AIskimIQ

Štítek: Multimodal

113 článků

Google představil Gemini Omni 1.1 Flash: AI videa ve 4K až na 40 sekund

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

Co je multimodální AI a co se změní, když jeden model umí číst, vidět i slyšet

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

STARFlow2 spojuje jazykové modely a normalizační toky pro multimodální generování

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 spojuje jazykové modely a normalizující toky pro multimodální generování

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

Black Forest Labs představuje FLUX 3 pro multimodální generování videa

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

Seedance 2.0 přináší AI video pro mapy, urbanismus a lokální obsah

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

DeepSeek představil multimodální model konkurující Opusu 4.8

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

Nový AI model pro medicínské snímky umí vysvětlit své diagnózy

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

Seedance 2.5 dorazil na AI Inspo, umí 30sekundová videa se zvukem

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

Seedance 2.5 na platformě AI Inspo umí 30sekundová videa s multimodálním vstupem a zvukem

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

Multimodální LLM sleduje vývoj orálního lichen planus v nové studii

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

MiniMax M3 dosáhl skóre 55 a v testech předčil GPT-5.5

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

Pippit představil Seedance 2.5: AI video ve 4K až na 30 sekund s jemnější kontrolou

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

Studie zkoumá, jak preferenční ladění ovlivňuje multimodální LLM

Nová rozsáhlá studie se zaměřuje na preferenční ladění, techniku běžně používanou ke zlepšení výkonu LLM, a zkoumá její konkrétní dopad na multimodální modely. Výzkum popisuje jak přínosy, tak omezení této metody při rozšíření za rámec čistě textových systémů. Zdroj: google.com

Studie zkoumá, jak funguje alignment u multimodálních LLM

Ladění na základě preferencí (preference alignment) se stalo klíčovým nástrojem pro zlepšování výkonu velkých jazykových modelů, jeho dopad u multimodálních systémů je ale méně prozkoumaný. Nová rozsáhlá studie se zaměřuje na to, jak se tyto techniky projevují napříč různými modalitami. Zdroj: machinelearning.apple.com

MiniMax H3: co byste měli vědět o novém AI modelu pro video

MiniMax H3 je open-weight model pro generování videa, který využívá multimodální uvažování, kontextovou regeneraci a pokročilou architekturu. Zdroj: ca.news.yahoo.com

FLUX 3 spojuje obrázky, video i další úlohy do jednoho modelu a předčí Seedance 2.0 i Grok

Nový model FLUX 3 od Black Forest Labs nahrazuje dosavadní skládačku samostatných nástrojů pro generování obrázků, videa a dalších úloh jediným multimodálním systémem. Podle prvních srovnání překonává konkurenty jako Seedance 2.0 nebo Grok hned v několika testech. Zdroj: sitepoint.com

MiniMax spouští video model H3, provází ho spor o autorská práva

MiniMax uvedl nový multimodální model H3, který podle nezávislých benchmarků vede v kategorii úprav videa. Uvedení modelu ale stíní žaloba kvůli porušování autorských práv spojená s firemní technologií pro generování videa. Zdroj: techtimes.com

Konec textového promptování? DeepMind představuje vizuální přístup, který funguje lépe

Výzkumníci z Google DeepMind přišli s novým způsobem zadávání instrukcí AI modelům, který místo textu využívá vizuální podněty. Podle nich tento přístup přináší lepší výsledky než klasické textové promptování a spojuje zpracování přirozeného jazyka s vizuální inteligencí v rámci multimodálních systémů. Zdroj: eu.36kr.com

Multimodální AI nabírá na síle, Anduril získává investici za 100 miliard dolarů

Pokrok v multimodální AI se objevuje ve stejné době, kdy firma Anduril údajně získala financování ve výši 100 miliard dolarů. Přehled zmiňuje také politiky přednášející projevy napsané AI a další novinky, které mění podobu odvětví. Zdroj: theneurondaily.com