OpenAI запустила GPT-Live-1 в API — голосовую модель, которая умеет одновременно слушать и говорить. Она лучше обрабатывает паузы, перебивания и фоновый шум, а сложные рассуждения и вызовы инструментов может передавать отдельной текстовой модели. По тестам OpenAI, GPT-Live-1 получила 80,1% в Full Duplex Bench против 45,4% у GPT-Realtime-2.1. Задержка начала ответа после реплики пользователя снизилась с … Читать далее
DeepSeek представила V4.1-Flash — новую мультимодальную MoE-модель на 552 млрд параметров. При этом во время работы активны только 8 млрд параметров на входе и 16 млрд на выходе. Компания утверждает, что модель уже обходит V4-Pro по части бенчмарков, а работает быстрее и дешевле. Ещё одно заметное изменение — более компактный KV-кэш: ему нужно в четыре … Читать далее
World Labs представила Atlas — мультимодальную мировую модель для пространственного интеллекта. Она работает с текстом, изображениями, видео и 3D и умеет генерировать сцены, восстанавливать пространства и моделировать их развитие во времени. Atlas может создавать видео длиной до минуты в 1440p с точным управлением камерой, строить 3D-сцены по нескольким изображениям и формировать облака точек и 3D … Читать далее
Qwen выпустила Qwen3.8-Flash-Next — экспериментальную модель с открытыми весами, архитектура которой станет основой Qwen4. Модель содержит 125 млрд параметров, но при работе активирует 6 млрд. Еще 51 млрд параметров приходятся на n-граммные представления. Главные изменения — разреженное внимание Qwen Sparse Attention, управляемые остаточные связи и n-граммные представления, рассчитанные на снижение затрат при длинном контексте. Базовая … Читать далее
Google представила Gemini Omni 1.1 Flash — обновленную мультимодальную модель для генерации и редактирования видео через Gemini API и Google AI Studio. Модель умеет продолжать сцены с учетом до 10 секунд предыдущего видео и увеличивать ролики фрагментами по 10 секунд до общей длины 40 секунд. Пользователь также может задать первый и последний кадры, а модель … Читать далее
Google представила новое поколение модели Gemini Embedding. Теперь она понимает не только текст, но и изображения, видео, аудио и документы.
Исследователи Apple выяснили, что даже лучшие мультимодальные ИИ плохо понимают, кто и что говорит в видео с несколькими людьми.
После успеха DeepSeek китайские разработчики ИИ пошли другим путём. Они выбрали архитектуру Mixture of Experts и сделали ставку на малые модели.
Исследователи Apple представили модель Manzano — универсальную мультимодальную систему, которая одновременно понимает и генерирует визуальный контент, решая проблему компромисса между этими задачами.