AIskimIQ

Štítek: Multimodal

113 článků

Google unveils Gemini Omni, a multimodal AI model that generates video from text, images, and audio

Google DeepMind unveiled Gemini Omni at Google I/O, a multimodal AI model family for video generation with implications for decentralized compute and Web3... Zdroj: cryptobriefing.com

ByteDance vydal multimodální model Lance jako open source

ByteDance zveřejnil multimodální model Lance, nativně jednotný systém zvládající porozumění, generování i editaci obrázků a videí. Model je dostupný jako open source a představuje ByteDance jako vážného hráče v oblasti unifikovaných multimodálních AI systémů. Zdroj: letsdatascience.com

Vzestup multimodálních LLM mění podobu AI

Přední odborníci na AI diskutovali o multimodálních systémech, senzorickém počítání a rizicích pro soukromí. Téma budoucí spolupráce člověka se strojem a využití robotiky patřilo k hlavním bodům debaty. Zdroj: forbes.com

ByteDance vydal Lance: jeden model pro obrázky i video

ByteDance představil Lance, nativně unifikovaný multimodální model s 3 miliardami parametrů určený pro porozumění, generování a editaci obrázků i videí. Jde o jeden model pokrývající tři klíčové modality najednou. Zdroj: marktechpost.com

Google představil Gemini Omni: obraz, text, video i zvuk v jednom výstupu

Na Google I/O 2026 představil technologický gigant nový multimodální AI model Gemini Omni, který dokáže vytvářet a upravovat videa pomocí textu, obrázků, zvuku i videa. Model spojuje všechny čtyři modality do jediného výstupu, což výrazně rozšiřuje možnosti generativní AI. Zdroj: ndtvprofit.com

Gemini Omni Flash přidává multimodální tvorbu videí do ekosystému Googlu

Google odhalil Gemini Omni, nový multimodální AI model určený ke generování a editaci videí. Model pracuje s kombinací textu, obrázků, zvuku a videa jako vstupních podnětů. Zdroj: indianexpress.com

Google míří na AI agenty i generování videa s Gemini 3.5 Flash a Omni

Google představil dva nové generativní AI modely, které posouvají řadu Gemini dále do oblasti agentických systémů a multimodální tvorby obsahu. Gemini 3.5 Flash a Omni rozšiřují možnosti automatizace i kreativní produkce. Zdroj: siliconangle.com

Google targets AI agents and video generation with Gemini 3.5 Flash and Omni

Google LLC today introduced two new generative artificial intelligence models that push its Gemini family further into AI agents and multimodal creation:... Zdroj: siliconangle.com

Google unveils Gemini Omni 'any-to-any' AI model: what enterprises should know

The model marks Google's bid to collapse the multimodal generative stack — text-to-image, image-to-video, video-to-video, audio generation — into a single... Zdroj: venturebeat.com

Google’s Gemini Omni turns images, audio, and text into video — and that’s just the start

Google's Gemini Omni is a new multimodal model that reasons across text, images, audio, and video to generate and edit videos through simple conversation... Zdroj: techcrunch.com

Google rolls out Gemini Omni AI for video generation and editing

Google has officially introduced Gemini Omni, a multimodal AI model that integrates reasoning abilities with creative generation across video, image, audio,... Zdroj: testingcatalog.com

ByteDance's Lance Puts Open, Efficient Multimodal AI Within Reach

ByteDance released Lance, a 3B-parameter multimodal model under Apache 2.0, offering open, commercially usable image and video generation and editing. Zdroj: startupfortune.com

Wirestock získal 23 milionů dolarů na rozšíření AI datové platformy

Wirestock uzavřel Series A financování ve výši 23 milionů dolarů. Společnost chce urychlit svůj růst a stát se předním dodavatelem eticky získaných multimodálních dat pro trénink AI modelů. Zdroj: citybiz.co

SenseTime Releases SenseNova U1: Native Unified Architecture Marks End of 'Stitching' Era

SenseTime's open-source SenseNova U1 model represents a paradigm shift in multimodal architecture — unifying understanding and generation in a single... Zdroj: pandaily.com

DeepBrain AI přidává Seedance 2.0 do AI STUDIOS

DeepBrain AI oznámil integraci modelu Seedance 2.0 od ByteDance do své platformy AI STUDIOS. Přestože jde o stejný model, firma slibuje výrazně odlišné výsledky díky vlastnímu přístupu k jeho nasazení. Zdroj: markets.businessinsider.com

Elastic uvádí Jina v5 Omni: multimodální vyhledávání textu, obrázků, videa i zvuku

Elastic představil novou rodinu multimodálních embedding modelů jina-embeddings-v5-omni. Modely jsou navrženy pro vyhledávání napříč textem, obrázky, videem a zvukem v rámci platformy Search AI. Zdroj: businesswire.com

Shofo: Něco jako Common Crawl pro video, prodáváno AI laboratořím

Přední AI laboratoře závodí ve vývoji multimodálních modelů a všechny narážejí na stejný problém – nedostatek kvalitních videodát. Textová i obrazová data jsou do značné míry vyčerpána, video se tak stává novým klíčovým zdrojem pro trénink modelů. Zdroj: startuphub.ai

Gemini Embedding 2: multimodální RAG a další možnosti pro vývojáře

Google zpřístupnil Gemini Embedding 2, unifikovaný multimodální model, který převádí text, obrázky, video i audio do jednotného vektorového prostoru. Příspěvek na blogu ukazuje, jak model využít při budování agentních multimodálních RAG systémů. Zdroj: developers.googleblog.com

NVIDIA Nemotron 3 Nano Omni: multimodální agent v jediném efektivním modelu

Agentní systémy dnes musí zpracovávat obrazovky, dokumenty, audio, video i text v rámci jediné smyčky od vnímání k akci. NVIDIA Nemotron 3 Nano Omni je otevřený multimodální model navržený právě pro tyto scénáře, který zvládá komplexní uvažování bez nutnosti kombinovat více specializovaných modelů. Zdroj: developer.nvidia.com

Nvidia odhaluje zákulisí moderního multimodálního modelu s Nemotron 3 Nano Omni

Nvidia vydala otevřený multimodální model Nemotron 3 Nano Omni podporující text, obraz, video i zvuk. Zajímavý je nejen jeho výkon, ale také pohled do architektury a přístupů, které stojí za moderními multimodálními systémy. Zdroj: the-decoder.com