跳到正文
11月21日周六
  1. IT之家51

    谷歌为 Gemini 上线 GIF 生成功能,由 Omni 1.2 Flash 驱动

    谷歌为 Gemini 上线 GIF 生成功能,由视频模型 Gemini Omni 1.2 Flash 驱动,可生成循环动态图和表情包。该功能面向所有 Google AI 订阅用户开放,并在美国、日本、韩国、澳大利亚、加拿大、英国、德国和法国免费;用户在主聊天输入提示词,或在图像与视频工具中选择 GIF 并描述需求即可生成。

  2. Google Research76

    Google Duplex 如何演进为在 Gemini 中替你拨打商家电话

    Google Research 本周在 Gemini App 的 Tasks 中上线 Duplex,让智能体替用户拨打商家电话并处理真实世界请求。文章回顾其十年架构演进,从闭域 RNN 模型、LaMDA 混合栈走向完全由 Gemini 统一的对话栈,并说明亚秒级延迟与嘈杂声学环境等实时电话技术难点。

    推荐理由:文章回顾 Duplex 十年架构演进,读者可从中理解实时语音智能体在低延迟与对话节奏上的工程难点。

  3. AWS Machine Learning Blog40

    Amazon SageMaker HyperPod Slurm 推出可观测性与用户管理托管集群扩展

    AWS 为 Amazon SageMaker HyperPod Slurm 推出托管集群扩展,首批含可观测性与用户管理(含目录集成),通过 API 或控制台统一管理。扩展配置提交时即经 schema 校验,自动应用到全部节点并保持一致,并报告自身状态与各节点健康。此前 HyperPod 已将声明式管理覆盖集群定义、节点设置、容量、网络拓扑与硬件健康五层配置。

  4. AWS Machine Learning Blog60

    AWS 推出 Amazon SageMaker HyperPod Global Inference Gateway,一个端点跨 Region 路由推理请求

    AWS 在 SageMaker HyperPod 推出 Global Inference Gateway,用一个 SageMaker 托管端点把推理请求路由到已注册的多个集群,支持同 Region 或跨 Region。

    推荐理由:原文给出了四信号加权路由与自动故障转移的实现细节,读者可据此评估多 Region 推理部署的改造方案。

  5. AWS Machine Learning Blog66

    Amazon Textract Insights 正式发布:面向文档的可验证生成式 AI

    AWS 宣布 Amazon Textract Insights 正式可用,用户用自然语言描述所需字段并提交文档,即可获得每个值都带置信度与页面级溯源的结构化结果,无需模型训练。它支持最多 3,000 页的混合文件,自动拆分并匹配各文档类型的 blueprint;Amazon Textract Core 同步更新,语言覆盖扩展到 40 种语言,现有 API 保持不变,按页计费且无最低承诺。

    推荐理由:原文对比了自定义流水线与通用大模型两条旧路线,说明每个提取值都带置信度与页面级溯源,读者可据此评估自动化的边界。

  6. The Decoder81

    Gemini Mac 应用推出 Computer Use 功能,可在后台代为操作 Mac 应用完成任务

    Google 在 Gemini Mac 应用中推出 Computer Use 功能,用户描述目标后,Gemini 在隔离的后台窗口中自动点击、输入并跨本地文件、桌面应用和网站完成多步骤任务,用户可指定可访问的应用、实时查看每一步并随时暂停或预先批准关键操作。该功能今天在美国以英语推出,Gemini Mac 应用已可下载。

    推荐理由:原文除说明 Gemini Computer Use 的隔离后台窗口与逐步审批机制,还对比了 OpenAI Astra 在同类 Computer Use 能力上的进展。

11月20日周五
  1. IT之家65

    腾讯 WorkBuddy 上线电脑操控能力,可识别页面并执行点击输入滚动等操作

    腾讯 WorkBuddy 宣布上线电脑操控(Computer Use)能力,能识别当前页面并执行点击、输入、滚动等操作,不需要目标软件开放接口即可在后台运行。该能力目前处于公测阶段,支持 macOS 和 Windows,需将客户端更新至 5.11.0 及以上版本并开启功能、完成授权,界面识别效果因软件而异。

  2. 爱范儿33

    触屏只是它最不起眼的升级|MacBook PROLED 评测

    爱范儿评测认为,新款 MacBook Pro 的触屏只是附属升级,OLED 屏幕与机身减重才是核心变化。新机采用 PROLED XDR 双层 OLED 屏幕,1000 尼特全屏亮度、2000 尼特 HDR 峰值亮度,14 和 16 寸分别减重约 220 与 300 克至 1.4 与 1.84 千克,刘海改为灵动岛。

  3. 少数派46

    浮屏:截图即可「上岛」,还能帮你记录生活

    浮屏(Floato)是一款 iOS 应用,用 AI 识别截图中的取件码、火车票等关键信息,生成卡片显示在锁屏、灵动岛和桌面小组件上。目前支持取件码、团购券、App 订阅、火车票、飞机票和电影票,标记完成的卡片会自动汇成一份日历式生活记录。app 已在美区等 App Store 上架、国区备案中,新用户有 10 个免费识别点数,会员 1.99 美元/月起。

  4. 博客园24

    Kynvio:新一代办公助手

    Kynvio 是一个主打"交付成果"的 AI Agent 平台,一句话即可生成网站、幻灯片、图像与设计、视频、深度研究报告五种成品。它提供云端工作台,内置 7,000+ 模板,执行过程实时可见并支持回放;图像接入 GPT Image 2.6、Nano Banana 2.1,视频接入 Seedance、Kling、Vidu。

  5. IT之家81

    OpenAI 开放 GPT-Live-1.1 API:支持实时双向对话,智能体可边聊天边处理复杂任务

    OpenAI 宣布向开发者开放 GPT-Live-1.1 API 语音模型,第三方应用可集成全双工实时语音交互能力。该模型为 GPT-Live-1 升级版,能识别说话中的停顿、打断与语速变化,并可将推理或工具调用任务委托给开发者指定的后端模型,对话无需中断。GPT-Live-1.1 自 2026 年 10 月 15 日起已是 ChatGPT Plus 及更高级订阅的默认语音模型。

    推荐理由:原文讲清了全双工语音交互与后端模型委托的结合方式,开发者可据此判断现有语音方案是否值得替换。

  6. AWS Machine Learning Blog67

    Amazon Bedrock AgentCore payments 新增 AWS Billing,AI 智能体可购买 AWS Marketplace x402 产品

    AWS 为 Amazon Bedrock AgentCore payments 新增 AWS Billing 支付方式,AI 智能体可按请求购买 AWS Marketplace 上支持 x402 的软件、API、数据与内容,费用以 USD 结算到开发者 AWS 账单,无需稳定币钱包或 API key。

    推荐理由:原文给出智能体按请求付费的完整链路与单会话限额机制,读者可据此评估 agentic commerce 在企业内的落地方式。

  7. AWS Machine Learning Blog55

    Amazon SageMaker AI 可检测推理端点的延迟漂移、GPU 闲置与未启用优化

    Amazon SageMaker AI 的推理推荐功能现在默认监控生成式 AI 推理端点,自动发现延迟漂移、GPU 闲置和未启用的优化。监控仅读取延迟、GPU 利用率等运行信号,不读取请求或响应内容;发现结果通过 AWS Health 推送,可在 SageMaker Studio 的智能体体验中对备选配置做并行基准比对,基准在独立算力上运行,确认后才生效。

  8. The Verge · AI75

    Google 搜索主页加入 AI 对话侧边栏

    Google 正在桌面端全球推出主页 AI 对话侧边栏,用户可查看并继续此前的 AI Mode 对话。侧边栏还可发起新对话、搜索已有对话或连接 Gemini Notebook,Google 产品副总裁 Robby Stein 表示用户提问正变得不再是一次性需求。

  9. AWS Machine Learning Blog64

    Amazon Polly 推出语音克隆功能:为品牌打造专属声音

    Amazon Polly 语音克隆现已正式可用(gated release),只需几分钟的说话人录音即可生成专属克隆语音,运行在 Amazon Polly 生成式引擎上。

    推荐理由:原文给出从录音、建声到合成的完整接入方式与配额限制,读者可据此评估把定制品牌语音接入现有应用的改造量。

  10. AWS Machine Learning Blog64

    Amazon Bedrock AgentCore harness 升级,引入 Strands harness 默认值、内置工具与生命周期钩子

    AWS 将 Amazon Bedrock AgentCore harness 升级为以开源 Strands harness(Apache 2.0 许可)为默认基础,并新增生命周期钩子。

    推荐理由:原文给出托管默认值与生命周期钩子的具体配置方式,读者可据此为已有智能体添加确定性的审批与通知流程。

  11. The Verge · AI71

    Gemini macOS 版上线 computer use 功能

    Google 为 macOS 版 Gemini 上线 computer use 功能,可跨本地文件、桌面应用和网页执行多步任务。用户可指定 Gemini 能访问的应用,并通过独立后台窗口实时查看其操作过程。该功能目前向美国用户推出英文版,先于 Apple 因 AI 智能体潜在风险而收紧 Mac 全盘访问权限的新规落地。

  12. AWS Machine Learning Blog63

    Amazon SageMaker AI 推出跨区域推理路由,区域容量不足时自动转移推理流量

    AWS 为 Amazon SageMaker AI 推出跨区域推理路由,应用调用一个 inference router 即可访问多个 Region 和 AWS 账户下已运行的端点;本地目标健康时流量留在本 Region,目标无法可靠服务时新请求自动转移到其他已注册目标,恢复后再逐步回迁。

    推荐理由:原文把健康度评分、故障转移和回迁策略讲得较细,读者可判断能否用它替换自建的跨区域路由代码。

  13. The Verge · AI68

    ChatGPT 推出 Live Dictation 实时听写功能

    ChatGPT 推出 Live Dictation 功能,说话时即可实时转写,不再等录音结束。该功能已在网页、桌面应用及 iOS 和 Android 端向全球所有套餐推出,用户可点击音频波形查看实时文本并在输入框中编辑。OpenAI 同时取消了语音听写 10 分钟的录音时长限制。

11月19日周四
  1. IT之家77

    ChatGPT 新增实时听写功能:对着麦克风说话语音即时变文字

    ChatGPT 宣布新增实时听写功能,用户对着麦克风说话时语音同步转成文字,不必等录音结束再转写。该功能将陆续向全球所有用户开放,覆盖网页版、桌面客户端及 iOS 和 Android 应用,同时取消原有 10 分钟时长限制。录音结束后可直接在输入框中编辑转写文字。

    推荐理由:原文给出了实时听写的使用方式、开放范围和时长限制取消,读者可据此判断它能否替代现有语音输入工作流。

  2. IT之家30

    Nothing 首款 AI 设备外观流出:无屏设计,形似录音笔

    Nothing 首款 AI 设备外观曝光,Sebastian Ingrosso 在 X 平台分享了设备实物图。该设备约巴掌大小、无屏幕、形似录音笔,配有两个实体按键,其一标有红色录音圆点,另一标注「Talk」,并带有状态指示灯。消息人士 Yogesh Brar 称其为 Nothing 旗下首款 AI 设备,但具体用途尚未公布。