AIskimIQ

Štítek: Multimodal

113 článků

AI agenti míří na forenzní analýzu syntetického videa, robotiku, multimodální modely i 3D fyziku

Přehledový článek mapuje nasazení AI agentů při odhalování syntetických videí, v ucelené robotice, multimodálních modelech a syntéze 3D fyziky, včetně doprovodného videa. Úryvek zmiňuje také sekci „Undercode Testing“ o sledování hackerů. Zdroj: google.com

Mistral Compute: podniková platforma AI postavená na otevřených modelech

Mistral Compute je platforma pro firmy, na které lze upravovat, dolaďovat a nasazovat AI asistenty, autonomní agenty i multimodální AI. Stojí na otevřených modelech. Zdroj: mistral.ai

EmbeddingGemma 2 přináší nativní multimodální porozumění

Google zveřejnil technickou zprávu k EmbeddingGemma 2, aktualizaci svého otevřeného modelu pro textové embeddingy. Nová verze nativně zpracovává text, obrázky, zvuk i video a mapuje je do společného prostoru. Zdroj: blog.google

Gemini Decisions API: rychlá a kalibrovaná multimodální rozhodnutí

Nové Gemini Decisions API od Googlu přináší rychlá a kalibrovaná multimodální rozhodnutí pro aplikace firmy. Dokáže vyhodnotit 1000 otázek v jediném průchodu. Zdroj: blog.google

LLM v klinické predikci stále narážejí na zásadní překážky

Komentář v časopise Diagnostic and Prognostic Research uvádí, že LLM sice slibně zvládají multimodální zdravotní záznamy, ale k přeměně klinické predikce jim stále stojí v cestě vážné překážky. Zdroj: bioengineer.org

Optimalizace LLM pro průmyslovou prognostiku a správu stavu zařízení

Rozsáhlý přehled mapuje, jak optimalizační techniky, metody komprese a multimodální architektury umožňují LLM proměnit průmyslovou prognostiku a správu stavu zařízení. Zdroj: bioengineer.org

Google představuje benchmark Multimodal Knowledge Agent

Google uvedl benchmark MKA, který hodnotí, jak dobře agenti uvažují nad složitými vizuálními úlohami. Zpráva ukazuje i výsledky modelu Gemini 4 Carbon. Zdroj: blog.google

FUGenerator: multimodální AI propojuje architektonické koncepty s výrobou

Vědci představili FUGenerator, multimodální AI platformu kombinující znalostní grafy se sledovatelnými uzlovými workflow. Má zjednodušit cestu od architektonického konceptu k fyzické výrobě. Zdroj: bioengineer.org

Čínský Iluvatar CoreX tvrdí, že jeho nové GPU se vyrovná Nvidia H200

Společnost uvádí, že její čip Tiangai 300 překonal H200 v náročných multimodálních úlohách, například při generování obrázků a videa z textu pomocí špičkových AI modelů. Tvrzení naznačuje, že se propast mezi čínskými čipy a produkty Nvidie zmenšuje. Zdroj: scmp.com

Mistral Large 4 "Le Chonk" je na Hugging Face

Mistral Large 4 s přezdívkou Le Chonk je multimodální a vícejazyčný model typu Mixture-of-Experts (MoE). Na vstupu přijímá text a obrázky a generuje textový výstup. Zdroj: huggingface.co

AI s dohledem expertů tvoří a hodnotí obrazové zkouškové otázky z neurochirurgie

Studie z jednoho pracoviště zjistila, že multimodální AI modely dokážou navrhovat zkouškové otázky z neurochirurgie závislé na obrazových datech a hodnotit odpovědi rezidentů s přibližně 90% přesnou shodou. Proces probíhal pod dohledem odborníků. Zdroj: bioengineer.org

Liquid AI představuje LFM3 pro tvorbu specializovaných multimodálních modelů

LFM3 je nová generace modelů Liquid Foundation Models, navržená jako výchozí bod pro specializovanou inteligenci. Zvládá text, obraz, zvuk a další modality. Zdroj: huggingface.co

EmbeddingGemma 2 přidává podporu kódu, obrazu, videa i zvuku

Model EmbeddingGemma 2 od Googlu vychází z Gemma 4 a vychází pod licencí Apache 2.0. Jde o kompaktní open-weight multimodální embedding model, který se tak posouvá za hranice čistě textových vektorů. Zdroj: infoq.com

EmbeddingGemma 2 přináší multimodální AI vyhledávání přímo do zařízení

EmbeddingGemma 2 od Googlu umožňuje soukromé AI vyhledávání napříč fotkami, videi, zvukem i textem přímo na koncových zařízeních. Díky lokálnímu běhu zůstávají data uživatele u něj. Zdroj: hackster.io

Multiverse Computing uvádí Comet 60B, zmenšený open-source multimodální model

Multiverse Computing spustila Comet 60B, open-source multimodální AI model. Snižuje celkový počet parametrů modelu Nemotron 3.5 Super VL od Nvidie. Zdroj: theaiinsider.tech

Google a Synaptics naznačují edge AI čip před spuštěním 20. října

Google a výrobce čipů Synaptics představují ukázku mikrokontroléru, který má přinést multimodální AI do zařízení omezených spotřebou, pamětí a cenou. Plné uvedení je naplánováno na 20. října. Zdroj: rdworldonline.com

Liquid AI uvedla d1-ultra, multimodální rozhodovací model s 65 body v AA Decision Index

Liquid AI vydala rozhodovací model d1-ultra, který získal 65 bodů v Artificial Analysis Decision Index. Vrací kalibrované pravděpodobnosti, aniž by generoval jakékoli výstupní tokeny. Zdroj: marktechpost.com

Intern-Decision zrychluje multimodální rozhodování pomocí maskovaného jazykového modelování

Interaktivní agenti neustále vybírají z konečné množiny akcí, štítků nebo pořadových výsledků a generování volné odpovědi pro každou volbu přidává zbytečnou zátěž. Intern-Decision to řeší autoregresivním maskovaným jazykovým modelováním pro efektivnější rozhodování. Zdroj: alphaxiv.org

NVIDIA Nemotron 3.5 Super VL přináší multimodální uvažování pro specializované agenty

Neustále aktivní agenti zvládají stále delší a složitější podnikové workflow, kdy jediný požadavek může zahrnovat čtení dokumentu a ověřování informací napříč zdroji. NVIDIA Nemotron 3.5 Super VL má takové specializované agenty pohánět díky multimodálnímu uvažování. Zdroj: developer.nvidia.com

Strukturovaný výběr má zefektivnit multimodální vyhledávací agenty

Multimodální agenti obvykle před každou akcí generují volné úvahy, což může být pro malé modely s omezenou kapacitou zdlouhavé a náročné. Nový přístup nahrazuje otevřené uvažování strukturovaným uvažováním založeným na výběru, aby byli vyhledávací agenti efektivnější. Zdroj: machinelearning.apple.com