AIskimIQ

Štítek: Multimodal

113 článků

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

SGLang a Miles podporují Muse Spark Open od prvního dne

Muse Spark Open je multimodální model typu mixture-of-experts s otevřenými váhami, jehož textovou páteř tvoří transformer o 816B parametrech. SGLang a Miles ho podporují už od okamžiku vydání. Zdroj: lmsys.org

Seedance 3.0 posouvá generování videa pomocí AI blíže k celovečerní kontrole

Seedance 3.0 prodlužuje generování jednoho klipu na 30 sekund a téměř šestinásobně rozšiřuje své multimodální reference. Míří na tvůrce a marketéry, kteří vytvářejí delší videoobsah. Zdroj: startupfortune.com

Cloudflare představil Clef-omni, multimodální model s 30B parametry

Cloudflare spustil na Workers AI model Clef-omni s 30B parametry, který zpracovává text, obraz, zvuk i video. Je určen především pro moderaci obsahu a nasazení ochranných mantinelů (guardrails). Zdroj: tech-insider.org

Cloudflare Clef-omni: model s 30B parametry za 0,15 USD za milion tokenů

Cloudflare 9. října uvedl Clef-omni, multimodální rozhodovací model 30B-A3B pro zvuk, video, obraz a text. Vstupní tokeny stojí 0,15 USD za milion. Zdroj: shattered.io

Cloudflare představuje Clef-omni, multimodální rozhodovací model 30B-A3B

Cloudflare uvedl Clef-omni, open-weight rozhodovací model s 30B parametry (3B aktivních), který dokáže v jediném volání ohodnotit zvuk, video, obraz i text. Zdroj: marktechpost.com

AZ8 propojuje Zumi a OXYGEN pro tvorbu AI video reklam na nekonečném plátně

AZ8 kombinuje multimodální kontext, opakovaně použitelné kreativní Skills a inteligentní výběr modelů. Tvůrcům má pomoci efektivněji vytvářet kvalitní video reklamy. Zdroj: tech.einnews.com

Google zmenšil multimodální AI vyhledávání pro telefony a notebooky

EmbeddingGemma 2 od Google DeepMind přináší vyhledávání v textu, obrázcích, videu i zvuku na běžná zařízení. Vyžaduje méně paměti a méně se spoléhá na cloudovou AI. Zdroj: techrepublic.com

Google rozšiřuje EmbeddingGemma z textu na obrázky, zvuk i video

Google dnes vydal EmbeddingGemma 2, otevřený multimodální embedding model, který je dost malý na to, aby běžel na chytrém telefonu. Navazuje na původní EmbeddingGemma, který uměl pouze text. Zdroj: siliconangle.com

EmbeddingGemma 2 přináší multimodální embeddingy přímo do zařízení

EmbeddingGemma 2 je označován za nejschopnější model pro multimodální embeddingy přímo na zařízení. Nativně mapuje kombinace textu, obrázků, zvuku a videa do jednoho společného prostoru. Zdroj: blog.google

EmbeddingGemma 2: průvodce pro vývojáře multimodálním vyhledáváním a RAG

Průvodce ukazuje, jak s EmbeddingGemma 2 stavět multimodální vyhledávání a RAG aplikace. Jde o kompaktní otevřený model, který zpracovává text, kód, obrázky, video i zvuk. Zdroj: developers.googleblog.com

DeepMind vydal EmbeddingGemma 2, 740M multimodální embedding model na Gemma 4

EmbeddingGemma 2 od Google DeepMind vektorizuje text, kód, obrázky, video i zvuk v jediném modelu o 740 milionech parametrů. Míří na RAG aplikace běžící přímo na zařízení. Zdroj: marktechpost.com

Google DeepMind uvádí multimodální AI model pro vyhledávání přímo v zařízení

Google DeepMind v úterý spustil EmbeddingGemma 2, open-weight AI model určený k vyhledávání a organizaci textu, obrázků, videa a dalších dat. Je navržen tak, aby běžel přímo na zařízeních. Zdroj: tradingview.com

MixVio AI představuje jednotný kreativní prostor s 26 generativními cestami

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

HeyVigo spouští Infinite Canvas pro multimodální tvorbu AI videí

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 posouvá multimodální AI generování videa a propojené vyprávění

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 představila první vícejazyčnou multimodální AI klávesnici pro tibetštinu

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

5 poskytovatelů zdarma nabízejících LLM API, které stojí za vyzkoušení v roce 2026

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

MiniMax: AI agenti potřebují miliony tokenů kontextu, ne jen větší textové modely

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

Technika „rekalibrace“ dovoluje malým modelům konkurovat GPT-4V

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