ตัวละครแบบเปิดชื่อคลอเดีย นักร้องป็อปที่สร้างโดย AI ผมบ๊อบสีดำพร้อมไฮไลต์สีส้มดินเผา เป็นผู้นำในมิวสิกวิดีโอสิบเพลงที่สร้างด้วย Claude ระหว่างเดือนกันยายนถึงพฤศจิกายน 2026 การเปิดตัวนี้เผยแพร่ภาพทุกภาพของเธอ ภาพยนตร์ และทุกสิ่งที่จำเป็นในการสร้างเธอขึ้นมาใหม่ด้วยตัวเอง วิดีโอเหล่านี้สร้างขึ้นด้วยพรอมต์ Midjourney คลิป Seedance 2.5 และเพลง Suno v6
MuzeGen AI เป็นโปรเจกต์ Show HN ที่สร้างเพลงต้นฉบับปลอดค่าลิขสิทธิ์จากอารมณ์ที่อธิบาย สไตล์ที่เลือก หรือเนื้อเพลงที่วางไว้ นอกจากนี้ยังมีฟีเจอร์แยกสเต็มและส่งออก MIDI สำหรับแทร็กที่สร้างขึ้น
inclusionAI เปิดตัว Duo-1.0-distill-quant ซึ่งเป็นน้ำหนัก Realization แบบสี่สเต็ปที่ผ่านการควอนไทซ์เป็น FP8 และกลั่นแล้ว สำหรับโมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์ Duo 1.0 น้ำหนักนี้จะซ้อนทับบนชุด inclusionAI/Duo-1.0-causal-base ซึ่งจัดเตรียม Intent, โคเดก, โมเดลเสียงพูด และแกนหลัก Realization ที่ใช้ร่วมกัน และจำเป็นต้องมีรันไทม์ที่รองรับรูปแบบ ModelOpt FP8 ที่แพ็กเกจมา น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo
inclusionAI ได้เปิดตัว Duo-1.0-distill ซึ่งเป็นน้ำหนัก Realization แบบกลั่นสี่ขั้นสำหรับ Duo 1.0 โมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์สำหรับการโต้ตอบเสียง-ภาพแบบเรียลไทม์ น้ำหนักนี้จัดส่งในรูปแบบ PyTorch Distributed Checkpoint overlay บนชุด inclusionAI/Duo-1.0-causal-base โดยใช้ Euler sampler จำนวน 4 ขั้นและ flow shift 5.0 น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo
นักพัฒนาได้เปิดตัวเครื่องมือ Show HN ที่เปลี่ยนเว็บไซต์ บทความ หรือสคริปต์ใดๆ ให้เป็นวิดีโออธิบายสไตล์ Rick and Morty พร้อมบทสนทนา ฉาก และแอ็กชัน ผู้ใช้คลิกสร้างเพื่อแปลงสคริปต์เป็นสตอรีบอร์ดที่ตรวจสอบได้ จากนั้นคลิกสร้างอีกครั้งเพื่อรับวิดีโอสุดท้าย ซึ่งเป็นบริการแบบเสียค่าใช้จ่ายเนื่องจากใช้ AI วิดีโอเป็นแกนหลัก
Zipzi เปิดตัวเวอร์ชัน alpha ของโปรแกรมแก้ไขโมเดล 2D และแอนิเมชันแบบโอเพนซอร์ส ซึ่งวางตำแหน่งเป็นทางเลือกแทน Live2D Cubism Editor สร้างด้วย Rust และ GPUI สำหรับ macOS และ Windows มี Python SDK (CPython 3.14) ที่ช่วยให้ coding agent ตรวจสอบ mesh, เรนเดอร์ wireframe overlay และแก้ไขในเอกสารเดียวกับผู้ใช้ พร้อมประวัติ undo ที่ใช้ร่วมกัน โครงการอยู่ในช่วงพัฒนาตอนต้นยังไม่มีเวอร์ชันเสถียร และ SDK ใช้สัญญาอนุญาต MIT ขณะที่คอมโพเนนต์ของตัวแก้ไขใช้ GPL-3.0-only
Sing VL S1 โมเดลตัดสินใจมัลติโหมดัลขนาด 4B พารามิเตอร์ที่สร้างบน Qwen3.5 ขณะนี้มี GGUF release สำหรับการอนุมานบน CPU ผ่าน llama.cpp แล้ว จัดส่งในรูปแบบ decoder BF16 (8.42 GB), Q8_0 (4.48 GB) และ Q4_K_M (2.71 GB) พร้อม vision projector F16 ที่ใช้ร่วมกัน โดยมี context ขนาด 4096 โทเคนเป็นค่าเริ่มต้น การตรวจสอบ GGUF ครอบคลุม 9 ตัวอย่างและ 11 คำถาม คะแนนสาธารณะแบบเต็มสำหรับ GGUF variants ยังอยู่ระหว่างรอ
บทความตั้งคำถามว่าทำไม Eiichiro Oda ผู้สร้าง One Piece ยังไม่ถูกปรึกษาโดยห้องแล็บ AI ชั้นแนวหน้าที่สร้าง world model โดยโต้แย้งว่าความเชี่ยวชาญของเขาในด้านความสอดคล้องเชิงพื้นที่และความต่อเนื่องของตรรกะภายในอาจช่วยงานด้านสื่อเชิงสร้างสรรค์ เกม และการออกแบบสไตล์การจำลองได้ แม้ว่าฟิสิกส์และเรขาคณิตระดับล่างยังคงเป็นขอบเขตของโมเดลที่ผ่านการฝึก เช่น Marble ของ World Labs
Google เปิดตัว Gemini 4 Hydrogen โมเดลที่สร้างขึ้นเพื่อการประมวลผลที่รวดเร็วในงานเขียนโค้ดประจำวันและเวิร์กโฟลว์แบบเอเจนต์ โดยเปิดให้ใช้งานทั่วโลกผ่าน Gemini API, AI Studio, Gemini for business, แอป Gemini, Google Search และ Google Antigravity
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
World Labs ได้เปิด Atlas ซึ่งเป็น world model รุ่นใหม่ให้ทุกคนเข้าถึงได้ โดยให้ผู้ใช้สร้างและสร้างใหม่โลก 3D ที่สำรวจได้ Atlas Build เริ่มจากภาพถ่ายหรือภาพที่สร้างขึ้น โดย Viewfinder จะสร้างฉากใหม่และอนุญาตให้เคลื่อนกล้อง ขณะที่ Chisel กำหนดโครงสร้างฉากและอัปเดตทุกมุมมองกล้อง โลกสามารถแปลงจาก splats เป็น meshes ที่มีเรขาคณิตจริงเพื่อใช้ในเกม การจำลอง Blender และเครื่องมือ 3D อื่นๆ และความสามารถของ Atlas ยังพร้อมใช้งานผ่าน API สำหรับนักพัฒนา
AxiomStory เป็นสตูดิโอเรื่องเล่าด้วย AI แห่งใหม่ที่อ่านทุกบทของต้นฉบับและชี้ข้อผิดพลาดด้านความต่อเนื่อง เช่น สีตาของตัวละครเปลี่ยนไประหว่างบท มันสร้างหน้าวิกิสำหรับตัวละครและสถานที่แต่ละแห่ง และใช้รูปลักษณ์และเสียงที่อนุมัติแล้วหนึ่งชุดต่อตัวละครแต่ละตัวซ้ำในภาพและวิดีโอที่สร้างขึ้น แผนฟรีให้ความช่วยเหลือด้วย AI ประมาณ 30,000 คำ แผนเสียเงินมีตั้งแต่ $16 ถึง $160 ต่อเดือน
Google ได้เปิดตัว Gemini 4 Hydrogen โมเดลอเนกประสงค์ที่รวดเร็วสำหรับนักพัฒนาและผู้ใช้ทั่วไป ในราคา 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต พร้อมหน้าต่างบริบทหนึ่งล้านโทเค็น Google ระบุว่า Hydrogen ได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น และ 54 ที่ระดับ xhigh ใหม่ เทียบกับ 50 สำหรับ Gemini 4 Argon รุ่นใหญ่กว่า การทดสอบอิสระโดย Artificial Analysis พบว่า Hydrogen อยู่ในระดับเดียวกับ Claude Sonnet 5.5 ที่การคิดสูงสุดโดยประมาณ แต่ด้อยกว่าในงานเทอร์มินัลแบบเอเจนต์ โดยได้ 54 เปอร์เซ็นต์บน Terminal-Bench 4.0 เทียบกับ 64 เปอร์เซ็นต์ของ Claude Sonnet 5.5
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”
Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่สร้างขึ้นสำหรับการเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและการทำงานแบบเอเจนต์ มากกว่าการให้เหตุผลระยะยาวของ Gemini 4 Carbon และ Argon โดยได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น เทียบกับ 50 ของ Argon และสูงถึง 54 ที่การตั้งค่า xhigh ใหม่ โดยมีราคาคงที่ 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตตลอดหน้าต่างบริบท 1 ล้านโทเค็น Google ยังเปิดตัว Orchestrator ใน Google Antigravity ซึ่งสลับระหว่างโมเดลอย่าง Carbon และ Hydrogen ภายในเซสชันเดียว และทำอัตราความสำเร็จของงานใกล้เคียง Carbon บน Terminal-Bench 4.0 โดยใช้โควตาน้อยลง 24% และเสร็จเร็วขึ้น 19%
ทำไมเรื่องนี้สำคัญ: Gemini 4 Hydrogen ของ Google มุ่งเป้าที่การเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและงานแบบเอเจนต์ ด้วยราคาคงที่ 1.50/7.50 ดอลลาร์ต่อล้านโทเค็นตลอดหน้าต่างบริบท 1M และ Orchestrator ใหม่ที่สลับระหว่างโมเดล Gemini 4
แว่นตาอัจฉริยะที่ขับเคลื่อนด้วย Gemini ของ Google เปิดให้สั่งจองล่วงหน้าแล้วผ่าน Gentle Monster และ Warby Parker โดยมีราคาเริ่มต้นที่ $395 สำหรับกรอบของ Warby Parker และ $449 สำหรับรุ่นของ Gentle Monster อุปกรณ์เหล่านี้เป็นความร่วมมือที่ Samsung จัดห�าร์ดแวร์คอมพิวติ้งภายในกรอบแว่น และ Google จัดหาซอฟต์แวร์ และ Google เน้นย้ำเรื่องความเป็นส่วนตัวเมื่อกลับสู่ตลาดแว่นตาอัจฉริยะหลังยุค Google Glass กรอบแว่นสามรุ่นของ Warby Parker ได้แก่ Alden, Reid และ Wren มีให้เลือกในสี Pine, Saddle และ Jet Black พร้อมเลนส์สายตาหรือเลนส์กันแดดมาตรฐาน และจำหน่ายเฉพาะในสหรัฐอเมริกาเท่านั้น ขณะที่ Gentle Monster มีหกรุ่นในสีแดงเข้ม ชมพู เทา และเหลือง พร้อมเลนส์ใส เลนส์ย้อมสี เลนส์สีฟ้า หรือเลนส์สีน้ำตาล ในสหรัฐอเมริกาและเกาหลีใต้
AI สามารถเร่งความเร็วให้กับสามต้นแบบหลักของวงการเกม — นักพัฒนาอินดี้ ผู้สร้างเครื่องมือผู้มีวิสัยทัศน์ และสตูดิโอสร้างโลก — แทนที่จะเข้ามาแทนที่พวกเขา ตามความเห็นของ Anish, Jon จาก a16z และผู้เขียน Coding agents ตอนนี้ช่วยนักพัฒนาคนเดียวอุดช่องว่างทักษะ: agent ตัวหนึ่งสร้างร้านแผ่นเสียงที่ได้แรงบันดาลใจจาก Habbo Hotel ใน Blender และเอนจิน จากนั้นเพิ่มกลไกการรับเลี้ยงสัตว์เลี้ยงและรักษาโค้ดเบสให้เข้ากันได้ย้อนหลัง Jon ใช้ ChatGPT และ Codex สร้างม็อด Minecraft ที่ได้แรงบันดาลใจจาก Ghost of Tsushima ให้ลูกชายวัยแปดขวบของเขา
ศิลปิน Mariko Mori ใช้ Claude เขียนโค้ดสำหรับแอนิเมชันที่สร้างด้วยคอมพิวเตอร์ ซึ่งจัดแสดงเป็นวิดีโออินสตอลเลชันชิ้นใหม่ในนิทรรศการย้อนหลังของเธอ "Mariko Mori: All That Shines" ผลงานนี้ฉายบนจอขนาดกว้างเจ็ดเมตรในห้องจัดแสดงสุดท้าย โดยเส้นขอบฟ้าแยกออกเผยให้เห็นโลกแห่งแสงอันเจิดจ้า นิทรรศการจัดแสดงระหว่างวันที่ 31 ตุลาคม 2026 ถึง 28 มีนาคม 2027 ณ พิพิธภัณฑ์ศิลปะ Mori ในโตเกียว
vLLM รองรับ Inkling 2 Small ของ Thinking Machines ใน day 0 ซึ่งเป็น MoE แบบมัลติโหมดข้อความและภาพที่มีพารามิเตอร์รวม 594B และพารามิเตอร์ที่ใช้งาน 17B และมีบริบทสูงสุด 1M โทเค็น การผสานรวมนี้เพิ่ม kernel fusion กับ PDL, sequence parallelism สำหรับ prefill ที่ลดขั้นตอน prefill 8K โทเค็นลง 22% ที่ TP4 และ 26% ที่ TP8 และ Gluon relative attention decode kernel ที่ลดขั้นตอน decode แบบ batch-1 ที่บริบท 100K จาก 15.1 ms เหลือ 4.8 ms vLLM รายงานสูงสุด 630 TPS/user ที่ TP4 บน GB200 ด้วย acceptance length 3.5 และยังรองรับ LoRA และ RL ผ่าน SkyRL
ทำไมเรื่องนี้สำคัญ: vLLM รองรับ Inkling 2 Small ในวันเปิดตัวพร้อมให้ข้อมูลการปรับแต่งที่เฉพาะเจาะจงของ kernel fusion, sequence parallelism และ Gluon decode kernel ซึ่งเป็นประโยชน์ต่อทีมที่ปรับใช้โมเดล MoE ขนาดใหญ่
vLLM-Omni นำ MiniMax H3-Image มาทำงานบน NVIDIA Vera Rubin และวัดเวลาแฝงมัธยฐานได้ 0.87 วินาทีสำหรับการสร้างภาพจากข้อความเป็น 4096×4096 แบบเนทีฟบนสี่ GPU พร้อมด้วย 6,115 ภาพต่อชั่วโมงในการกำหนดค่าด้านทรูพุตแยกต่างหาก H3-Image เป็นโมเดลสร้างและแก้ไขภาพจากข้อความแบบเปิดน้ำหนัก ที่จับคู่เอนโคเดอร์ Qwen3-VL กับ DiT แบบ dense 33.1B และ VAE สำหรับภาพ จัดการทั้งสองงานในหกขั้นตอนการสุ่มตัวอย่างด้วยภาพอ้างอิงสูงสุด 16 ภาพ ทีมรายงานว่าใช้ MXFP8 DiT GEMMs, Ulysses SP4, AdaLN caching และการเปลี่ยนแปลงการถอดรหัส VAE ที่ลดเวลาการถอดรหัสจาก 2.635 วินาทีเหลือ 0.213 วินาที พร้อมระบุสูตรการตั้งค่าสำหรับฮาร์ดแวร์ AMD, Intel, Huawei Ascend และ Moore Threads
ทำไมเรื่องนี้สำคัญ: การทดสอบของ vLLM-Omni แสดงให้เห็น MiniMax H3-Image ทำงานบน Vera Rubin ด้วยเวลาแฝง 4K ต่ำกว่าหนึ่งวินาที พร้อมการกำหนดค่าต่อฮาร์ดแวร์และแบบจำลองต้นทุนสำหรับเศรษฐศาสตร์ของการให้บริการ
Google ได้เปิดตัว Gemini Decision 1 ซึ่งเป็น API โมเดลสำหรับการตัดสินใจที่รองรับคำถามแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบให้คะแนนตามเกณฑ์ โดยเข้ามาอยู่ในหมวดหมู่โมเดลสำหรับการตัดสินใจร่วมกับ Jev และ OpenAI โดยมีราคาอยู่ที่ 10 เซนต์ต่อล้านโทเค็นอินพุต และเอาต์พุตฟรี และแตกต่างจาก Jev ที่รองรับเฉพาะอินพุตข้อความ มันรองรับข้อความ รูปภาพ เสียง วิดีโอ และ PDF ในการทดสอบกับวิดีโอหุ่นยนต์ Gemini ส่งค่าความน่าจะเป็น เช่น 0.9234 สำหรับหุ่นยนต์ และ 0.0498 สำหรับมังกร แทนที่จะเป็น 1.0 หรือ 0.0 ที่ Jev และ OpenAI ส่งคืน
Google เปิดตัว Gemini Decisions API ซึ่งขับเคลื่อนโดยโมเดลใหม่ชื่อ Gemini Decision 1 (gemini-decision-1) ที่ไม่สร้างข้อความ แต่ให้คะแนนคำถามแบบมีชนิดได้สูงสุด 1,000 ข้อเทียบกับอินพุตที่แชร์ร่วมกันหนึ่งรายการ และคืนค่าความน่าจะเป็นที่ปรับเทียบแล้ว โดยอ่านข้อความ รูปภาพ เสียง วิดีโอ และ PDF ในรอบ prefill เดียว รองรับคำถามชนิดใช่/ไม่ใช่ ตัวเลือก และคะแนน ราคาอยู่ที่ $0.10 ต่อ 1M โทเคนอินพุต โดยไม่คิดค่าตัวอย่างเอาต์พุต Google รายงานบริบท 262,144 โทเคน ความหน่วงตั้งแต่ต้นจนจบ 150-250 ms และ top-1 ECE ที่ 0.0250 ซึ่งประมาณครึ่งหนึ่งของ TypeSafe Jev 1.14 แม้ว่าจะตามหลัง Jev ใน benchmark When2Call (79.9% vs 82.0%) และมีราคาต่อโทเคนสูงกว่า ($0.10 vs $0.042)
Google DeepMind เปิดตัว Gemini Decisions API ซึ่งสร้างขึ้นสำหรับการตัดสินใจแบบปิด เช่น คำถามใช่/ไม่ใช่ ตัวเลือกหลายข้อ และการให้คะแนนตามมาตรา โดยมีโมเดลพื้นฐาน Gemini Decision 1 ประมวลผลคำถามอิสระได้สูงสุด 1,000 ข้อในการเรียกครั้งเดียว ครอบคลุมข้อความ รูปภาพ เสียง วิดีโอ และ PDF โดยส่งคืนความน่าจะเป็นพร้อมค่าความเชื่อมั่นใน 150 ถึง 250 มิลลิวินาที และมีค่าใช้จ่าย $0.10 ต่อล้านโทเค็นอินพุต โดยไม่มีค่าใช้จ่ายโทเค็นเอาต์พุต ซึ่ง Google กล่าวว่าถูกกว่าประมาณห้าเท่าเมื่อเทียบกับ Gemini 3.5 Flash-Lite API นี้พร้อมใช้งานแล้วผ่าน Google AI Studio พร้อมการผสานรวมสำหรับ OpenRouter, LangChain และ Vercel ที่กำลังทยอยเปิดตัว และ Google กล่าวว่าบริษัทใช้มันภายในอยู่แล้วสำหรับการกำหนดเส้นทางโมเดลใน Gemini Notebook การสร้างต้นแบบการออกแบบใน Stitch และการตรวจสอบความปลอดภัยใน Google Search
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google launches Gemini Decisions API and Gemini Decision 1 model for fast closed-set decisions”
Google เปิดตัว Gemini Decisions API ซึ่งขับเคลื่อนโดยโมเดลใหม่ Gemini Decision 1 (gemini-decision-1) และพร้อมใช้งานผ่าน Gemini API ใน Google AI Studio อินพุตมัลติโมดัลเดียวสูงสุด 256K โทเค็นสามารถตรวจสอบกับคำถามแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบให้คะแนนตามเกณฑ์ได้สูงสุด 1,000 ข้อในการส่งต่อเพียงครั้งเดียว โดยคืนค่าความน่าจะเป็นและคะแนนความเชื่อมั่นที่ความหน่วงตั้งแต่ต้นจนจบ 150-250 มิลลิวินาที ในราคา 0.10 ดอลลาร์ต่อ 1M โทเค็นอินพุต โดยไม่มีค่าใช้จ่ายโทเค็นเอาต์พุต Google กล่าวว่าโมเดลนี้เป็นผู้นำชุดการทดสอบมาตรฐานด้วยค่าความคลาดเคลื่อนของการปรับเทียบต่ำที่สุด และมีราคาถูกกว่า Gemini 3.5 Flash-Lite กับ Interactions API เกือบ 5 เท่า การใช้งานภายในรวมถึงการกำหนดเส้นทางโมเดลใน Gemini Notebook การสร้างไวร์เฟรมใน Stitch และการตรวจสอบเนื้อหาเชิง adversarial สำหรับเครื่องมือ MCP ใน Search
ทำไมเรื่องนี้สำคัญ: เอนด์พอยต์ใหม่ของ Google ให้คะแนนคำถามมัลติมอดัลแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบตามเกณฑ์ได้สูงสุด 1,000 ข้อในครั้งเดียวที่ 150-250 มิลลิวินาที มอบทางเลือกที่ถูกกว่าการเรียกแบบเจเนอเรทีฟสำหรับการกำหนดเส้นทางของเอเจนต์และการตรวจสอบนโยบาย
Figma ได้เปิดตัว 3D transforms ในเวอร์ชัน open beta แล้ว ทำให้ดีไซเนอร์สามารถเอียง หมุน และจัดเรียงข้อความ รูปภาพ เวกเตอร์ และเฟรมในพื้นที่สามมิติได้ พร้อมเอฟเฟกต์ perspective บนเฟรมหลักเพื่อให้องค์ประกอบเชิงพื้นที่ใช้ร่วมกันได้ เอฟเฟกต์แบบ non-destructive ยังคงแก้ไขได้ และสามารถผสานกับ shader ทำแอนิเมชันด้วย Figma Motion หรือสำรวจผ่าน Figma agent ได้ Brand Studio ของ Figma ใช้เครื่องมือเหล่านี้ รวมถึงปลั๊กอิน generative ที่ agent สร้างขึ้น เพื่อผลิตวิดีโอเปิดตัวฟีเจอร์นี้
Adobe ประกาศเครื่องมือ AI เชิงทดลองในงานประชุม Max ประจำปี ได้แก่ Project Screen Test สำหรับกำกับตัวละคร AI ผ่านการสนทนา, Project Sight Span สำหรับเปลี่ยนภาพแบนให้เป็นฉาก 3D ที่นำทางได้ และ Project Sound Bender สำหรับมิกซ์เอฟเฟกต์เสียงบนผืนผ้าเสียงสี่เหลี่ยม Project Rinse Repeat คัดลอกการแก้ไขและนำไปใช้กับวัตถุอื่นในภาพเดียวกันโดยใช้เครื่องมือ Photoshop แบบดั้งเดิม การ "sneaks" เหล่านี้เป็นการพรีวิวเทคโนโลยีที่อาจไปถึง Creative Cloud หรือ Firefly ในที่สุด โดยไม่มีการรับประกันว่าจะเปิดตัว
Google Arts & Culture เผยแพร่นิทรรศการย้อนหลังออนไลน์ชุดแรกของศิลปินชาวแอฟริกาใต้ ดร. เอสเธอร์ มาห์ลังกู โดยจัดทำขึ้นเนื่องในโอกาสวันเกิดครบ 91 ปีของเธอ ประกอบด้วยเรื่องราวคัดสรรกว่า 45 เรื่อง และคลังข้อมูลอันหลากหลายเกี่ยวกับศิลปะ ชีวิต และมรดกของเธอ เนื่องจากคลังข้อมูลไม่มีสิ่งใดจากก่อนปี 1980 ทีมงานจึงใช้ AI สร้างภาพความทรงจำที่ไม่มีบันทึกไว้ของเธอขึ้นมาใหม่ทางภาพ โดยสร้างภาพนิ่งก่อน แล้วใช้ Veo แปลงเป็นวิดีโอ นิทรรศการนี้จัดทำร่วมกับสถาบันต่างๆ รวมถึง British Museum, Iziko Museums of South Africa และ Serpentine
MBZUAI的基础模型研究所发布了PAN 2，这是一个29B参数的开源世界模型，接收场景加文本动作，并将结果模拟为视频，权重、训练代码和推理代码均以Apache 2.0许可发布。它将一个编写结构化JSON世界状态的LLM规划器与一个29B MMDiT扩散Transformer配对，后者以冻结的Qwen3.5-9B编码器为条件，IFM报告在100个多步骤任务上全计划完成率为34.0%，领先于MiniMax-H3的32.50%，但在单动作和人类偏好（Elo 1595对1620）上落后于MiniMax-H3。IFM的消融实验显示，移除LLM规划器会使全计划完成率降至0.0%，步骤完成率从75.1%降至8.7%。
vLLM ได้ขยายการแยกส่วน Encoder/Prefill/Decode (EPD) สำหรับการให้บริการมัลติโมดัล โดยเพิ่มคำขอแบบ metadata-only, เส้นทางการประมวลผล encoder โดยเฉพาะ, การถ่ายโอน embedding ระยะไกลผ่าน NIXL และ Mooncake, การใช้เอาต์พุตข้าม encoder ซ้ำ และการจัดการผ่าน vLLM Router, SMG และ llm-d ความสามารถหลักรวมถึงการรองรับ MiMo และ XPU มาพร้อมใน vLLM v0.32.0 ขณะที่การรองรับ metadata-only สำหรับ DeepSeek V4.1 Flash มีให้ใช้งานบน main ผ่าน #62802 ในการทดสอบ DeepSeek V4.1 Flash บน GB200 EPD ให้ throughput ต่อ GPU สูงขึ้น 6.6–9.5% และ P90 TTFT ต่ำลง 44–47% เมื่อเทียบกับ baseline แบบ PD แปด GPU ที่ concurrency 64–128 แต่มี throughput ต่อ GPU ต่ำกว่าที่ concurrency 16
inclusionAI เปิดตัวเช็กพอยต์โมเดลวิชัน-ภาษา ZoomGain-9B และ ZoomGain-4B พร้อมกับเกณฑ์มาตรฐานการประเมิน ZoomGainBench และข้อมูลฝึก RL ของ ZoomGain โดย ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียด และ ZoomGain-9B มีประสิทธิภาพเหนือกว่าในเกณฑ์มาตรฐานการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGainBench มีคำถาม 1,000 ข้อจากภาพ 941 ภาพ ขณะที่ชุดข้อมูล RL มีบันทึกการฝึก 9,000 รายการและภาพต้นฉบับ 7,713 ภาพ
inclusionAI เผยแพร่บทความ arXiv, แบบประเมิน ZoomGainBench, ชุดข้อมูลฝึก RL และเช็กพอยต์โมเดล ZoomGain-4B/ZoomGain-9B โดยโมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำผลงานได้เหนือกว่าในแบบประเมินการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียดสำหรับโมเดลภาษา-ภาพ
inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัลขนาด 4B ที่สร้างบน Qwen3.5 ซึ่งตอบคำถามที่ระบุชื่อได้จากข้อความหรือ JSON และรูปภาพสูงสุดสี่รูปในการประมวลผลไปข้างหน้าหนึ่งครั้งของ Transformers รองรับคำถามแบบตัวเลือก แบบใช่/ไม่ใช่ (noul) และแบบให้คะแนน 2–10 ระดับ โดยได้คะแนน 73.94 บน Public Vision Index และ 69.76 บน Public Text Index โมเดลนี้มาพร้อมโค้ดอนุมานภาษา Python และเซิร์ฟเวอร์ HTTP แบบ FastAPI
Gemini 4 Carbon ซึ่งประกาศเมื่อสองสัปดาห์ก่อนสำหรับกลุ่มผู้ป้องกันไซเบอร์บางส่วน ขณะนี้พร้อมให้ทุกคนใช้งานในราคา 2 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 10 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต โดยราคามีกำหนดจะเพิ่มเป็นสองเท่าเป็น 4/20 ดอลลาร์ในวันที่ 1 ธันวาคม Simon Willison ทดสอบใน Antigravity IDE ของ Google โดยสร้างแอนิเมชัน Three.js ของหุ่นยนต์ Mech เดิน stomp ทั่วนิวยอร์กซิตี้โดยใช้ข้อมูล OpenStreetMap และตั้งข้อสังเกตว่า Sundar Pichai CEO ของ Google เน้นย้ำฟีเจอร์ /swarm ของ Antigravity ที่สร้างเกม 3D โลกเปิดด้วยแอสเซ็ต Blender, WebGL shaders และเพลง Lyria
เหตุการณ์เดียวกัน รายการคัดสรรอ้างถึง“Google DeepMind releases Gemini 4 Carbon for agentic coding, cybersecurity and scientific reasoning”
inclusionAI ได้ปล่อยน้ำหนักรูปแบบ GGUF สำหรับ ZoomGain-9B ซึ่งแปลงด้วย llama.cpp ครอบคลุมโมเดลภาษาและตัวเข้ารหัสภาพ/โปรเจกเตอร์ (mmproj) ในรูปแบบ FP16, Q8_0 และ Q4_K_M การป้อนภาพต้องจับคู่โมเดลภาษากับไฟล์ mmproj ที่ตรงกัน และรีโปได้จัดทำเอกสารการอนุมานผ่าน CLI ด้วย llama-mtmd-cli และการตั้งค่าแชทเว็บผ่าน llama-server จำเป็นต้องใช้บิลด์ llama.cpp ที่รองรับมัลติโมดัลของ Qwen3.5 และการควอนไทซ์อาจส่งผลต่อความแม่นยำ
Google และ Adobe กำลังขยายความร่วมมือเพื่อฝังเครื่องมือสร้างสรรค์และเครื่องมือเพิ่มประสิทธิภาพการทำงานของ Adobe ไว้ในแอป Google ที่ใช้งานในชีวิตประจำวันโดยตรง และนำโมเดล AI ชั้นแนวหน้าของ Google มาสู่แอปของ Adobe Google Drive และ Gmail จะแสดง Adobe Acrobat เป็นแอปที่แนะนำพร้อมจุดเข้าใช้งาน "Edit with" ในตัวอย่างไฟล์ในไม่ช้า ขณะที่ Adobe กำลังเพิ่มตัวเชื่อมต่อ Acrobat และเครื่องมือสร้างสรรค์ให้กับ Gemini และ Gemini Enterprise และนำเครื่องมือสร้างสรรค์มาสู่ AI Mode ใน Google Search ธุรกิจต่างๆ สามารถใช้เอเจนต์ CX Enterprise Coworker ของ Adobe ใน Gemini Enterprise ได้ และ Adobe ร่วมกับ Google DeepMind จะสำรวจโมเดลภาพสำหรับ Photoshop ที่อาจเปิดทางให้แก้ไขได้เกือบแบบเรียลไทม์
OpenRouter ทดสอบโมเดลวิชัน 15 ตัว, Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำที่สร้างขึ้นเองแปดภาพ และ Claude Opus 5.5 แม่นยำที่สุดโดยได้ค่าสำคัญ 262 จาก 264 ค่าถูกต้อง ในราคา $16.42 ต่อ 1,000 หน้า ขณะที่ Mistral OCR คุ้มค่าที่สุดด้วย 258 จาก 264 ในราคา $2.02 บนใบเสร็จที่จางลง GPT-6 Luna และ GPT-6.1 Sol สร้างตัวเลขบัตร ชื่อเซิร์ฟเวอร์ และรหัส wifi ขึ้นมาเอง ซึ่งเป็นข้อผิดพลาดที่อัตราความผิดพลาดระดับตัวอักษรไม่เผยให้เห็น โพสต์นี้มีโค้ดสำหรับถอดความภาพสแกน ปิดการให้เหตุผล ตรวจสอบไขว้ระหว่างสองโมเดลจากห้องแล็บต่างกัน และรัน Mistral OCR ผ่านปลั๊กอิน file-parser
ทำไมเรื่องนี้สำคัญ: การทดสอบเชิงปฏิบัติของโมเดลวิชัน 15 ตัวพร้อม Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำแปดภาพ พร้อมโค้ดที่รันได้สำหรับตรวจสอบไขว้ระหว่างสองโมเดลเพื่อจับค่าที่ถูกสร้างขึ้นมา
Google ได้เปิดตัว Language Explorer แพลตฟอร์มเว็บแบบอินเทอร์แอกทีฟที่ให้นักวิจัย นักการศึกษา และผู้ที่สนใจด้านภาษาได้ค้นพบและเห็นภาพความหลากหลายทางภาษาจากภาษาหลายพันภาษา พัฒนาขึ้นเป็นส่วนหนึ่งของโครงการ 1,000 Languages Initiative ของ Google และอ้างอิงจากชุดข้อมูลโอเพนซอร์ส LinguaMeta โดยจัดแสดงในนิทรรศการใหม่ที่พิพิธภัณฑ์การสื่อสารเบอร์ลินซึ่งเปิดในสัปดาห์นี้ ปัจจุบัน Google Translate รองรับเกือบ 250 ภาษา ขณะที่ Gboard ครอบคลุมภาษาถิ่นกว่า 900 ภาษา
Anthropic เปิดตัว Claude Fable 5.2 โมเดลที่ออกแบบมาสำหรับความท้าทายทางเทคนิคที่ยากที่สุดและโครงการเปิดกว้างที่ทะเยอทะยาน โดยมีการปรับปรุงด้านการเขียนโค้ด การให้เหตุผล และการมองเห็น บริษัทแนะนำให้เริ่มต้นด้วย Opus 5.5 สำหรับงานเขียนโค้ดและงานความรู้ส่วนใหญ่ Fable 5.2 เปิดให้ใช้งานแล้ววันนี้ในแผน Pro, Max, Team และ Enterprise
ทำไมเรื่องนี้สำคัญ: Claude Fable 5.2 มุ่งเป้าไปที่งานเทคนิคแบบเปิดกว้างที่ทะเยอทะยาน โดยมีรายงานการปรับปรุงด้านการเขียนโค้ด การให้เหตุผล และการมองเห็น ขณะที่ Opus 5.5 ยังคงเป็นค่าเริ่มต้นที่แนะนำสำหรับงานเขียนโค้ดและงานความรู้ส่วนใหญ่
Google DeepMind ร่วมมือกับ Artificial Analysis เปิดตัว Multimodal Knowledge Agent (MKA) benchmark ซึ่งมอบหมายให้เอเจนต์ตรวจทานไฟล์โปรเจกต์ภาพที่มีข้อมูลหนาแน่น เช่น แบบสถาปัตยกรรม แผนผังวิศวกรรม และภาพสแกนทางคลินิก เพื่อสร้างสไลด์ สเปรดชีต PDF เอกสาร Word และภาพที่ทำเครื่องหมายแล้ว
Gemini Omni Flash 1.2 โมเดลวิดีโอใหม่ล่าสุดของ Google พร้อมใช้งานแล้วใน Recraft Studio โดยคลิปมีความยาวสูงสุด 10 วินาทีพร้อมเสียงแบบ native เมื่อเทียบกับ 1.1 เวอร์ชันนี้รักษาตัวละคร สินค้า และฉากให้มีความนิ่งสม่ำเสมอตลอดคลิป ทำตามคำสั่งกล้องโดยมีการตัดภาพที่ไม่ต้องการน้อยลง และสร้างบทสนทนาที่ lip-sync ชัดเจนขึ้น รวมถึงฉากที่มีผู้พูดหลายคน Google เปิดตัวโมเดลนี้เมื่อวันที่ 5 พฤศจิกายน 2026 และระบุว่ายังคงมีปัญหากับกีฬาที่มีการเคลื่อนไหวเร็ว การเปลี่ยนบทอย่างรวดเร็ว และฟิสิกส์ที่ซับซ้อน
ZoomGain สร้างคำถามเกี่ยวกับภาพเต็มจากรายละเอียดทางภาพที่ชัดเจนขึ้นเมื่อซูมเข้า โดยใช้ช่องว่างการรับรู้จากภาพรวมสู่การซูมนี้เป็น信号กำกับสำหรับโมเดลภาษา-ภาพ การเผยแพร่ประกอบด้วยบทความ arXiv, Benchmark ZoomGainBench (1,000 คำถามจาก 941 ภาพ ครอบคลุมการจดจำคุณลักษณะ การนับ และ OCR), บันทึกการฝึก RL 9,000 รายการจากภาพต้นฉบับ 7,713 ภาพ และ checkpoint ZoomGain-4B และ ZoomGain-9B โมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำได้เหนือกว่าใน benchmark การรับรู้แบบละเอียดและทั่วไปหลายรายการ
Meta เปิดตัว Muse Ember โมเดลที่เล็กที่สุดและมีประสิทธิภาพที่สุด มุ่งเป้าไปที่งานซ้ำๆ ที่เอเจนต์ทำตลอดทั้งวัน เช่น การเรียกใช้เครื่องมือ งานย่อยด้านการเขียนโค้ด การกำหนดเส้นทาง การสกัดข้อมูล และการแยกวิเคราะห์เอกสารยาว Meta กล่าวว่าโมเดลนี้ทำคะแนนได้เท่ากับคะแนนดีที่สุดของ Claude Haiku 5.5 ในต้นทุนประมาณหนึ่งในสาม และเอาชนะการตั้งค่าทุกแบบของ GPT-6 Luna ด้วยราคา $0.10 ต่อล้านโทเค็นอินพุต และ $0.50 ต่อล้านโทเค็นเอาต์พุต มาพร้อมหน้าต่างบริบท 1M โทเค็น เอาต์พุตสูงสุด 512K โทเค็น รองรับอินพุตข้อความ รูปภาพ เสียง และวิดีโอแบบเนทีฟ และพร้อมใช้งานวันนี้บน Muse Code และ Meta Model API ในชื่อ muse-ember-1.0
ทำไมเรื่องนี้สำคัญ: โมเดลที่เล็กที่สุดของ Meta มุ่งเป้าไปที่ขั้นตอนเอเจนต์ที่มีปริมาณสูง และการเปรียบเทียบต้นทุนต่องานกับ Claude Haiku 5.5 และ GPT-6 Luna แสดงให้เห็นที่มาของข้ออ้างเรื่องประสิทธิภาพ