IA multimodale

Mistral AI a dévoilé Mistral Large 4, un modèle multimodal de 1 000 milliards de paramètres qui vise des concurrents ouverts et fermés, tout en retardant la publication de ses poids pour effectuer des tests de sécurité.

Meta a lancé Muse Glimmer, un modèle multimodal à poids ouverts de 30B pour les agents locaux, le codage et les flux privés d’images et de vidéos sur du matériel varié.

Meta a publié Muse Glimmer, un modèle multimodal Apache 2.0 de 30B pour agents d’IA locaux, avec un large support d’outils visant une inférence privée à moindre coût.

PerceptionBench de Moonshot AI constate que les principaux modèles multimodaux restent sous les 60 % sur des tâches visuelles de base, révélant des échecs de perception derrière des erreurs de raisonnement apparentes.

Mistral AI a présenté Robostral Navigate, un modèle de robotique 8B pour la navigation à caméra unique, signalant une poussée vers des piles de perception plus économiques pour les robots.

Twelve Labs a levé 100 millions de dollars auprès d’Amazon et d’investisseurs en capital-risque, signe d’une demande croissante pour des systèmes d’IA capables de rechercher et d’analyser la vidéo à grande échelle.

Google a présenté Gemma 4 12B, un modèle ouvert multimodal sans encodeur conçu pour fonctionner localement sur des ordinateurs portables dotés de 16 Go de mémoire.

Le laboratoire Thinking Machines de Mira Murati a présenté des modèles d’interaction conçus pour une collaboration continue en temps réel avec l’IA.

Uni-1 de Luma AI utilise une architecture autorégressive pour dépasser Google Nano Banana 2 et OpenAI GPT Image 1.5 sur les benchmarks de raisonnement tout en réduisant le prix pour la résolution 2K jusqu'à 30 %.

Xiaomi a dévoilé MiMo-V2-Pro, MiMo-V2-Omni et MiMo-V2-TTS — un trio de modèles d'IA comportant plus de 1 000 milliards de paramètres, une perception multimodale et une synthèse vocale émotionnelle, rivalisant avec Claude Opus 4.6 sur les benchmarks d'agents.

Google a lancé Gemini Embedding 2, le premier modèle d'embeddings nativement multimodal capable de cartographier conjointement le texte, les images et la vidéo dans un espace vectoriel unifié pour les tâches de recherche et de récupération.

La société chinoise DeepSeek s'apprête à publier son modèle multimodal V4 — capable de générer du texte, des images et des vidéos — et, selon les rapports, refuse d'accorder un accès anticipé pour l'optimisation à Nvidia et AMD, le réservant exclusivement aux fabricants de puces nationaux Huawei et Cambricon avant les sessions parlementaires annuelles de Chine.

Les offres d'emploi de DeepSeek révèlent des plans pour un moteur de recherche multimodal basé sur l'IA, prenant en charge le texte, les images et l'audio, visant directement la part de marché de Google dans la recherche.

Moonshot AI, basée à Pékin, publie Kimi K2.5, un modèle d'IA multimodal open source qui rivalise avec OpenAI et Anthropic tout en coûtant quatre fois moins cher à exploiter, ce qui soulève des questions sur l'efficacité des contrôles à l'exportation des semi-conducteurs des États-Unis pour freiner le développement de l'IA en Chine.