AIskimIQ

Štítek: Multimodal

113 článků

Black Forest Labs představuje FLUX 3, multimodální model pro video, zvuk i akce robotů

Black Forest Labs uvedla model FLUX 3, multimodální flow model schopný vytvářet až 20sekundová videa s nativním zvukem a akčními sekvencemi. Model tak jde nad rámec generování obrázků a zvládá i video, zvuk a predikce spojené s robotikou. Zdroj: marktechpost.com

FLUX 3 je tu: Black Forest Labs rozšiřuje model o video a zvuk

Německá společnost Black Forest Labs představila 23. července 2026 model FLUX 3, který kombinuje generování obrazu, videa, zvuku a prvky takzvané fyzické AI v jednom systému. Jde o výrazný krok od čistě obrazového modelu k plně multimodálnímu řešení. Zdroj: techtimes.com

Jak spojit textové, obrazové i video modely do jedné aplikace přes GPTProto API

Aplikace často postupně začnou kombinovat několik různých AI dodavatelů pro text, obraz a video, což komplikuje vývoj. Platforma GPTProto nabízí jednotné API, díky kterému lze všechny tyto typy modelů integrovat do jedné aplikace bez nutnosti spravovat více poskytovatelů zvlášť. Zdroj: concept-phones.com

Přehled týdne v AI: nové modely od Anthropicu, Googlu, OpenAI a dalších

Týdenní souhrn přináší přehled nově vydaných AI modelů, mezi nimi Claude Opus 5, Gemini 3.6 Flash, Gemini 3.5 Flash-Lite, Qwen 3.8 Max, OpenAI Presence, FLUX 3 a MAI Image 2.5 Pro. Nabídka ukazuje, jak intenzivně si velké AI laboratoře konkurují v textových, obrazových i multimodálních modelech. Zdroj: patmcguinness.substack.com

Black Forest Labs představuje FLUX 3, multimodální model pro obrázky i krátká AI videa se zvukem

Black Forest Labs uvedla model FLUX 3, který rozšiřuje rodinu FLUX z generování statických obrázků i na tvorbu až 20sekundových videí se zvukem. Model zatím startuje jen v omezeném přístupu, ne jako plné veřejné vydání. Zdroj: venturebeat.com

Black Forest Labs spouští multimodální FLUX 3 s podporou videa i robotiky

Startup s valuací 3,25 miliardy dolarů představil nový model, který vytváří 20sekundová videa se synchronizovaným zvukem a už se testuje na výrobních linkách Audi. Zdroj: cryptobriefing.com

Flux 3 umí generovat až 20sekundová videa s nativním zvukem, což je pro firmu novinka

Black Forest Labs vydala Flux 3, multimodální základní model trénovaný na obrázcích, videu i zvuku, který dokáže vytvářet videoklipy rovnou se synchronizovaným zvukem. Zdroj: the-decoder.com

Shutterstock: Je multimodální AI především otázkou licencování dat?

AI Magazine hovořil s Danem Mandellem, SVP pro licencování dat a AI služby ve Shutterstocku, o multimodálních datech, kreativitě a firemním úsilí v oblasti AI. Zdroj: aimagazine.com

Multimodální LLM se samostatně naučil lékařské znalosti pro diagnostiku a reporting EGD

Nová studie v Nature Communications popisuje multimodální velký jazykový model (MLLM) navržený jako pomoc při esofagogastroduodenoskopii (EGD). Model dokáže analyzovat obrazová data z vyšetření a automaticky generovat diagnostické zprávy. Zdroj: bioengineer.org

Xiaomi představuje model U0 pro robotiku a embodied AI

Xiaomi ve středu odhalilo Xiaomi-Robotics-U0, multimodální autoregresivní základní model s 38 miliardami parametrů určený pro embodied AI. Firma uvedla, že model má sloužit k pokročilejšímu ovládání a generování chování robotů. Zdroj: technode.com

Aurora Mobile rozšiřuje multimodální AI nástroje GPTBots.ai o generování obrázků a videí pomocí Modellix

Aurora Mobile Limited (NASDAQ: JG), přední poskytovatel firemních AI řešení, oznámila rozšíření platformy GPTBots.ai. Nová sada nástrojů poháněných Modellix umožňuje firmám generovat obrázky a videa přímo v platformě. Zdroj: markets.businessinsider.com

MIT a IBM promítají kvantové unitární operátory do latentního prostoru jazykových modelů

Výzkumníci z MIT-IBM Computing Research Lab a IBM Quantum vyvinuli multimodální rámec, který mapuje kvantové unitární operátory do latentního prostoru jazykových modelů pro syntézu obvodů. Zdroj: quantumcomputingreport.com

AI a strojové učení míří do přesné výživy

Klíčovou vlastností přístupu Precision Nutrition and Health je schopnost přizpůsobit intervence individuální variabilitě pomocí multimodálních dat. Zdroj: nature.com

Naver přetavil 27 let vyhledávání do AI: vlastní LLM, SLM i multimodální modely

Jihokorejský technologický gigant Naver zúročil 27 let zkušeností s vyhledáváním při vývoji vlastního LLM a SLM modelů. Součástí strategie jsou i multimodální schopnosti postavené na hluboce zakořeněné vyhledávací infrastruktuře. Zdroj: biz.chosun.com

5 open source omni AI modelů pro text, obrázky, zvuk i video

Multimodální systémy typu any-to-any zvládají rozpoznávání obrazu i jazyka, hlasovou interakci, práci s dokumenty nebo funkci asistenta v reálném čase. Praktický přehled ukazuje, co jednotlivé open source modely umí a kde najdou uplatnění. Zdroj: KDnuggets

Gemini Flash Omni vede žebříček Video Arena

Google Gemini Flash Omni obsadil první místo v žebříčku Video Arena pro generování videa z textu i obrázků. Předstihl konkurenci díky pokročilým multimodálním editačním schopnostem. Zdroj: cryptobriefing.com

Doladěný multimodální LLM řídí autonomní rozpoznávání tvarů u tensegrity robota

Výzkumníci integrovali fine-tuned multimodální LLM do šestičlánkové tensegrity struktury vybavené flexibilními senzory pro autonomní rozpoznávání stavu a tvarů. Systém ukazuje potenciál pro průzkum náročných prostředí, včetně vesmírných misí. Zdroj: nature.com

Qwen3.7-Plus: Alibaba chce proměnit multimodální AI v autonomního agenta

Tým Qwen od Alibaby vydal model Qwen3.7-Plus, multimodálního agenta kombinujícího vizuální vnímání, ovládání GUI a psaní kódu v jediné smyčce. Cílem je vytvořit plnohodnotného autonomního agenta schopného samostatně plnit složité úkoly. Zdroj: the-decoder.com

How Cosmos 3 Helps Physical AI Think Before It Acts

The new, open NVIDIA world foundation model brings vision reasoning, multimodal generation and action prediction together to help robots,... Zdroj: blogs.nvidia.com

Google představil Gemini Omni – multimodální AI model pro tvorbu a střih videa

Nový model Gemini Omni od Googlu umožňuje generovat a upravovat videa na základě textových promptů, ručně kreslených skic, ilustrací nebo existujících videí jako stylistických referencí. Model podporuje i strukturované skripty pro přesnější kontrolu nad výsledným obsahem. Zdroj: adgully.com