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
Důležitost:Zprávamultimodal AI
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
Důležitost:Výzkummultimodal generation
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
Důležitost:Výzkummultimodal models
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
Důležitost:Spuštěnímultimodal AI models
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
Důležitost:Spuštěnímultimodal AI video generation
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
Důležitost:Spuštěnímultimodal models
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
Důležitost:VýzkumBiomedical foundation models
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
Důležitost:Spuštěnívideo generation tool
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
Důležitost:SpuštěníAI video tools
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
Důležitost:ZprávaMiniMax model performance
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
Důležitost:SpuštěníAI video generation tool
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
Důležitost:VýzkumAI alignment
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
Důležitost:VýzkumLLM alignment
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
Důležitost:ZprávaAI Video Models
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
Důležitost:ZprávaAI model comparison
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
Důležitost:Zprávamodel releases
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
Důležitost:ZprávaVisual prompt engineering
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
Důležitost:Zprávamultimodal AI breakthroughs
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