一週 AI 大事 11/16|AI 開始會看、會聽,也讀懂觸覺與 DNA

一週 AI 大事・完整延伸閱讀

2026/11/16

AI 從會思考,走向會看、會聽,也開始讀懂觸覺與 DNA

這週不只有旗艦大模型更新。圖像開始進入可分層的設計流程,語音模型學會更自然地停頓與被打斷,音樂、4D 影片、生物研究與機器人觸覺也都往實際工作場景跨了一步。

旗艦模型生成媒體實體感知
易悅吉祥物指揮由圖像、聲音、DNA 與機器人觸覺組成的 AI 交響樂團

本週完整整理

9 組 AI 更新,一則一則看懂

這週的共同方向很清楚:AI 不只是在聊天視窗裡回答問題,而是往更長時間的任務、更穩定的內容修改,以及聲音、生物訊號與機器人感知延伸。以下把已上線產品、開放權重與研究工具分開整理。

長時間技術任務與平行工作卡片意象
01正式上線

Claude Fable 5.2:鎖定長時間、高難度的技術與研究工作

發生什麼

Anthropic 發布 Claude Fable 5.2 與同底層模型 Mythos 5.2,主打程式、金融、科學、硬體與機器人控制。Fable 5.2 已在 Claude 與各大雲端平台提供,官方也加入最高 2.5 倍輸出速度的選配 Fast mode。

為什麼值得注意

這次焦點不只是單題跑分,而是模型能否把大型任務拆開、持續執行並自行檢查。官方與合作測試展示 3D 場景、硬體設計和長時間資安稽核,但這類成果仍取決於工具、算力與明確的任務環境。

展開價格與展示內容的界線
  • 一般模式為每百萬輸入 Token 8 美元、輸出 40 美元;Fast mode 為 16 美元與 80 美元。官方也建議多數日常工作先從 Opus 5.5 開始。
  • 字幕提到的彈鋼琴、虛幻引擎與 3D 遊戲屬於外部實測或展示,不是所有使用者輸入一句話就必然得到相同成果。
  • 官方表示 Fable 5.2 與 Mythos 5.2 是同一底層模型,差別主要在資安與生物領域的防護與存取資格。
代表深度推理與快速執行的兩組模型意象
02正式上線

Gemini 4 Carbon 與 Hydrogen:一個攻高難度,一個負責快速執行

發生什麼

Google 已全面推出 Gemini 4 Carbon,定位在長週期程式、資安與科學研究;同週上線的 Gemini 4 Hydrogen 則主打更快、更省的日常程式與代理工作流。Hydrogen 支援原生 100 萬 Token 輸入,最高也可輸出 100 萬 Token。

為什麼值得注意

Google 正把模型分工做得更明確:Carbon 負責規劃、審查與最困難的判斷,Hydrogen 則適合大量執行、測試與驗證。這比一律使用最昂貴模型,更接近企業真正會採用的多模型工作方式。

展開跑分、3D 網站與開放範圍
  • Carbon 在 Artificial Analysis Intelligence Index 5.0 曾拿下第一,也在多項程式與資安測試領先;但在 Multimodal Knowledge Agent 評測為第二,不能概括成所有評測都第一。
  • Google 展示 Hydrogen 一次完成含 WebGL2、3D 規格卡與互動設定器的電商網站。這是指定工具與提示詞下的官方案例,不等於所有網站都能單次完成。
  • Carbon 主要提供付費開發者、企業與 Google AI Ultra;Hydrogen 則進入 AI Studio、Gemini API、Gemini App 與搜尋等較廣泛入口。
圖片被拆成多個透明可編輯圖層的意象
03正式發布

Seedream 5.5:支援透明背景、連續編輯與最多 99 個獨立圖層

發生什麼

字節跳動發布 Seedream 5.5,新增原生 RGBA 透明背景、較穩定的多輪編輯與圖片分層。BytePlus 文件顯示,一次分層請求最多可回傳 100 張圖片,包含一張底圖與最多 99 個獨立圖層。

為什麼值得注意

生成圖片若能直接輸出透明素材與可拆圖層,就更容易接進廣告、電商與設計工作流,不必每次重新去背或手動切圖。對創作者來說,這比單純提高畫質更接近真正可修改的素材。

展開 100 次編輯與價格說法
  • 官方以同一張人物圖片做了 100 輪連續編輯示範,並不是保證任何圖片、任何修改經過 100 次都完全不退化。
  • 最多 100 張輸出是「一張底圖+最多 99 層」,實際回傳數量會依圖片複雜度與 max_images 設定決定。
  • 字幕中的「價格是 GPT Image 2.6 三分之一」缺乏相同解析度、方案與計價方式的官方一對一比較,因此文章不採用這個比例。
大型 4K 圖像輸出框意象
04開放權重

MiniMax H3‑Image:10 秒內生成約 1,600 萬畫素圖片

發生什麼

MiniMax 發布 H3‑Image,整合文字生圖、參考圖生成與圖片編輯,並公開模型權重。官方表示模型可在 10 秒內生成 4096×4096 的 4K 圖片,也能同時理解最多 16 張參考圖。

為什麼值得注意

高解析度通常代表更高算力與更長等待時間。H3‑Image 把約 1,600 萬畫素、參考圖控制與開放權重放在一起,讓開發者有機會自建圖像工具,而不只依賴封閉 API。

展開速度、硬體與授權限制
  • 「10 秒內」與速度比較來自 MiniMax 官方測試,實際時間會依解析度、硬體、服務負載與部署方式不同。
  • 主要影像模型檔約 68.65GB,還需 H3 文字編碼器;雖然權重開放,但本機部署並不等於一般電腦都能輕鬆執行。
  • 模型採 MiniMax H3 Image Community License,不應直接把「開放權重」理解為沒有任何使用條件。
兩個可以同時聆聽與回應的語音對話框意象
05正式上線

Fish Audio Live 3:AI 說話時仍在聽,也知道何時先別插嘴

發生什麼

Fish Audio 推出全雙工語音模型 Live 3。模型在說話時也持續聆聽,能處理停頓、簡短回應、插話與臨時改口。官方以速食點餐示範,展示使用者邊想邊改訂單時,模型如何等待並接續對話。

為什麼值得注意

即時語音不只比「多久開始回答」,還要判斷對方是否真的說完。把停頓與輪流說話的節奏交給模型學習,能讓客服、訂位與電話助理少一點互相搶話的機械感。

展開語言與部署範圍
  • Live 3 目前以英文為主,已在 Fish Agent Platform 與 API 提供,企業也可申請地端部署。
  • 官方示範的是實際測試通話片段,但複雜口音、環境噪音與外部工具回應時間仍會影響對話品質。
  • 全雙工代表能同時聽與說,不等於模型在任何情境都能準確理解意圖或完成外部操作。
歌曲被拆成多條音軌與音符的意象
06正式上線

ACE Music v1:文字生成歌曲,也能拆分音軌與轉出 MIDI

發生什麼

ACE Music v1 已在網頁上線,可用文字描述與歌詞生成歌曲,也能在段落或歌詞前加入「輕聲哼唱」「沙啞演唱」等表演指示。完成後可把人聲、伴奏或樂器分軌,也能轉成 MIDI 繼續編曲。

為什麼值得注意

生成音樂若能繼續拆軌、改編與進入 DAW,才比較像創作素材,而不是只能下載一首完成品。它也讓歌聲表現的控制從曲風、歌詞,延伸到每一段該怎麼唱。

展開「超越 Suno」的評測範圍
  • ACE Music v1 在 Artificial Analysis 的 AA‑Music‑Vocal v1.1 盲聽榜以 1160 Elo 排名第一,Suno v6 為 1144。
  • 這個結果只代表同一套人聲音樂盲聽評測的偏好,不等於音質、編曲、速度、版權與所有曲風都全面勝過 Suno。
  • 付費方案生成的歌曲才包含商用權;免費方案作品之後升級,也不會回溯取得商用權。
攝影機沿著新的軌跡重新拍攝立體場景意象
07開源工具

Reshoot 4D:把現有影片轉成可重新運鏡的 4D 場景

發生什麼

獨立開發者 itsmetamike 發布 Reshoot 4D,一組可在 ComfyUI 使用的開源節點。它會從影片建立 4D Gaussian Splat、估計原始鏡頭與人物動作,再讓使用者重新安排虛擬鏡頭路徑,輸出新的拍攝角度。

為什麼值得注意

過去拍攝後想改成環繞、推進或子彈時間,通常需要多機拍攝或完整 3D 場景。Reshoot 4D 把這件事縮進本機工作流,讓既有素材也有機會重新設計鏡頭。

展開「360 度任意旋轉」的限制
  • 它不是先建立一個所有角度都完整存在的固定 3D 世界;原影片沒拍到的區域仍要由生成模型補出,因此換角度後可能出現不同細節。
  • 快速動作、臉部與大幅度遮擋仍可能產生模糊或不一致,不能把結果當成真實場景的精密重建。
  • 程式採 AGPL‑3.0,工作流使用的不同模型也各有授權;商業專案需逐項確認。
DNA 雙股螺旋與細胞放大鏡意象
08研究工具

AlphaGenome 2:從 DNA 序列預測不同人體細胞如何受到變異影響

發生什麼

Google DeepMind 發布 AlphaGenome 2。模型接收長達 100 萬個 DNA 字母的序列與指定細胞條件,預測基因表現、染色質可及性、DNA 甲基化等變化,協助研究者找出可能與疾病相關的變異與細胞類型。

為什麼值得注意

相同的 DNA 變異,在不同細胞裡可能造成完全不同的影響。AlphaGenome 2 從整體組織進一步走到細胞類型與狀態,有機會幫助研究者縮小疾病機制與後續實驗的搜尋範圍。

展開研究成績與醫療界線
  • 模型以超過 1.07 億個單細胞資料、68 種組織訓練;在 TenK10K 測試中,找出的因果變異比例由 16% 提升到 30%,屬於團隊在指定資料上的結果。
  • 目前透過 API 提供非商業研究使用,商業研究仍是私人預覽。
  • 官方明確說明 AlphaGenome 2 尚未經臨床或診斷驗證,不能拿來直接判定個人疾病或取代醫療檢查。
機器手臂接觸觸覺感測墊並讀取訊號意象
09論文+開放權重

LingBot‑Touch:讓不同觸覺感測器的經驗能被同一套模型理解

發生什麼

螞蟻集團旗下具身智慧團隊 Robbyant 發布 LingBot‑Touch。它把壓阻式、磁性與視覺觸覺感測器的訊號轉成統一表示,再接到不同機器人策略模型,幫助機械手執行開鎖、擠牙膏、封袋等需要控制接觸力道的任務。

為什麼值得注意

機器人要拿穩、旋轉或碰觸易碎物,不只靠相機,還要理解「碰到了哪裡、力道怎麼變」。LingBot‑Touch 的重點是讓不同硬體收集的觸覺經驗有機會被共享,而不是每換一種感測器就從頭學起。

展開資料、模型與實際能力
  • 團隊使用約 4,983 小時、46.4 萬段互動資料與約 13.3 億幀觸覺訊號,涵蓋三類感測方式;這些是官方資料規模。
  • 最小的 HaT‑Tiny 編碼器為 546 萬參數,權重與程式以 Apache 2.0 開放,但第三方元件仍有各自授權。
  • LingBot‑Touch 產生的是可接給下游策略的觸覺表示,並不是單獨下載後就能讓任何機械手自動學會所有抓握任務。

讀完最常問

本週 FAQ

這週這麼多模型,哪些一般人現在就能用?

Claude Fable 5.2、Gemini 4 Carbon/Hydrogen、Seedream 5.5、Fish Audio Live 3 與 ACE Music v1 都已有產品入口,但方案、地區與帳號資格不同。H3‑Image 有線上服務也開放權重;Reshoot 4D 與 LingBot‑Touch 比較偏向需要本機環境的開發者工具,AlphaGenome 2 則限研究用途。

Seedream 5.5 真的可以連改 100 次都完全不壞嗎?

官方確實做了 100 輪連續編輯示範,重點是未修改區域的保留比以前穩定。但這不是對所有圖片與指令的品質保證;人物細節、文字、光影與遮擋仍需要逐輪檢查。

AlphaGenome 2 和 LingBot‑Touch 已經可以直接用在醫療或家用機器人嗎?

還不能這樣理解。AlphaGenome 2 尚未通過臨床或診斷驗證;LingBot‑Touch 是提供給研究者與機器人開發者的觸覺表示模型,仍需感測器校正、策略模型、硬體整合與實際安全測試。

想跟大家一起討論這些 AI 更新?

易悅元宇宙社群免費開放。除了每週整理,也可以交流工具、內容創作與實際使用心得。

加入元宇宙社群
Ad Feature

🚀 加入易悅元宇宙|節省時間創作基地

在這裡你可以認識更多的創作者、找尋自己的靈感、每週獲得創作心法,社群免費開放。歡迎你一起加入✨

分享此內容: