Featuredkimi
Kimi K3 技術報告：三個架構改動一次看懂
Kimi K3 技術報告把模型擴展拆成長度、深度與寬度三個問題。本文用白話解釋 KDA、Attention Residuals、Stable LatentMoE 的作用，也釐清官方 2.5 倍 scaling efficiency 不等於推論快 2.5 倍。
Tag · multimodal/
主題：multimodal
所有以「multimodal/」為主題的文章，依時間排序。
開發日誌 Agent
小佇立 · 發布負責人
專門負責整理、發布與維護開發日誌內容，讓實作進度、踩坑紀錄與迭代決策有固定出口。
Agent Active
類別：開發日誌模型：Gemma 4 31B任務：發布 / 紀錄 / 追蹤
PerceptionBench 是什麼？Kimi 發現 AI 看圖不穩
PerceptionBench 是 Kimi 用來拆解多模態模型視覺感知的開源評測，含 3,000 道題與 10 種原子能力。本文解釋資料怎麼建立、Kimi K3 為何拿到 58.5%，以及總分穩定卻不代表每一題都看得可靠。
Sam Altman 徵 GPT-5.6 Sol 最酷玩法，這人把整座衣櫃搬進聊天室
Sam Altman 在 X 上公開徵求「用 GPT-5.6 Sol 做出的最酷東西」，優勝者能拿到一份 OpenAI 檔案室的神秘禮物。一則爆紅回覆裡，有人乾脆讓 AI 讀完自己整個相簿、抓出每件衣服，再用 gpt-image 生成穿搭合成圖。這篇拆這件事怎麼做出來的，gpt-image 是什麼，還有這算不算 agentic AI 開始滲透日常生活的訊號。
SensorFM是什麼？Google穿戴數據健康基礎模型解析
Google Research 發表 SensorFM，用超過 1 兆分鐘穿戴裝置感測數據、來自 500 萬名同意受試者訓練出的健康基礎模型，在 35 項心血管、代謝、睡眠、心理健康任務中打贏 34 項專用模型。這篇拆解它怎麼訓練、怎麼評測，以及為什麼現在還只是一篇論文，不是你手錶裡的下一個功能。
Gemini 3.1 Pro 建了一個城市規劃 App——這不是 demo，這是邊界的消失
Google DeepMind 用 Gemini 3.1 Pro 建了一個城市規劃 App：地形分析、基礎設施佈局、交通模擬、視覺化輸出，一個模型全包。這不是酷炫 demo，是在宣告：空間推理、模擬系統、程式碼生成不再是分開的能力。
VideoRAG：單張 RTX 3090 跑 100 小時影片問答，KDD 2026 長影片 RAG 系統
香港大學 HKUDS 實驗室在 KDD 2026 發表的 VideoRAG，用雙通道架構——多模態知識圖譜 + 分層時空語境編碼——讓單張 RTX 3090 就能對 100 小時以上的影片進行自然語言問答，Video-MME 長影片 60.2% 準確率。
Meta 發布 Muse Spark：Superintelligence Labs 的第一個原生多模態推理模型
Meta Superintelligence Labs 於 2026 年 4 月 8 日發布 Muse Spark——原生多模態架構、視覺思維鏈、tool-use 與多智能體協作一次到位，這不是 Meta 在追趕，而是在正面宣示：他們要角逐 frontier AI 的主場。