初創公司Bedrock Robotics與AWS合作，利用視覺語言模型（VLMs）解決了重型設備自動駕駛系統開發中的關鍵難題——海量視頻數據標註。傳統方法依賴人工標註數百萬小時監控視頻，而新技術顯著提升了施工自動化系統的訓練效率。
Spotify CEO透露，自2025年12月起，公司資深開發人員已不再手動編寫代碼，全部代碼由AI生成，工程師僅負責監督。公司內部系統“Honk”融合生成式AI技術，實現遠程實時代碼生成與修復，被視爲行業積極信號。
英偉達以約200億美元獲得AI芯片初創公司Groq的技術非獨家授權，其核心團隊已加入英偉達，此舉被視爲規避監管的“變相收購”。交易金額達Groq估值三倍，旨在戰略防禦谷歌TPU的競爭威脅，鞏固市場地位。
紐約州簽署《負責任人工智能與安全教育法案》，旨在爲先進AI模型設定安全標準。法案要求自2027年起，年收入超5億美元的AI企業公開關鍵信息，被視爲對聯邦削弱州監管的迴應，標誌着州級AI監管邁出實質性步伐。
自監督觸覺表示，用於基於視覺的觸覺傳感。
一種自監督的視聽特徵對齊模型。
自監督學習框架，用於音視覺語音處理
靈活、可擴展、易於使用的雲視頻監控系統
Openai
$2.8
輸入tokens/百萬
$11.2
輸出tokens/百萬
1k
上下文長度
Google
$2.1
$17.5
Anthropic
$21
$105
200
Alibaba
$1
$10
256
$2
$20
-
$8
$240
52
$15.8
$12.7
64
$3.9
$15.2
Bytedance
Moonshot
$4
$16
$0.8
128
$0.15
$1.5
Baidu
32
facebook
DINOv3是一系列通用的視覺基礎模型，無需微調就能在廣泛的視覺任務中超越專門的先進技術。該模型能生成高質量的密集特徵，在各種視覺任務中表現出色，顯著超越了之前的自監督和弱監督基礎模型。
DINOv3是Meta AI開發的一系列通用視覺基礎模型，無需微調即可在廣泛的視覺任務中超越專門的先進模型。該模型採用自監督學習方式，生成高質量的密集特徵，在圖像分類、分割、深度估計等多種任務中表現出色。
DINOv3是Meta AI開發的多功能視覺基礎模型，無需微調就能在廣泛視覺任務中超越專業模型。該模型能生成高質量密集特徵，在各種視覺任務中表現出色，顯著超越了以往的自監督和弱監督基礎模型。
DINOv3是一系列通用的視覺基礎模型，無需微調就能在廣泛的視覺任務中超越專門的先進模型。該模型採用自監督學習方式，生成高質量的密集特徵，在各種視覺任務中表現出色，顯著超越了以往的自監督和弱監督基礎模型。
DINOv3是一系列通用的視覺基礎模型，無需微調就能在廣泛的視覺任務中超越專門的先進技術。該模型通過自監督學習生成高質量的密集特徵，在各種視覺任務中表現出色，顯著超越了以往的自監督和弱監督基礎模型。
HaochenWang
TreeVGR-7B 是一個可追溯證據增強的視覺定位推理模型，通過強化學習聯合監督定位和推理，實現準確的定位和可解釋的推理路徑。
phronetic-ai
Owlet Safety 1是基於Qwen2.5-VL-3B-Instruct微調的多標籤安全事件檢測模型，專門用於視頻監控中的安全活動識別，能夠同時檢測多種安全相關事件如火災、煙霧、摔倒、襲擊等。
Mungert
Holo1-7B GGUF模型是Surfer-H系統的一部分，適用於視覺文檔檢索等多模態任務，特別擅長網頁交互和網絡監控，能以較低成本實現高準確性。
基於80億MetaCLIP數據訓練的70億參數視覺Transformer模型，採用DINOv2自監督學習框架，無需語言監督
基於80億無語言標註網絡圖像訓練的70億參數視覺Transformer模型，通過自監督學習實現卓越的視覺表徵能力
這是一個通過DINOv2自監督學習在20億網絡圖像上訓練的30億參數視覺Transformer模型，無需語言監督即可學習強大的視覺表徵。
20億參數的自監督視覺Transformer模型，基於嚴格篩選的網絡圖像數據訓練，特別優化圖表和文本理解能力
基於DINOv2自監督學習框架訓練的20億參數視覺Transformer模型，使用輕過濾的網絡規模圖像數據（無需語言監督）。
這是一個通過DINOv2自監督學習在20億網絡圖像上訓練的10億參數視覺Transformer模型，無需語言監督即可學習視覺表示。
50億參數的視覺Transformer模型，通過20億網絡圖像的自監督學習訓練而成，無需語言監督即可在各種視覺任務中表現優異。
70億參數的視覺Transformer模型，通過自監督學習在80億網絡圖像上訓練而成，無需語言監督
20億參數視覺Transformer模型，通過純視覺自監督學習在20億網絡圖像上訓練而成，在多模態任務中表現優異
這是一個參數量達3億的視覺Transformer模型，通過掩碼自編碼器自監督學習在20億網絡圖像上訓練，無需語言監督。
基於20億級嚴選MetaCLIP數據訓練的30億參數視覺Transformer模型，採用DINOv2自監督學習框架
30億參數的視覺Transformer模型，採用DINOv2自監督學習方法在輕過濾的網絡規模圖像數據上訓練，無需語言監督。
Netdata是一個開源即時基礎設施監控平臺，提供每秒級指標收集、可視化、機器學習驅動的異常檢測和自動化告警，無需複雜配置即可實現全棧監控。
該項目是一個連接Claude與Umami分析平臺的MCP服務器，提供網站數據分析工具，包括用戶行為追蹤、性能指標監控和可視化儀表板生成等功能。
MCP Analytics Middleware 是一個用於跟蹤和可視化 MCP 服務器使用情況的工具，提供性能監控、錯誤追蹤和即時數據分析功能。
該項目是一個MCP服務器列表，涵蓋了瀏覽器自動化、工具集成、系統自動化、AI服務、搜索、命令、工作流自動化、社交媒體、通信、客戶數據平臺、數據庫、知識存儲、開發工具、文件系統、雲存儲、金融、位置服務、監控、研究數據、安全、旅行、數據可視化、筆記、營銷、身份等多個領域。
ScreenMonitorMCP是一個革命性的AI視覺服務器項目，為Claude等AI助手提供即時屏幕監控、視覺分析和智能交互能力，使AI能夠'看見'並操作用戶屏幕。
一個用於監控Cursor AI編輯器中MCP交互的.NET控制檯應用，提供即時日誌分析、錯誤調試和協議交互可視化功能。
這是一個連接Tuba.ai平臺的MCP服務器，允許通過編程方式控制和交互AI視覺工作流，提供執行、監控、配置和文件上傳等功能。
QueryPie MCP是一個面向管理員的管理控制平臺服務器，提供數據可視化、資源監控和異常行為檢測等功能。
一個AI驅動的視頻編碼輔助工具，通過MCP服務器連接Claude AI，提供智能錯誤解析、即時監控和自動化解決方案。
Worker17是一個結合3D監控與MCP協議的工人管理系統，包含Web可視化界面和服務器端，支持通過Claude Desktop進行AI輔助管理。項目起初是個玩笑，後發展為MCP服務器技術探索。
一個基於終端的MCP協議定時任務管理工具，提供可視化界面查看和監控crontab任務
Worker17是一個結合3D監控與MCP協議的工人管理系統，包含Web可視化界面和服務器組件，支持通過Claude Desktop進行AI輔助管理。
一個Prometheus MCP服務器的概念驗證項目，用於與Claude AI集成，實現監控數據的可視化展示。
MCP Telemetry是一個基於Model Context Protocol的服務器，用於在聊天系統中通過Weights & Biases Weave實現對話追蹤和數據分析。它提供會話跟蹤、LLM交互記錄、工具調用監控等功能，並支持即時可視化和分析。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
