Keep on to blur preview images; turn off to show them clearly
Gemini Live大更新，谷歌刚刚给Gemini Live加了“人声特效包”，像真人一样表达带节奏、带口音，交互更自然 新版模型能实时识别并控制语速、韵律与口音 可以用它陪练外语、模拟面试、讲带感故事 #GeminiLive #AI语音
博客：https://t.co/2DDtufcIiK
Google DeepMind在Nature上发布了其最新研究，【教AI像人类一样看世界】 让AI不是“只会认图”的机器，而是开始“理解图”的智能体 当前视觉AI应用虽广泛，但其“视觉理解”方式与人类有系统性差异，AI无法像人类一样理解“汽车和飞机都是大型金属交通工具”这种层次概念 研究者通过“找不同”任务比较了人类和AI的视觉理解方式，发现AI更容易被颜色、纹理等表面特征干扰，人类更关注语义层级 于是他们用了三步教AI像人一样思考，将AI的视觉表征调整得更接近人类的认知结构 第一步，基于SigLIP-SO400M，冻结主干网络，在THINGS数据集上训练一个小型适配器，得到“教师模型” 第二步，用教师模型生成一个大规模合成数据集AligNet，模拟人类的视觉判断 第三步，用AligNet训练“学生模型”，使其内部表征更符合人类的语义层次结构 对齐后的模型在模拟人类视觉判断、展现类似人类的“犹豫”不确定性，以及面对新任务时，表现的更稳更准 #VLM
博客：https://t.co/8UDFdmMO4s
李飞飞World Labs的生成式多模态世界模型：Marble 刚刚已发布，一张图片/视频/文本提示/3D布局，即生成高保真3D世界 单图、文本、多视角图、短视频、粗糙3D块都能当prompt 生成之后还能二次创作 AI原生笔刷可以局部删改、换材质、换风格、换结构 可以一键扩世界 也可以多个小场景拼接 能导出高斯溅射、三角网格，也可渲染成带精确相机轨道的视频，在视频后处理环节自动添加烟、火焰、流水等动态元素，同时去除画面瑕疵 也就是说，做游戏的能直接拖进Unity/Unreal 当关卡；影视人可导出带相机轨道的视频当预演 #3D生成 #AI3D #Marble
注册地址：https://t.co/A7EzSQVOIT 博客：https://t.co/gYdUPBUvsQ
OpenAI刚刚放出了GPT-5.1，主打“更智能更具聊天性” GPT-5.1 Instant版，引入了自适应推理能力，可根据问题难度决定是否先思考再回答，同时保持快速响应，指令遵循更好 GPT-5.1 Thinking版，快慢自适应，简单问题秒回，复杂问题多花时间，难题答得更深入，简单题等待时间更短了 #GPT51 #OpenAI
博客：https://t.co/gffeZEQsb8
字节最新发了一款编程模型：Doubao-Seed-Code，擅长Agentic编程任务，具备视觉理解能力，256K上下文 TRAE中国版已接入Doubao-Seed-Code，在与TRAE深度结合后，在SWE-Bench Verified上达到78.8%成绩 256K上下文，使其可以处理长代码文件、多模块依赖等等复杂的场景，前端能力突出 它可以参照UI设计稿、截图、手绘草图生成代码，或者可以对生成页面进行视觉比对，自主完成样式修复和Bug修复 价格： 0-32k输入区间，输入1.2元/百万Tokens，输出8元/百万Tokens 32-128k输入区间，输入1.4元/百万Tokens，输出12元/百万Tokens 128-256k输入区间，输入2.8元/百万Tokens，输出16元/百万Tokens #DoubaoSeedCode #编程模型
文档：https://t.co/nAdCaTcfKu
ElevenLabs最新实时语音转文本模型：Scribe v2 Realtime，150毫秒转录90+种语言 可以用于语音助手、会议记录或者实时应用程序等等 英语、日语等的WER≤5% ，中文普通话>5% ≤10% #ASR #STT
文档：https://t.co/vmFUTyD44Z