造：模型将视觉信号表示为多层级离散 token，与文本一样由主干模型统一处理，而非外挂视觉模块。具体而言，模型对原生分辨...

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、...

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/

推荐理由：请对照量子位原文，核对完整说明及适用条件。

推荐理由：来自IT之家 AI的《微软申请新专利：AI 实时修改直播说话内容并同步嘴型》。重点看智能体工作流、文化创意。摘要提到：IT之家 11 月 9 日消息，微软近日提交了一项专利申请，计划利用人工智能技术，在直播及其他实时视频节目中近乎实时地修改人物说出的内容。更特别的是，这项技术还能重新绘制说话者的嘴唇动作，让观众难以察觉原本说出的话已经被替换。 这项专利的编号为 US 2026/0341309 A1，名称为《利用人工智能近乎实时增强直播活动的视频或增强现实（AR）演示》（Near Real-Time Artificial Intelligence (AI) Enhancement of Video or Augmented Reality (AR) Presentations of Live Events）。 根据专利申请文件，该系统包含一个 AI 智能体，能够实时监听音频，并根据预设规则或观众个人资料（包括年龄、所讲语言和居住地），识别需要修改或删除的词语。 随后，生成式 AI 会在音频中替换这些词语，平滑处理每处修改前后的衔接，同时生成新的视...

推荐理由：来自极客公园的《实测 HY4：腾讯最「夯」大模型，离一线还有多远？》。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：头图来源：腾讯混元 11 月 4 日，混元 Hy4 正式发布，模型权重将在近期开源，主打性价比的轻量版 Hy4 flash 也一起亮相。腾讯给它的定位是——首次跻身最强开源模型之列。 过去一年，腾讯在 AI 上最多被人看见的，是 WorkBuddy 这类 Agent 和应用产品；到了更底层的模型上，它的声量明显弱于应用。Hy4 真正要回答的，是腾讯在模型这条线上的身位。 从榜单表现来看，在开源模型里，Hy4 已经站进第一梯队；放到全球，和顶尖闭源模型的差距仍然清晰。 而根据国家数据局最近公布的一组数据，我国日均 Token 调用量已经从 2024 年初的 1000 亿，增长到今年 7 月的超 500 万亿，两年增长超 5000 倍。Token 消耗狂飙的背后，Agent 正在从一个技术概念变成新的生产力形态。 极客公园围绕长程 Agent、多模态理解与视觉代码等主线，结合官方评测数据和典型任务，进行了实测...

推荐理由：来自极客公园的《具身智能，也到了 API 时刻？》。重点看模型能力与工程、产品发布。摘要提到：具身智能的 API 时刻意味着部分具身模型已经开始具备跨本体迁移、在一定范围内适应新任务的能力。 作者｜Li Yuan 编辑｜郑玄 具身智能，也到了 API 时刻？ 过去，想知道一个具身模型有多强，往往要看它在发布视频里完成了什么任务。不过，这条线正在松动。 就在近期，一些公司开始把另一种检验方式交到开发者手里：接上你自己的机器人，试着把你的任务做出来。 10 月，Physical Intelligence（PI）开放了模型 API 测试。开发者可以上传自己的机器人数据，在平台上微调模型，再通过云端推理驱动机器人。PI 表示，一家公司，用这套服务迭代了四天，让双臂机器人开始为自身的零部件去毛刺。 同月，Dream Labs 推出 Dream API，将机器人模型推理按作业时长计费，并提供面向开发者数据的模型微调服务。让机器人调用云端模型，正在成为一种可以试用、适配和购买的服务。 国内，11 月 3 日，原力灵机升级了 Dexma...

推荐理由：来自IT之家 AI的《日本富士电视台将在所有真人剧集制作中使用 AI，可省七至八成特效制作工序》。重点看模型能力与工程。摘要提到：IT之家 11 月 8 日消息，据日经亚洲当地时间 6 日报道，富士电视台计划从 2027 年 10 月起，将生成式 AI 应用于 所有真人电视剧的制作 ，大幅缩短制作周期。由此，富士电视台将成为日本首家全面引入 AI 参与节目制作的大型商业电视台。 富士电视台 每年制作 16 部电视剧 ，计划使用谷歌 AI 图像生成和编辑工具 Nano Banana。AI 制作工作将交给富士电视台 9 月成立的内部实验室 AI Sandbox，主要由东京制作公司 ANDENT 培训的 CG 设计师负责，开展 AI 技术的测试和应用实验。 AI 技术也被用于富士电视台播出中的医疗剧《救命病栋 24 小时》。第一集中， 一段手术切口流血的镜头就是由 AI 生成的 。以往制作类似场景，需要借助 视觉特效 ，或者使用真实液体模拟血液喷溅。 新技术的制作流程是先在本地环境中利用 事先拍摄的素材训练 AI ，再通过提示词生成符合剧情需要的画面。色调等细节...

推荐理由：来自IT之家 AI的《神舟二十三乘组日常 Vlog“上新”：在轨开展脑电测试研究、触觉感知实验》。重点看模型能力与工程、产品发布。摘要提到：IT之家 11 月 8 日消息，中国载人航天工程办公室今日发布新一期日常 Vlog，神舟二十三乘组各项实（试）验持续开展。 IT之家从视频获悉，上周，在轨 脑电测试 研究相关实验顺利开展。三名航天员利用脑电采集设备开展脑网络组图谱驱动的航天脑监测、视觉运动加工等多项实验测试。 他们还开展了空间脑网络时变特性实验、 在轨触觉感知实验、力量控制测试 等，获取数据将用于开展长期在轨飞行中航天员脑功能网络影响、触觉感受能力和精细动作控制的变化规律等相关研究。 根据微重力物理科学领域实验安排，乘组完成了无容器柜实验腔体样品清理、实验样品更换、轴心机构电极维护等工作，并对两相系统实验柜进行检查维护。 上周，神二十三乘组按计划完成了舱内压力服检查测试，还开展了应急救生在轨训练。 与此同时，乘组扎实做好空间站组合体平台照料，完成了舱内温度与风速测量等工作。 在轨健康监测 也持续开展，航天员们进行了视功能总体测量、眼压及眼底检查、经眶 B 超测量...

推荐理由：来自IT之家 AI的《索尼首发“车载乘客眩晕检测”新技术，可提示驾驶员减少急刹、急转》。重点看模型能力与工程。摘要提到：IT之家 11 月 8 日消息，2026 年 11 月 5 日，索尼（中国）有限公司（下称“索尼”）在第九届中国国际进口博览会上，全球首发“融合双路视觉信息的车载乘客眩晕检测”技术，聚焦乘车观看视频时的眩晕问题。 据介绍，从驾驶员到乘客，索尼对移动出行的探索也延伸至车内娱乐的实际感受。第八届进博会上，索尼展示了融合“ 灵感之窗 ”、车载音频与 PS5 游戏等资源的车载娱乐体验。针对观众对行驶中观看屏幕时眩晕问题的反馈，今年索尼中国研究院研发了车载乘客眩晕检测方案，并与北京交通大学合作，进一步关注车内娱乐的乘坐舒适性。 该方案同时分析两路视频：一路来自车前道路画面，用于反映车辆加减速、转弯和颠簸等状态；另一路来自后排屏幕正在播放的内容，用于识别整体运动、旋转、闪烁等可能引发眩晕的视觉因素。基于公开医学数据训练的 AI 模型综合两路信息，预测乘客可能出现的眩晕程度，也可结合个人敏感度进行评估。 IT之家从官方介绍获悉， 评估结果可用...

推荐理由：来自IT之家 AI的《谷歌 AI 新研究：无需袖带利用消费级智能手表检测高血压，成果登 Nature》。重点看模型能力与工程、产品发布。摘要提到：IT之家 11 月 7 日消息，当地时间 11 月 5 日，谷歌发布博文，介绍在《自然》（Nature）发表的最新研究成果。 谷歌推出了名为 AI-PPG-ACC-HTN 的多模态 AI 系统。该系统无需袖带校准，使用普通消费级智能手表便能被动检测高血压迹象。 官方表示，与常规方案试图估算极易受瞬时环境噪声干扰的单次瞬时收缩压与舒张压不同，新系统转变了解决思路：通过聚合连续多天采集的被动生理特征， 专注于识别个体潜在且持续存在的高血压状态 。 自监督预训练 ：使用超 49 万小时无标注数据训练 1D-CNN，通过对比学习让模型自主挖掘复杂的心血管生理特征。 多天聚合与分类 ：将多天 15 秒特征向量取均值平滑瞬态噪声，结合身高（表征动脉路径长度），经逻辑回归模型输出持续高血压概率评分。 为评估其性能，研究团队在全美 5 个临床中心开展了前瞻性、多中心临床试验，纳入 196 名无心血管病史且未服降压药的受试者，并以临床金标准 ——...

推荐理由：来自IT之家 AI的《张艺谋谈 AI 冲击电影行业：AI 短视频产值已到几百亿，是很大的挑战》。重点看多模态、文化创意。摘要提到：IT之家 11 月 7 日消息，据电影频道融媒体中心报道，第 39 届中国电影金鸡奖金鸡・国际电影节展对话在厦门开讲，张艺谋以主嘉宾身份分享了自己对 AI 冲击电影行业的看法。 张艺谋称，AI 短视频产值已到几百亿，大量的人看，那还进电影院吗？他坦言， 这其实是一个很大的挑战 ，自己也不知道未来（比如五年、十年之后），当 AI 技术到了全面超越我们（人类）的时候该怎么办。 他寄语年轻导演做好自己，学习、积累、进步，用积极的生活态度，讲自己心中的故事，将自己心中最有感情、体会最深的初心。他表示， 这可能是我们唯一能做的 。 据IT之家昨日报道，11 月 5 日，国家广播电视总局相关负责人在京重申，关于真人微短剧与 AI 微短剧的关系，总局的态度十分明确： 扶持真人剧，规范 AI 剧 。 当日举行的 2026 中国广播电视精品创作大会微短剧论坛上，这位负责人表示，对微短剧而言，AI 带来的不只是创作环节的降本增效，更是生产方式、产业...

推荐理由：来自IT之家 AI的《肉眼不可见：苹果 iOS 27.2 新增隐形水印，图像工具 AI 生图 / 修图均有迹可查》。重点看多模态。摘要提到：IT之家 11 月 7 日消息，苹果公司于 11 月 5 日更新官方支持文档，宣布从 iOS / iPadOS / macOS 27.2 等版本系统开始， 为部分 Apple Intelligence 图像工具引入 SynthID 隐形水印。 IT之家援引博文介绍，在涉及的图像工具方面，涵盖图乐园（Image Playground）和图像魔法棒（Image Wand），以及“照片”中的清理（Clean Up）、扩展（Extend）和空间重构（Spatial Reframing）功能。 值得注意的是，标记对象并不局限于完全由 AI 生成的图片。即使是用户实际拍摄的照片， 只要使用上述指定 AI 工具进行处理，也会加入 SynthID 水印。 苹果表示这些水印人眼无法察觉，也不会改变图像外观，但可以被 SynthID 检测器读取。要检查图像中是否存在水印，请在网页浏览器中访问 synthid.com 并上传图像，按照屏幕上的步骤操作...

推荐理由：来自IT之家 AI的《触控剪辑 / 调色登场：达芬奇 DaVinci Resolve 21.2 发布，适配苹果首款触控 MacBook Pro》。重点看智能体工作流、产品发布。摘要提到：IT之家 11 月 7 日消息， Blackmagic Design 昨日（11 月 6 日）发布达芬奇 DaVinci Resolve 21.2 更新 ，同时更新 DaVinci Resolve Studio 21.2（付费版），为剪辑、调色和特效工作流带来触控支持等。 达芬奇 DaVinci Resolve 是 Blackmagic Design 开发的专业视频后期软件，把剪辑、调色、视觉特效、动态图形、音频后期和照片处理整合在同一套应用中，常被用于短片、广告、纪录片、电影和自媒体内容制作。 IT之家援引博文介绍，本次更新最值得关注的改进，在于原生支持苹果首款配备 PROLED XDR 屏幕的触控 MacBook Pro，创作者可以直接用手指滚动时间线、拖放素材、添加特效和字幕，并在检视器中缩放画面，让移动端剪辑与调色更接近“上手即用”的体验。 性能方面，Blackmagic 称新版本在搭载 M5 Pro 和 M5 Max ...

推荐理由：来自IT之家 AI的《Planet AI 邀你“向地球提问”：超 10 年卫星影像变化，一句话就能查》。重点看模型能力与工程、产品发布。摘要提到：IT之家 11 月 7 日消息，美国卫星数据公司 Planet 于 11 月 5 日推出 Planet AI 应用， 结合大语言模型与超过十年的全球卫星影像档案，让用户使用自然语言搜索、观察和分析地球表面的变化。 IT之家附上演示视频如下： 产品目前可通过 ai.planet.com 免费使用，用户登录 Planet Insights 账号后，未来可使用更多高级功能。Planet 强调，所有 AI 结论均以可查看的原始卫星影像为依据，以降低“AI 幻觉”带来的误判风险。用户只需用日常语言描述问题，即可在全球范围内搜索目标地点、追踪其时间变化，并生成对比图或延时影像。 与需要专业 GIS 技能的传统遥感工具不同，Planet AI 采用“地图 + 聊天”界面。用户只需提出诸如“找出某地区新增建设用地”或“追踪某片森林的变化”等问题，AI 会解析需求，在覆盖全球的矢量地图和月度影像拼图中定位相关区域，并呈现可核验的卫星影像结果。 该...

推荐理由：来自IT之家 AI的《国家广电总局：到 2030 年，广电视听行业人工智能渗透率达到 95% 及以上》。重点看文化创意。摘要提到：IT之家 11 月 6 日消息，国家广电总局今年 10 月印发《 广播电视和网络视听“十五五”规划 》（以下简称《规划》），提出到 2030 年，广电视听改革创新取得重大突破，广电媒体全面挺进互联网主战场，广电视听有力服务经济社会发展，形成广播电视和网络视听统筹发展新格局。到 2035 年，广电视听数智化转型、高质量发展取得决定性进展，为建成文化强国提供有力支撑。 《规划》提出，到 2030 年， 广电视听行业人工智能渗透率达到 95% 及以上 、新型终端应用数量突破 1.5 亿。 《规划》提到，以传播为翼，贯通各类渠道和宣推机制， 建立大小屏相互赋能、长短视频相互协同的传播体系 。丰富电视大屏内容供给，加强台网同播、多台联播，大幅提升同播剧数量，推动优秀网络视听节目进电视播出，办好“剧好看”大屏点播专区，实现优质内容全媒体触达。 需要注意的是，广电视听行业人工智能渗透率达到 95% 及以上的目标， 并非指观众看到的 95% 及...

推荐理由：来自IT之家 AI的《Pangram 正式发布其 AI 图像检测模型，准确率达 99.96%》。重点看模型能力与工程、产品发布。摘要提到：IT之家 11 月 6 日消息，Pangram Labs 是一家专注人工智能生成内容识别的 AI 实验室。其在本月 4 日正式发布了 Pangram Image 1.0 模型。该模型可通过热力图定位 AI 生成的内容。 Pangram Labs 利用 12 种前沿 AI 图像生成器，基于 100 张真实图片制作了一个 1200 张照片的测试数据集。 Pangram Image 1.0 模型在该测试中取得了 99.96% 的准确率 。 此外，Pangram Image 1.0 能很好地对抗压缩、缩放、人工添加修饰对检测能力的影响，同时在 256×256 分辨率下还有 96.4% 的准确度。 与 Pangram Image 1.0 一道面世的 还有 Pangram Image Flash 1.0 视频检测模型 。其在 DF26 数据集上的准确率达到 98.7%，领先第二名达 29 个百分点。 参考 https://www.pangr...

推荐理由：来自IT之家 AI的《利用 AI 生成涉军虚假信息等，国家网信办发布违法违规涉军“自媒体”账号典型案例》。重点看产品发布。摘要提到：IT之家 11 月 6 日消息，“网信中国”微信公众号今日发布通报，公开了一批违法违规涉军“自媒体”账号典型案例。 据称，网络平台近期出现多类涉军领域违法违规有害信息，扰乱网络传播秩序，损害军队军人形象。军地职能部门依法依规关闭一批问题严重的账号。IT之家附部分典型案例通报如下： 一、 利用 AI 生成涉军虚假信息 。网络账号“cheems 蛋仔”、“cheems 猴哥”等利用 AI 批量捏造“纠察被报复”、“新兵打架打赢就没事”等负面涉军动漫，误导网民认知。网络账号“桂 L298D8 安度晚年《冯伯爵》”等利用 AI 生成与“将军”合照，炮制不实短视频吸睛引流。网络账号“皮卡丘看好片”等制作“军区司令在私立学校被围堵”等 AI 恶搞短剧，抹黑军队形象。 二、 虚假宣传违规开展“军考”培训 。网络账号“白白”发布“武警某战士在机构培训下军考第一”等不实营销内容，借机招揽考生牟利。网络账号“军考学堂”等声称拥有军队内部考试名额、可...

推荐理由：来自IT之家 AI的《Meta 给 AI 装上“脸”和“嗓子”：Muse 现在能视频聊天了》。重点看模型能力与工程、产品发布。摘要提到：IT之家 11 月 6 日消息，Meta 首席执行官马克 · 扎克伯格（Mark Zuckerberg）今天（11 月 6 日）在 Threads 社交平台上发布串文 ，宣布个人 AI 助手 Muse 正式上线实时语音对话与富有表现力的虚拟形象功能。 上述功能率先面向美国用户推送，覆盖移动端、网页端和 Mac 应用。用户点击应用右上角的电话图标，即可像打电话一样与 Muse 交谈，并可在其回答过程中随时打断。IT之家附上相关截图如下： 在技术支撑方面，本次更新主要由 Muse Realtime Voice 语音模型和 Muse Realtime Avatar 虚拟形象模型提供支持，前者会同时生成“说什么”和“怎么说”的信息；而后者基于同一数据流实时生成表情、口型和肢体动作，让声音与画面保持同步。 Meta 称，该系统可流式输出 448×768 分辨率、25 帧每秒的竖屏视频，从用户说完话到收到首个音视频响应的延迟约为 870 毫...

推荐理由：来自IT之家 AI的《李飞飞 World Labs 团队发布“游戏掌机”Frameboy：用网页实时探索 AI 生成世界，每秒最高 15 帧》。重点看模型能力与工程、产品发布。摘要提到：IT之家 11 月 6 日消息，“AI 教母”李飞飞的创企 World Labs 于今年 9 月发布了 “全球首个多模态世界模型”—— Atlas ，宣称该模型能够以像素级精确的相机控制生成图像和视频帧，并将其在 3D 中重建。 时隔两个月，World Labs 端出了一款名为 Frameboy 的演示项目，可以让网友直接在网页端体验，用高度优化的 Atlas 版本实时探索多模态世界，并以最高 15 帧每秒的云 GPU 流媒体传输。 IT之家测试体验，Frameboy 是一个类似游戏机的模拟项目， 网友可点击不同的“游戏卡带”来选择不同的模拟世界 ，经过十几秒加载后就可以自由探索模拟的世界。 Frameboy 的按键和摇杆支持通过 触屏、键盘按键 操控，十字键是进行移动，摇杆是调整视角，整体操作稍微有些卡顿，毕竟最高只有 15 帧。 此外，Frameboy 目前必须运行在云端强大的 GPU 服务器上，成本与本地渲染方法相比并不便...

推荐理由：来自IT之家 AI的《蚂蚁百灵大模型 Ling 3.2 Flash 发布：三项基准超越 Claude Opus 5，前两周限时免费》。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 6 日消息，蚂蚁百灵官方团队今日宣布推出原生多模态模型 Ling-3.2-flash，拥有 560B 总参数、25B 激活参数、1M 上下文窗口。 该模型从架构层面原生融合视觉与语言能力，支持图像、文本与视频输入，重点强化复杂视觉理解、多模态长程 Agent、3D 理解与交互、医疗多模态四大能力。 在蚂蚁官方公布的评测结果中，Ling-3.2-flash 在三项基准上超过 Anthropic Claude Opus 5（max）： OmniDocBench1.5 得分 92.21，对比 90.56； ZEROBench（Sub）得分 43.71，对比 39.52； Vision2Web 得分 85.86，对比 80.20。 在 DesignArena 图像转前端竞技场中，该模型以 1238 的 Elo 分数进入前十，与 Meta、DeepSeek 及 Anthropic 等竞品并列。 该模型重点强化四大能力：...