NaviGen：透過使用者行為編碼實現個人化多模態生成
NaviGen 引入了一種新穎的框架，將使用者互動歷史轉化為圖像與影片生成的執行指令。透過雙識別碼表示法與兩階段 SFT+RL 流程，它成功彌合了模糊的使用者意圖與高保真多模態輸出之間的鴻溝。
Search
Tag: #multimodal329 results
ReMMD：用於多模態錯誤資訊檢測的代理框架
ReMMD 是一個旨在處理複雜、多語言和多圖像錯誤資訊的新框架。它利用具有持久記憶的代理方法來分解貼文，並比現有方法更有效地驗證真實性。
CaVe-VLM-CoT：一種可解釋的視覺語言模型框架
CaVe-VLM-CoT 是一個新型代理式 RAG 框架，旨在透過五階段閉環驗證流程減少視覺語言模型的幻覺。該研究引入了 CaVeScore，這是一套用於評估檢索品質、引用忠實度及跨模態基礎性的綜合指標。
🎬
Mel AI 展示即時視訊原生 AI 角色互動
Mel AI 發布了一款視訊原生 AI 角色的演示，具備即時語音、臉部表情與環境感知能力。該系統能對使用者的鏡頭環境做出反應，標誌著從純文字聊天轉向沉浸式視訊互動的趨勢。
傳聞 Apple 將於 2027 年推出配備相機的 AirPods
據報導，Apple 正在開發內建相機的 AirPods，旨在為 Siri 等 AI 功能提供「視覺情境」。這些裝置預計於 2027 年推出，目前正配合 iOS 28 進行測試。
📰
Apple 計劃於 2027 年推出搭載相機的 AirPods 以推動 AI 發展
Apple 正在開發具備內建相機的新款 AirPods，預計於 2027 年發布。該產品旨在成為 Apple 更廣泛 AI 硬體策略中的關鍵裝置。
Gemma 4 模型現已登陸 Amazon Bedrock
Google DeepMind 的 Gemma 4 模型系列現已於 Amazon Bedrock 上架。此次發布包含三種經過指令微調的變體，涵蓋密集架構與混合專家模型 (MoE)，並具備多模態處理能力。
Orchestra-o1：全新全模態代理編排框架
Orchestra-o1 是一個專為多代理系統設計的新框架，旨在處理文字、圖像、音訊和影片等異質模態。它改進了任務分解與協作能力，並在 OmniGAIA 基準測試中達到了頂尖效能。
Meta 智慧眼鏡協助盲人退伍軍人進行日常導航
Meta 的智慧眼鏡正被重新應用，為盲人退伍軍人提供視覺輔助。此應用展示了穿戴式 AI 技術在無障礙領域的正面應用案例。
AI 智慧眼鏡產業即將爆發的競爭
包括 Meta、Google、Samsung、Apple 和 Amazon 在內的主要科技公司正競相將多模態 AI 與攝影機整合至智慧眼鏡中。此趨勢象徵著全天候 AI 互動的轉變，但也面臨大眾對隱私的擔憂。