隱私計算
-
新加坡2026年3月2日 /美通社/ — MetaOptics Ltd (Catalist: 9MT)（「MetaOptics」或「公司」，連同其子公司統稱「集團」）宣佈推動開發一款針對3D非接觸式指紋生物辨識技術的緊湊型光學模組，旨在支援未來智慧慧手機整合應用的可能性。本專案在現有3D感測技術基礎上進一步最佳化，透過縮減光學堆疊體積並引入電子調諧技術，以取代傳統機械運動，從而提升影像效能與系統可靠性。 本項計畫與一家新加坡國家級半導體研發機構合作進行，該機構致力於先進半導體技術的商業化。此合作有助於加速尖端光學研究成果邁向可量產與可擴充套件的解決方案，以應用於下一代安全身分識別系統。 此光學模組的核心為一組可調式平面透鏡堆疊結構，由兩片超薄超透鏡組成。與傳統弧形鏡頭不同，這些具奈米結構的平面光學元件能在極為緊湊的架構內精準聚焦與控制光線。每片超透鏡皆製作於玻璃基板上，兩者之間以約100微米厚的液晶（LC）層分隔，其厚度大致相當於一根人類頭髮。 透過在液晶層上施加電壓，可以對堆疊體的光學特性進行電子調節，使其於極小體積內達到可變焦光學響應，無需傳統體積龐大或易受損的機械對焦元件。 設計規格上，每片直徑2.0毫米的超透鏡安裝於厚度0.775毫米的玻璃基板上，形成1.65毫米的光學堆疊，整體模組目標厚度約5毫米，以支援安裝於尺寸受限的消費性電子設定中。該展示樣機採用波長532奈米的綠光作為光源，搭配單色影像感測器與控制電路，用於在受控環境下捕捉高細節紋理的指紋立體特徵。 MetaOptics系統開發副總裁Tobias W. W. Mass博士表示：「我一直致力於研究畫素尺寸極小的液晶式空間光調變器（LC-based Spatial Light Modulators, SLMs），這是一類極具挑戰性的電光系統，需要在極其緊湊的結構中實現穩定且可重現的調諧效果。將此經驗應用於建立超透鏡影像系統的自動對焦機制，是MetaOptics邏輯上的技術延伸。我們選擇液晶調諧方案，是因為此科技平臺成熟且具高度光學設計自由度，同時可實現全電子控制。與以VCM為基礎的機械對焦機制相比，我們的方案更具可量產性與良率優勢。」 他補充道：「此研發計畫直接建立於我們第一代3D非接觸指紋模組的核心經驗之上。透過這款新一代可調式超透鏡解決方案，我們預期可將模組厚度顯著縮減至約5毫米封裝尺寸，便於安裝於空間受限的消費性電子產品中，如5G智慧手機與筆記型電腦。值得一提的是，市場上多數生物辨識模組屬於被動式設計，而我們的可調式超透鏡堆疊採主動式光學架構，可電子方式自動最佳化指紋成像品質，藉由提升3D辨識精度，提供更高安全性，同時實現潔淨、無接觸的操作體驗，取代傳統接觸式2D指紋方案。」 公司計劃於2027年1月在美國拉斯維加斯舉行的CES 2027展會上展示此新一代3D生物辨識可調式光學模組。該模組搭載先進可調式超透鏡，不僅大幅提升指紋細節成像精度，亦具備更小型化結構及更佳衛生性，相較現有2D生物辨識技術效能更為優越。 隨著研發進展，本公司將持續發布進一步更新。 董事會謹此公告 程章金執行主席2026年3月2日 關於 MetaOptics Ltd MetaOptics Ltd (Catalist: 9MT) 為領先的半導體光學公司，專注研發以玻璃基板為核心的超透鏡解決方案，並結合AI驅動的影像處理技術。憑藉先進光學設計與可擴充套件的12英吋DUV光刻製程，MetaOptics為CPO、行動裝置、擴增實境／虛擬實境（AR/VR）、車用電子及其他新興市場的次世代應用提供支撐。公司總部位於新加坡，致力於提供高效能、具可靠性及可規模量產的光學方案，滿足今日最具創新精神的科技品牌需求。詳情請瀏覽：www.metaoptics.sg。
-
北京2026年2月26日 /美通社/ — 就在剛剛，雲知聲正式推出「Unisound U1-OCR」 文件智慧基礎大模型。作為首個工業級文件智慧基座，該模型憑借 「效能 SOTA、可信可驗、開箱即用、高效部署、強適配」 五大核心優勢，打破傳統文件處理邊界，樹立起行業新標杆。 一、技術跨越：從 OCR 2.0 邁向 3.0 文件智慧（Document Intelligence）是指利用人工智慧技術自動閱讀和理解文件影像，並進行內容的讀取、理解、分類及關鍵資訊提取。傳統視覺方案（OCR 1.0，以 CRNN 為代表）僅能識別文字，新一代多模態方案（OCR 2.0，以VLM為代表 ）具備初步版面理解能力。而 「Unisound U1-OCR」 則正式開啟 OCR 3.0 時代——在理解版面的基礎上，進一步洞察文件深層語義，實現自動分類與業務級資訊抽取，完成了從「字元感知」到「文件認知」的質的飛躍。 二、實力領跑：多項權威評測穩居全球第一梯隊 「Unisound U1-OCR」是一款達到國際頂尖水平（SOTA）的文件智慧理解模型，其核心優勢在於突破了傳統模型「只讀文字、不懂排版」的瓶頸，能夠像人類專家一樣「看懂」複雜文件。為適應 OCR 3.0 時代對於文件業務級結構化抽取的新要求，Unisound U1-OCR 採用 ViT + LLM 架構，其中視覺編碼器部分採用 NaViT 架構，實現文件解析度動態處理，模型引數規模 3B 量級，兼顧模型計算效率與文件深層語義資訊理解的能力要求。除此之外，模型還提出了多項創新舉措： 首先，它擁有「先懂結構，再讀內容」的智慧。傳統模型往往按順序死板閱讀，而「Unisound U1-OCR」首創了「語義驅動+動態聚焦」策略。如同人類閱讀習慣，先梳理文件目錄、標題的層級關系，再按需提取內容。模型能自動構建文件的「語義地圖」，精準識別標題、圖表與正文的從屬關系，即使面對排版混亂的極端場景，也能條理清晰地提取資訊。 其次，它具備敏銳的「空間感知力」。透過強化空間對齊模組，模型能充分利用文字在頁面上的位置資訊，主動理解元素間的空間佈局。結合動態解析度技術，無論是密集表格還是圖文混排，它都能精準還原文件結構，徹底解決了以往模型「張冠李戴」的空間盲區。 此外，模型採用Multi-Token Prediction（MTP）技術——在預測當前 Token時，同步考慮未來多個Token的機率分佈，大幅提升長文件邏輯連貫性。配合全任務強化學習策略，增強模型對版式結構的全域性預見性並在推理階段將模型生成效率提升了80%以上。在訓練階段，採用多工協同強化訓練方案，實現文件結構還原、文件分類與資訊抽取的深度對齊。強化訓練策略圍繞「語義+坐標」雙目標最佳化，針對坐標回溯的 IoU 精度進行專項強化，有效遏制定位幻覺，確保輸出結果的物理可信度。透過多檔位解析度擾動與Mask取樣策略，顯著提升了模型多場景文件影象的理解能力。 憑借這些創新，Unisound U1-OCR在多項權威測試中均獲業界SOTA表現，真正實現了從「識別文字」到「理解文件」的跨越。 1. OmniDocBench V1.5評測SOTA 在OmniDocBench V1.5評測中，Unisound U1-OCR以95.1分取得SOTA表現（如圖1），領先GLM-OCR，Deepseek-OCR2，Gemini-3-Pro，GPT-5.2等主流模型，實現了精度與泛化能力的雙重突破。 圖1Unisound U1-OCR在OmniDocBench V1.5的評測得分對比 2. D4LA評測SOTA 在D4LA評測中， F1 分數達 90.8，大幅領先 DocLayout-YOLO（87.3）、PP-StructureV3（86.0）。無需微調即可高精度解析學術論文、財務報表等 11 類高複雜度文件。 3. DocLayNet評測SOTA…