https://www.youtube.com/watch?v=qtzzN8w2TvU AI news intro 本週 AI 界消息非常震撼，包括各類開源模型、網頁即時影片編輯、由思考轉化為文字的 技術，以及大幅提升圖像模型生成速度的新方法等。 [00:00] MusViT 這是一款專門用來「閱讀」五線譜的視覺 AI 模型。傳統視覺模型無法有效理解樂譜中的 符號、拍子、音高與結構。MusViT 使用 970 萬頁樂譜數據訓練，透過遮罩重建技術掌握 了音樂結構。模型體積小於 500MB，非常適合在消費級設備上離線運行。 [00:51] LongCat 2.0 由中國外賣平台美團推出的 1.6 兆參數開源混合專家（MoE）模型。令人驚豔的是，它完 全沒有使用 Nvidia 的 GPU 進行訓練，而是基於國產的 ASIC 晶片（傳聞為華為晶片） ，且訓練過程非常穩定、無任何中斷。在程式碼編寫與邏輯推理等多項基準測試中，表現 逼近 GPT-5.5 與 Claude Opus。 [02:33] LiveEdit 這是一個可實現「即時視訊編輯」的 AI 系統。使用者只需提供一段影片及自然語言指令 ，模型就能以每秒近 13 幀的速度，即時更換影片中人物的衣服、改變天氣、移除物件或 調整構圖。其主要是將一般影片模型轉化為分塊流式處理結構。 [06:20] VidiHand 這款工具能從一般影片中高精確度地重建人手部的 3D 運動與形狀。手部動作通常快速且 容易互相遮擋，導致傳統 AI 難以精確追蹤。VidiHand 在各項檢測指標上皆超越同類產 品，此技術將大幅有助於訓練人形機器人，並可用於 AR/VR 領域。 [07:37] Agents A1 這是一個僅有 35 億參數的開源中型混合專家模型。雖然體積不大（FP8 版本的模型大小 僅約 37.7 GB），但專為多步驟的自主代理（Agentic）工作流程而設計。在多項科學與 推理基準測試中，它擊敗了引領潮流的 Qwen-35B 與部分破兆參數的模型。 [09:03] OmniContact 此框架旨在教導人形機器人執行長時間、跨多步驟的複合型真實任務（例如搬箱、推車） 。它引入了「接觸流（contact flow）」架構，讓機器人的各種日常動作技能得以流暢地 銜接、並且能從失誤中自行恢復。 [10:46] Hi3D 本片贊助商，這是一個全方位的 3D 模型生成與列印平台。使用者輸入簡單指令生成圖片 後，系統能自動將其轉為可列印的 3D 模型，並內建智慧分割、添加連接孔與優化列印床 排版等完整工作流。 [12:37] Claude Fable is back Anthropic 之前因被美國政府顧忌危險性而遭短暫禁用的最強模型 Claude Fable 5 再次 回歸。在配合政府實施新的安全分類器後得以重新上線。不過新版的使用限制極多：目前 至 7 月 7 日前僅限訂閱用戶使用、且僅佔每週限額的 50%，最嚴重的是因安全機制過於 嚴格，導致寫程式與除錯等常規任務極易觸發錯誤拒絕，並降級回 Opus 模型，性能出現 明顯退化。 [15:00] Claude Sonnet 5 Anthropic 本週也推出了 Sonnet 5 輕量版模型。然而在基準測試中，它的性能甚至落後 於舊世代的 Opus 4.8，在智商與速度上也落後於其他開源模型。更糟糕的是它的定價極 高，定價甚至超過 GPT-5.5 的兩倍，在性價比上完全缺乏競爭力。 [19:06] PhysiFormer 此 AI 能夠預測 3D 物體在現實世界中受到外力時的運動與變形方式（例如球掉落、果凍 被擠壓）。它不僅生成 3D 形狀，更理解物理規則與材料特性（如金屬或橡膠），讓 3D 動畫在互動時顯得更加真實。 [20:51] Aspire Nvidia 推出的一套專為機器人設計的自我改進系統。當機器人執行任務失敗時，系統會 自動編寫程式碼控制、觀測錯誤原因並修復程式碼，將失敗經驗轉化為技能儲存在程式庫 中，避免重蹈覆轍，從而建立起一個可持續自我學習與優化的閉環系統。 [22:33] New Google models Google 本週將研發重點放在效率上，推出了兩款輕量級模型： Nano Banana 2 Light：Google 最快且最便宜的圖像生成模型，速度大幅提升（生成 一張圖約 4 秒）。 Gemini Omni Flash：高靈活性的影片生成與編輯模型，使用者能以自然語言對影片 內容進行物件替換、添加特效等。目前兩款模型均可在 Google Flow 平台免費體驗。 [24:06] UBTech U1 優必選（UBTech）發表了全新一代超逼真的人形伴侶機器人 U1 系列（包含頭部軀幹版與 全身版）。外觀具有極致細節（如皮膚毛孔、血管與指紋），觸感真實，並配備情緒 AI ，能以 90% 的準確度識別 20 多種人類情感，主打情感支持與陪伴，目前已獲得超過 13,000 張預訂單。 [26:42] Comfy MCP ComfyUI 是本地運行生成式開源模型最受歡迎的平台，但其節點與接線界面相當複雜。 Comfy MCP 則是連接 AI 代理與 ComfyUI 的橋樑。用戶現在可以直接用自然語言命令 AI 代理在後台自動搜尋模型、建立節點並運行複雜的工作流。 [28:43] Brain2qwerty Meta 發表的創新研究項目（第二版）。它可在「無需手術」侵入大腦的情況下，單純透 過腦磁圖（MEG）記錄的大腦活動信號，直接將使用者的思維轉化為文字（字詞預測準確 度達 78%）。相較於第一版，本次訓練數據量提升了 10 倍以上。 [30:15] RDM 全稱為 Representation Distribution Matching（表徵分布匹配）。一般的擴散圖像模 型需要 30 到 50 個步驟（Turbo 模型也需要 4 到 10 步）才能除去噪點生成圖像。 RDM 技術透過教導 AI 匹配高階視覺特徵的整體分布，能夠「僅用 1 個步驟」就生成品 質不俗的圖像，大幅提高生成速度。 [31:38] MrFlow 另一種瘋狂加速圖像生成的方法。其核心邏輯是先生成低解析度圖像，再將其放大並加入 微量噪點，最後讓原始模型僅執行「一個高解析度步驟」來修飾細節。該方法完全無需重 新訓練模型，可將部分圖像模型的生成速度提升 9 到 21 倍，生成一張圖僅需約一秒。 [33:08] SimFoundry 這款 AI 能將單張照片或影片直接轉化為具有物理精確度的「3D 模擬場景」。這對機器 人訓練至關重要，因為在現實廚房或工廠中讓機器人失敗幾千次代價昂貴且具危險性，但 透過該系統，機器人可以在數位的 3D 模擬環境中利用強化學習進行成千上萬次的數位訓 練。 [34:47] CHORD 一個全新的機器人學習框架。它透過 forces（力量）與 torques（轉矩）來記錄和轉化 人類的操作示範影片，藉此教導機器人掌握靈巧的手部技能。由於它專注於物理受力而非 單純複製動作，因此即便人類與機器人（或不同型號機器人）的手部結構不同，機器人也 能順利學會如何操作各類物件。 [36:06] Luna 由 Meta 提出的 3D 人類角色動畫新方法。傳統方法需要依賴人體 3D 模型與骨架，容易 導致衣物變形異常或動作僵硬。Luna 改為將所有輸入轉換為「高斯變形（Gaussian deformations）」，用戶僅需提供少許目標角色的照片，以及任何驅動訊號（例如其他人 的動作影片、骨架動畫甚至是線條草圖），就能靈活且逼真地讓 3D 角色動起來。 [37:20] -- Gemini整理 生圖加速器終於進入只要1step的領域 Meta的腦波讀取器好大台 希望以後能小型化到EVA裡那種髮夾 至於中國仿真機器人..我們離暴民屠殺秀又近了一步 https://youtu.be/V8EnJIJ4nEo --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.36.253.145 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/AI_Art/M.1783227157.A.DF9.html