IA multimodal

Mistral AI ha presentado Mistral Large 4, un modelo multimodal de 1 billón de parámetros que apunta a rivales abiertos y cerrados, aunque retrasa la publicación de los pesos para realizar pruebas de seguridad.

Meta ha lanzado Muse Glimmer, un modelo multimodal de 30B de pesos abiertos para agentes locales, programación y flujos de trabajo privados de imágenes y video en hardware variado.

Meta lanzó Muse Glimmer, un modelo multimodal Apache 2.0 de 30B para agentes de IA locales, con amplio soporte de herramientas orientado a inferencia privada y de menor costo.

PerceptionBench de Moonshot AI encuentra que los principales modelos multimodales se quedan por debajo del 60% en tareas visuales básicas, revelando fallos de percepción detrás de aparentes errores de razonamiento.

Mistral AI presentó Robostral Navigate, un modelo de robótica de 8B para navegación con una sola cámara, lo que señala un impulso hacia stacks de percepción más baratos para robots.

Twelve Labs ha recaudado 100 millones de dólares de Amazon y de inversores de capital riesgo, lo que señala una creciente demanda de sistemas de IA capaces de buscar y analizar video a gran escala.

Google presentó Gemma 4 12B, un modelo abierto multimodal sin codificador diseñado para ejecutarse localmente en portátiles con 16 GB de memoria.

Thinking Machines Lab de Mira Murati presentó modelos de interacción diseñados para una colaboración continua en tiempo real con IA.

Uni-1 de Luma AI utiliza una arquitectura autorregresiva para superar a Google Nano Banana 2 y OpenAI GPT Image 1.5 en benchmarks de razonamiento, mientras reduce el precio para resolución 2K hasta en un 30%.

Xiaomi presentó MiMo-V2-Pro, MiMo-V2-Omni y MiMo-V2-TTS — un trío de modelos de IA con más de 1 billón de parámetros, percepción multimodal y síntesis de voz emocional, que rivalizan con Claude Opus 4.6 en benchmarks de agentes.

Google ha lanzado Gemini Embedding 2, el primer modelo de embeddings nativamente multimodal capaz de mapear conjuntamente texto, imágenes y vídeo en un espacio vectorial unificado para tareas de búsqueda y recuperación.

La china DeepSeek está a punto de lanzar su modelo multimodal V4 —capaz de generar texto, imágenes y vídeo— y, según se informa, está denegando el acceso anticipado de optimización a Nvidia y AMD, otorgándolo en exclusiva a los fabricantes de chips nacionales Huawei y Cambricon antes de las sesiones anuales del parlamento chino.

Las ofertas de empleo de DeepSeek revelan planes para un motor de búsqueda multimodal con IA que admite texto, imágenes y audio, apuntando directamente a la cuota de mercado de búsquedas de Google.

Moonshot AI, con sede en Pekín, lanza Kimi K2.5, un modelo multimodal de IA de código abierto que rivaliza con OpenAI y Anthropic y, además, cuesta cuatro veces menos operarlo, lo que plantea dudas sobre la eficacia de los controles de exportación de semiconductores de EE. UU. para frenar el desarrollo de IA en China.