AI 對教育和知識傳播的影響，未必在於取代某些工作，AI 正改變人類獲取「系統化知識」的方式。TG 群組
A.I. 明日之後：Telegram 群組
Featured每日最新 AI 資訊及未來教育的想法。
需要複製聲線、調整情緒，或按劇本生成多角色對話時，Ming-3.0-tts 提供多種控制方式，並支援多種語言與方言。
要為短片配旁白、製作有情緒起伏的角色對白，或生成多角色 Podcast，Ming-3.0-tts 都提供相應能力。這個開源語音生成模型項目支援中文、英文等七種語言，以及廣東話和四川話兩種方言；使用者可克隆參考聲線、用文字描述設計音色，亦可用自然語言指示演繹方式。
支持中文、英文、德文、西班牙文、法文、韓文和日文語音，亦可選擇四川話或廣東話；語速、音高和音量也可以調整。項目提供兩個模型：0.5b 是 dense model，tiny 則是建基於 Ling V3 的 MoE model，總參數量為 7.9B、每次啟用 1.3B。只有 tiny 支援按劇本和參考聲線生成多說話者對話。
兩個模型各有取捨。0.5b 在廣東話 Base CER、ACC，以及部分情緒和屬性控制指標取得領先；tiny 在多項多語言、聲線相似度和播客測試中排名靠前。不過，部分歷史紀錄仍由 Ming-omni-tts 保持，例如播客 CER；tiny 的韓語準確度、音高控制和角色扮演指令遵循能力，亦列為後續改善方向。
模型支持聲線複製、自然語言控制及多角色對話。適合需要製作多語言旁白、有聲內容或角色語音的創作者和開發團隊；若工作依賴特定方言的聲線相似度，或要求穩定遵循複雜角色指令，仍應先用目標語料自行驗證。
- 可用文字設計語氣聲線或選用內置中英文聲線。
- 支援 14 種中文或英文語氣標籤，以及情緒、語速、音高和音量控制。
- tiny 可按劇本生成多說話者對話；0.5b 不具備這項功能。
- 公開測試涵蓋方言、多語言、情緒、屬性控制和播客，兩個模型的領先項目各有不同。
- ComfyUI 整合
Genie 4 可按文字或圖像提示生成可探索的 3D 世界，讓研究人員測試 AI 如何在變化中的環境裡理解場景和採取行動。
輸入一段描述或一張圖像，AI 便能生成可探索的 3D 世界，並隨玩家的操作即時改變場景。Google DeepMind 推出的 Genie 4 是一個世界模型研究項目，目標是建立能模擬環境、回應互動場景，為訓練和研究具身 AI 提供測試空間。
Genie 4: A new generation of world simulation
這類場景並非預先錄製的影片：玩家可以移動和探索，模型則持續生成後續畫面。研究人員可藉此觀察 AI 能否掌握環境的空間關係，並在多種情境中持續採取合適行動；不過，生成結果能否長時間保持一致，仍是世界模型需要面對的挑戰。
Genie 4 延續 Google DeepMind 的 Genie 系列研究。官方介紹聚焦於模型生成互動世界的能力，但未提供足以比較不同模型的完整量化評測，因此不宜單憑展示內容推斷它已能穩定支援所有模擬或訓練工作。
- 可由文字或圖像提示生成可探索的 3D 世界。
- 場景會隨玩家輸入即時變化，而非只播放固定影片。
- 可用於研究 AI 的場景理解與行動能力。
- 長時間維持世界一致性的能力及量化表現，仍需更多資料評估。
對具身 AI、遊戲環境生成和世界模型研究者而言，Genie 4 提供一種建立互動測試場景的方向；一般使用者則可透過生成世界，直觀感受模型如何把提示轉化為可操作的環境。
跨應用程式完成工作，不能只看模型答得對不對；Work Agents 把代理流程、能力與可驗證成果放進同一研究脈絡。
當 AI 要跨應用程式完成多步工作，交付可核實、能供後續使用的成果，比單次答對更重要。Work Agents 是配合調查研究整理的開源閱讀清單，收錄數碼工作代理的系統、訓練、環境、記憶、基準與官方資源，並非可直接安裝的代理軟件。
研究以工作持續性（work persistence）和工作開放性（work openness）描述工作條件，並分成對話（Conversation）、單一步驟（Atomic Action）、多步（Multi-step）、工作流程（Workflow）及工作區（Workspace）五類。它也梳理 foundation models（基礎模型）與 runtime harnesses（執行時框架）的單獨或協同優化，評估則聚焦成果能否符合要求並供下游使用。
你可由 GitHub 清單挑選論文、基準和工具；暫未有可直接執行的代理或統一安裝、測試流程，不能當成部署指南。
- 整理代理系統、訓練方法、環境與記憶研究
- 涵蓋五類數碼工作及相關評測資源
- 比較模型、執行框架及兩者的協同優化
- 以可驗證、能供下游使用的成果作評估焦點
產品團隊和自動化流程負責人可用它整理能力缺口與評測方法。清單沒有同一環境下的性能數字，具體效果仍要回到各研究與工具核實。
穿戴式助理要看見甚麼、怎樣給建議，最後能否幫人完成任務，InteractiveWorld 把整段互動放進可持續變化的 3D 場景中測試。
穿戴式 AI 助理不只要辨認眼前物件，還要理解人的要求、給出可執行的指引，並跟進行動後的變化。InteractiveWorld 是一套以人為中心的 3D 模擬器，用第一人稱視角呈現環境，讓助理與模擬人物多輪互動；同一個儲存庫亦提供 InteractiveBench，用來比較多模態大型語言模型（MLLM）在這類任務中的表現。
場景涵蓋 44 個 BEHAVIOR-1K 家居及活動空間。助理以對話提供建議，模擬人物則根據所見自行決定行動；研究者可用簡短指令描述抓取、開門、倒液體等操作，由模擬器處理移動、避障、操作物件及更新場景。世界狀態會延續到下一輪，因此助理要根據新視角調整回答，而非只生成一次性的文字答案。
InteractiveBench 收錄 120 個固定的多輪任務，分為六類，每類 20 個。評分會檢查場景中的狀態是否達成目標，而不是單憑回答文字判斷；基準亦提供評估流程、報告及影片。首頁資料提到曾以 12 個前沿 MLLM 進行評估，但所提供的內容沒有列出各模型分數，無法據此比較排名或判斷差距。
• 模擬器可用 Python API 開啟場景、執行動作、取得觀察結果及原生分數。
• 場景與人物行動涵蓋物件操作、室內移動及第一人稱畫面更新。
• 基準任務固定，適合研究團隊比較模型在多輪助理情境下的完成能力。
• 安裝指南列明資產準備與環境需求；執行需要處理 Isaac Sim 場景及相關資產，並非只呼叫一個輕量 API。
這個項目適合研究穿戴式助理、多模態模型及具身互動的團隊，尤其是需要可重複測試、以環境狀態核實結果的工作。模擬場景能補足純文字評測看不到的行動後果，但仍不能完全代表真實佩戴裝置時的感測誤差、人的習慣差異或實體操作風險；評測結果應視為模擬環境中的能力證據。
操控生成影片時，切換第一人稱、第三人稱與自由鏡頭，畫面仍要延續同一個世界。World-in-Context 以共享控制機制處理這項挑戰。
想在生成影片中移動鏡頭、改變觀看角度，甚至在第一人稱與第三人稱之間切換，畫面仍須保持連貫。World-in-Context（WiC）是為互動影片世界模型而設的訓練框架，目標是讓視角、動作和鏡頭控制在同一段影片中協同運作，而不是各自處理。
WiC 以 Wan2.2-TI2V-5B 作為基礎模型，透過 In-Context Conditioning（ICC）把視角、動作與鏡頭控制轉成共享注意力空間中的 tokens；Interaction-Transport RoPE（IT-RoPE）則把累積的控制變化納入時間注意力。這讓系統可支援自由鏡頭、第一人稱及第三人稱視角，也能在影片進行中切換，適合研究互動式場景生成、遊戲環境及長時間因果推演。
在 WBench 評測中，WiC 的導航平均分為 81.5，視角切換成功率為 93.8%。這些結果反映它能處理導航與鏡頭切換，但不能單憑分數判斷生成影片在所有場景都同樣穩定；GPU 記憶體需求亦會隨影片尺寸和設定改變。
目前程式碼、訓練程式及 WiC 權重仍在審核，尚未公開，因此現階段無法自行安裝並重現推理結果。計劃中的版本要求 Linux、Python 3.10，以及支援 BF16 的 NVIDIA GPU；預設生成設定為 832×480、81 幀、16 FPS 和 50 個採樣步驟，並預計提供 11 個包含起始圖片、提示詞與控制資料的範例。
- 以 Wan2.2-TI2V-5B 為基礎，加入 WiC adapter。
- 同一影片支援自由鏡頭、第一人稱與第三人稱視角。
- WBench 導航平均分 81.5，視角切換成功率 93.8%。
- 程式碼與權重尚未公開，現時未能重現結果。
對研究影片生成、虛擬環境導航或互動遊戲場景的團隊而言，WiC 提供一條把鏡頭與動作控制合併訓練的路線；但在公開程式碼和權重推出前，這些能力仍主要停留在研究成果與展示範例，還不能直接納入工作流程測試。
AI 助理完成一項工作後，能否記住檔案、工具、規則和偏好，並在後續任務派上用場？Continual Learning Exam 以跨五個階段的專業工作流程測試這種能力。
完成眼前任務不代表 AI 助理學會了經驗：它還要在後續工作中找回先前接觸過的檔案、工具、規則或使用者偏好。Continual Learning Exam（CLE）是一套持續學習評測基準，透過相連的專業任務，檢驗代理能否累積並重用這些資訊。
每項任務分成五個相連階段，後續階段可能需要運用先前累積的知識。完整基準涵蓋 12 個領域、89 種專業角色及 120 項由 50 多位領域專家撰寫的任務，共有 600 個階段；CLE Lite 則提供 20 項任務及 100 個階段，並公開任務卡、輸入檔案和執行環境，方便研究團隊先行測試。
CLE 提供兩種評測方式：Direct 讓代理直接執行全部五個階段；CLE Trial 1 和 Trial 2 則要求代理通過當前階段，才繼續前進，Trial 2 另加入診斷回饋及一次修訂。這個安排能比較代理在不同流程下的完成情況，也能觀察回饋是否改善結果，但不應把單次任務得分直接視為代理已具備穩定、通用的長期學習能力。
公開結果中，最佳配置完成了 47.7% 的階段；加入診斷回饋和一次修訂後，完成分數的中位增幅為 5.3 個百分點。這些數字反映任務完成度仍有明顯提升空間，也提醒使用者把評測結果視為比較代理配置的依據，而非對日常工作成效的保證。
CLE 適合研究代理記憶、工具使用與跨任務學習的團隊，也適合評估專業工作流程的開發者。可以先用 CLE Lite 的任務套件和 Harbor 執行環境測試代理，再按需要比較 Direct、Trial 1 與 Trial 2；完整基準、排行榜及研究論文則可用來進一步查看任務分布和評測結果。
- 以五個相連階段檢驗經驗能否在後續工作中重用。
- 完整基準涵蓋 120 項任務、12 個領域及 89 種專業角色。
- CLE Lite 提供 20 項任務與 100 個階段，可先行測試。
- Trial 2 加入診斷回饋和一次修訂，最佳配置完成 47.7% 的階段。
AI 助理完成一項工作後，能否記住檔案、工具、規則和偏好，並在後續任務派上用場？Continual Learning Exam 以跨五個階段的專業工作流程測試這種能力。
完成眼前任務不代表 AI 助理學會了經驗：它還要在後續工作中找回先前接觸過的檔案、工具、規則或使用者偏好。Continual Learning Exam（CLE）是一套持續學習評測基準，透過相連的專業任務，檢驗代理能否累積並重用這些資訊。
每項任務分成五個相連階段，後續階段可能需要運用先前累積的知識。完整基準涵蓋 12 個領域、89 種專業角色及 120 項由 50 多位領域專家撰寫的任務，共有 600 個階段；CLE Lite 則提供 20 項任務及 100 個階段，並公開任務卡、輸入檔案和執行環境，方便研究團隊先行測試。
CLE 提供兩種評測方式：Direct 讓代理直接執行全部五個階段；CLE Trial 1 和 Trial 2 則要求代理通過當前階段，才繼續前進，Trial 2 另加入診斷回饋及一次修訂。這個安排能比較代理在不同流程下的完成情況，也能觀察回饋是否改善結果，但不應把單次任務得分直接視為代理已具備穩定、通用的長期學習能力。
公開結果中，最佳配置完成了 47.7% 的階段；加入診斷回饋和一次修訂後，完成分數的中位增幅為 5.3 個百分點。這些數字反映任務完成度仍有明顯提升空間，也提醒使用者把評測結果視為比較代理配置的依據，而非對日常工作成效的保證。
CLE 適合研究代理記憶、工具使用與跨任務學習的團隊，也適合評估專業工作流程的開發者。可以先用 CLE Lite 的任務套件和 Harbor 執行環境測試代理，再按需要比較 Direct、Trial 1 與 Trial 2；完整基準、排行榜及研究論文則可用來進一步查看任務分布和評測結果。
- 以五個相連階段檢驗經驗能否在後續工作中重用。
- 完整基準涵蓋 120 項任務、12 個領域及 89 種專業角色。
- CLE Lite 提供 20 項任務與 100 個階段，可先行測試。
- Trial 2 加入診斷回饋和一次修訂，最佳配置完成 47.7% 的階段。
想看懂六十四卦如何生成、相互轉換，這部約三分鐘的動畫把卦象、數學關係與經典次序串成一條視覺線索。畫面和配樂均由程式生成，亦可自行預覽及渲染。
由陰陽爻逐步生成六十四卦，再看卦象如何倒轉、互換和變化，iching-64-motion 把《易經》的符號關係整理成一部約三分鐘的知識動畫。它是以程式製作的動畫項目，處理的是如何把抽象卦序和結構轉成可觀看的畫面；內容聚焦符號系統，不提供占卜解讀。
全片分成七章，從邵雍「加一倍法」帶出六十四卦的生成，再以方圓圖、錯卦與綜卦、互卦、變卦、文王卦序、十二消息卦和京房八宮呈現不同關係。陰爻記作 0、陽爻記作 1，六爻卦可讀成六位二進制數；改變一爻，則可視為在六維立方體的頂點之間移動。這些呈現方式讓讀者能從圖像理解卦與卦之間的連結，而非只看靜態卦名。
畫面由 React、SVG 和 three.js 生成，Remotion 負責把場景渲染成影片；六十四卦、卦序等資料由程式推導，配樂則以 Python、numpy 和 scipy 合成，並按畫面事件安排聲音。項目沒有使用外部圖片、影片或音訊素材，視覺與音樂都能納入同一條可重現的製作流程。這對製作資料驅動動畫、教學影片或展覽內容的創作者，提供了可參考的做法。
本機預覽需要 Node.js 18 或以上；可在 Remotion Studio 預覽，再渲染 MP4；不生成配樂仍可預覽畫面。
- 資料由定義推導生成，涵蓋 384 爻及本卦、之卦的 4096 種組合。
- 可預覽並渲染影片；生成配樂需要額外安裝 Python 科學運算套件。
只需一張參考圖、鏡頭軌跡及最多四張不同角度的錨點圖，WorldCast 便可生成保持角色身份的影片。
只提供一張參考圖、目標鏡頭軌跡，以及 1 至 4 張不同視角的角色錨點圖，WorldCast 便能生成跟隨多角度運鏡的角色影片，同時減少轉換視角時身份走樣。這個開源模型項目針對的是影片生成中「鏡頭要郁得大」與「角色外觀要保持」難以兼顧的問題。
它以 Wan2.1-I2V-14B-720P 作為基礎模型，再加入 scale-aligned geometric guidance 和 Geometry-Aligned Memory Attention（GAMA）。前者把初始畫面轉成具校準深度的彩色 3D 點雲，沿目標軌跡渲染出 RGB 引導與 coverage mask；後者透過 Umeyama alignment 對齊多視角角色記憶，將相關特徵注入影片 token，補足新視角內容。
- 支援 360° 鏡頭移動
- 使用多視角 anchor images 維持角色身份
- CLACT 包含 80,000 個訓練樣本及 42 個評測場景
- 以 ATE、MEt3R 和影像品質比較結果
GitHub 已提供 inference code 和示範案例，但 WorldCast checkpoint、CLACT dataset 及 training code 尚未公開，因此下載 Wan2.1 基礎權重後仍未能完整執行示範。推理建議使用 Python 3.10 或以上、bf16，以及至少 48 GB 顯存；解析度和影片幀數提高後，記憶體需求亦會增加。
結果以較低的 ATE 和 MEt3R 對應更準確的鏡頭控制及跨視角一致性，影像質素則維持具競爭力。電影預視、角色廣告、遊戲過場及需要指定運鏡的生成影片工作流較適合採用。
RoboJudge 分開檢視具身影片的物理合理性與指令完成度，並以人類評分訓練模型，供團隊比較生成結果。
具身影片可能動作自然卻未完成指令，也可能完成任務但違反物理規律。RoboJudge 以 Multimodal Language Models (MLLMs) 評審生成影片，分開衡量 Physical Adherence (PA，物理遵循) 與 Instruction Alignment (IA，指令符合度)。
這有助機械人及具身世界模型團隊分辨動作可信度和任務完成度。RoboJudge-Bench 收錄 800 段人工標註影片，涵蓋 8 個語料來源、10 個影片生成器，以及夾爪、人手與靈巧手。
RoboJudge-Train 收錄 12,000 段影片及 25,000 筆人工評分與理由；RoboJudge-9B 經監督學習及強化學習訓練。Pearson 相關係數在 PA 為 0.645、IA 為 0.775、整體為 0.719，較測試中的最佳專有基線高 0.089；相關性不代表每次判斷都正確。
GitHub 提供推理和基準評估程式，並連結模型與資料集。README 列出依賴安裝及執行流程，但沒有硬件需求資料，採用前宜先確認設備能否負擔模型載入與影片處理。
- PA 檢視影片是否符合物理與時間約束。
- IA 檢視影片動作是否符合指令。
- 基準可用於比較評分，不能取代人工核對。