80 článků
MixVio AI spustilo jednotné pracovní prostředí, které sdružuje 26 generativních AI cest. Vybrané workflow zvládnou až 50 multimodálních referenčních souborů a vytvoří 30sekundové video v rozlišení 1080p s nativně synchronizovaným zvukem. Zdroj: manilatimes.net
Nový nástroj spojuje obrázky, video, text, zvuk a opakovaně použitelné prvky do jednoho propojeného vizuálního prostoru s podporou AI při tvorbě. Zdroj: einnews.com
Kling 4.0 přináší další fázi AI tvorby videa se zaměřením na propojení různých modalit do souvislého příběhu. Informace pocházejí z oznámení z 27. září 2026 z Albany v Alabamě. Zdroj: wboc.com
Čína uvedla, co označuje za první vícejazyčnou a plně multimodální AI metodu vstupu textu pro tibetský jazyk v zemi. Systém byl představen v neděli ve městě Xining. Zdroj: globaltimes.cn
Přehled představuje pět poskytovatelů, kteří nabízejí bezplatný přístup k LLM API, včetně rychlé inference, multimodálních schopností a agentických AI aplikací. Seznam je určen vývojářům, kteří chtějí experimentovat bez placení za využití API. Zdroj: kdnuggets.com
Technická ředitelka MiniMaxu Olive Song tvrdí, že příští generace AI agentů se nemůže opírat o čistě textové modely, ke kterým se dodatečně přilepí vidění. Podle ní je klíčové skutečně multimodální uvažování s obřím kontextovým oknem. Zdroj: finance.biggo.com
Nová metoda rekalibrace má menším AI modelům umožnit dosáhnout výkonu srovnatelného s GPT-4V. Mohla by tak zpřístupnit pokročilé multimodální schopnosti bez nutnosti provozovat výpočetně náročné obří modely. Zdroj: quantumzeitgeist.com
Google vydal novou verzi svého multimodálního modelu, který dokáže generovat delší AI videa ve 4K rozlišení. Aktualizace posouvá limity délky videa výrazně nad předchozí verze Gemini. Zdroj: neowin.net
Multimodální AI označuje systémy, které v jednom modelu spojují porozumění textu, obrazu i zvuku místo používání samostatných nástrojů. Tento přístup umožňuje přirozenější interakci a širší využití – od analýzy fotografií po zpracování mluveného slova. Zdroj: sqmagazine.co.uk
Výzkumníci představili STARFlow2, nový přístup kombinující velké jazykové modely s technikou normalizačních toků pro jednotné generování napříč různými typy dat. Metoda má přinést konzistentnější a flexibilnější tvorbu multimodálního obsahu. Zdroj: machinelearning.apple.com
STARFlow2 je nová architektura, která kombinuje jazykové modely s normalizujícími toky (normalizing flows) pro jednotné generování napříč více modalitami dat. Přístup má propojit text a další typy obsahu v rámci jednoho generativního rámce. Zdroj: machinelearning.apple.com
Tvorba videa z prostorových dat dřív vyžadovala drony, 3D rendering nebo grafická studia. Přepracovaný AI model od ByteDance má tento proces zautomatizovat pro geoprostorové vizualizace i obsah spojený s konkrétními místy. Zdroj: gisuser.com
FLUX 3 je nový základní model od Black Forest Labs, který má společně zpracovávat obrázky, video a zvuk, přičemž v budoucnu má přibýt i textová predikce akcí. Zdroj: dynamicbusiness.com
Nový model V4 Flash Vision Exp je zatím dostupný pouze přes placenou vývojářskou platformu čínského startupu. Firma naznačila, že později by mohla vydat i bezplatnou verzi. Zdroj: siliconangle.com
Výzkumníci vyvinuli biomedicínský základní model, který kombinuje předtrénování na obrazu a textu s explicitními medicínskými koncepty, aby byly diagnózy AI srozumitelnější pro lékaře. Řeší tak jeden z hlavních nedostatků současných multimodálních medicínských AI systémů, kterým často chybí transparentnost. Zdroj: nature.com
Platforma AI Inspo zpřístupnila model Seedance 2.5, který dokáže vygenerovat 30sekundová videa z různých typů vstupů a rovnou s vloženým zvukem. Nová verze tak posouvá možnosti tvorby delšího a komplexnějšího AI obsahu. Zdroj: somdnews.com
AI Inspo přidalo do své tvůrčí platformy model Seedance 2.5, který dokáže generovat AI videa dlouhá až 30 sekund. Model podporuje multimodální vstupy a má integrované generování zvuku. Zdroj: streetinsider.com
Longitudinální studie testovala schopnost multimodálního LLM klasifikovat vývoj nemoci a odhadovat riziko u pacientů s orálním lichen planus. Výzkum hodnotil, jak přesně model dokáže sledovat změny v čase ve srovnání s tradičními diagnostickými postupy. Zdroj: nature.com
Model MiniMax M3 byl uveden s kontextovým oknem o milionu tokenů, nativní multimodalitou a cenou od 0,30 dolaru za milion tokenů. V benchmarku SWE-Bench Pro měl podle testů lepší výsledky než GPT-5.5. Zdroj: tech-insider.org
Nová verze Seedance 2.5 od Pippitu umožňuje generovat 4K video v délce až 30 sekund s přesným řízením na úrovni sekund. Přibyly také multimodální reference, možnost zadání pouze zvukem, řízení pomocí 3D drátěného modelu a vylepšené nástroje pro tvorbu vyprávěcích sekvencí. Zdroj: manilatimes.net