Мультимодальный ИИ

Mistral AI представила Mistral Large 4 — мультимодальную модель с 1 трлн параметров, ориентированную на открытых и закрытых конкурентов, но отложила публикацию весов для тестирования безопасности.

Meta выпустила Muse Glimmer — 30B мультимодальную модель с открытыми весами для локальных агентов, программирования и приватных рабочих процессов с изображениями и видео на разном оборудовании.

Meta выпустила Muse Glimmer — мультимодальную модель Apache 2.0 на 30B для локальных ИИ-агентов с широкой поддержкой инструментов, ориентированную на приватный и более дешёвый инференс.

PerceptionBench от Moonshot AI показывает, что ведущие мультимодальные модели остаются ниже 60% на базовых визуальных задачах, выявляя ошибки восприятия, стоящие за кажущимися ошибками рассуждения.

Mistral AI представила Robostral Navigate, 8B-робототехническую модель для навигации по одной камере, что сигнализирует о движении к более дешевым стекам восприятия для роботов.

Twelve Labs привлекла $100 млн от Amazon и венчурных инвесторов, что сигнализирует о растущем спросе на AI-системы, способные искать и анализировать видео в масштабе.

Google представила Gemma 4 12B — открытую мультимодальную модель без энкодера, созданную для локальной работы на ноутбуках с 16 ГБ памяти.

Thinking Machines Lab Мира Мурати представила модели взаимодействия, предназначенные для непрерывного совместного взаимодействия с ИИ в реальном времени.

Uni-1 от Luma AI использует авторегрессивную архитектуру, чтобы превосходить Google Nano Banana 2 и OpenAI GPT Image 1.5 в бенчмарках по рассуждению, одновременно снижая стоимость для 2K-разрешения до 30%.

Xiaomi представила MiMo-V2-Pro, MiMo-V2-Omni и MiMo-V2-TTS — три модели ИИ с более чем 1 триллионом параметров, мультимодальным восприятием и эмоциональным синтезом речи, конкурирующие с Claude Opus 4.6 в бенчмарках для агентов.

Google представила Gemini Embedding 2, первую нативно мультимодальную модель эмбеддингов, способную совместно отображать текст, изображения и видео в единое векторное пространство для задач поиска и извлечения.

Китайская DeepSeek вскоре выпустит мультимодальную модель V4 — способную генерировать текст, изображения и видео — при этом, по сообщениям, она отказывает Nvidia и AMD в раннем доступе для оптимизации, предоставляя его исключительно отечественным производителям чипов Huawei и Cambricon перед ежегодными парламентскими сессиями Китая.

Вакансии DeepSeek раскрывают планы по созданию мультимодальной поисковой системы с ИИ, поддерживающей текст, изображения и аудио, напрямую нацеленной на долю Google на рынке поиска.

Пекинская Moonshot AI выпустила Kimi K2.5 — открытый мультимодальный ИИ‑модель, соперничающую с OpenAI и Anthropic и при этом в четыре раза дешевле в эксплуатации, что вызывает вопросы относительно эффективности экспортных ограничений США на полупроводники в сдерживании развития ИИ в Китае.