tag: Multimodal

Liquid AI ปล่อย LFM3 โมเดลขนาดกะทัดรัดระดับ 2B จำนวน 6 รุ่นที่รองรับทั้งข้อความ ภาพ และเสียง โดดเด่นด้วยการใช้หน่วยความจำเพียง 1 GB และรองรับ Context Window สูงถึง 256K

Liquid Foundation Models (LFMs) รุ่นล่าสุดมาพร้อม 6 โมเดลย่อยที่ครอบคลุมข้อความ ภาพ และเสียง บน backbone เดียวกัน ชูจุดเด่นด้านประสิทธิภาพสูงบนอุปกรณ์ Edge และรองรับการ Fine-tune ด้วย GPU เพียงตัวเดียว

Meta เปิดตัว Muse Spark Open โมเดล multimodal ขนาด 816 พันล้านพารามิเตอร์ที่รองรับทั้งข้อความ ภาพ เสียง และวิดีโอ โดยออกแบบมาเพื่อรองรับงาน Agentic Coding และการทำงานที่ซับซ้อนในระดับ Frontier

Apertus 1.5 อัปเกรดโมเดลขนาด 8B และ 70B ให้รองรับข้อมูลภาพและเสียง พร้อมโหมดการคิดและหน้าต่างบริบทกว้างขึ้น 4 เท่า ภายใต้แนวคิดเปิดกว้างทั้งชุดข้อมูลและกระบวนการฝึกฝน

Cloudflare เปิดตัว Clef-omni โมเดลแบบ open-weight ที่ประมวลผลข้อความ ภาพ เสียง และวิดีโอได้พร้อมกันในราคาประหยัด พร้อมอัปเกรด Clef รุ่นเดิมให้ทำงานเร็วขึ้น 2 เท่า

Liquid AI เปิดตัวโมเดลการตัดสินใจ d1-3B และ d1-omni-600M แบบ open-weight ชูจุดเด่นประมวลผลบนอุปกรณ์ปลายทางได้รวดเร็วและแม่นยำ พร้อมรองรับข้อมูลทั้งข้อความ ภาพ และเสียง

Mistral AI เปิดตัวโมเดล Multimodal รุ่นใหม่ Mistral Large 4 (ML4) ในรูปแบบ Public Preview โดดเด่นด้วยขนาด 1.05 ล้านล้านพารามิเตอร์ และประสิทธิภาพด้านความปลอดภัยไซเบอร์ที่เหนือกว่าคู่แข่ง

NeoMME เป็นตระกูลโมเดล Multimodal Encoder ขนาด 260M และ 800M ที่ประมวลผลทั้งข้อความและภาพดิบใน Transformer ตัวเดียว ช่วยลดภาระการคำนวณและทำความเร็วการดึงข้อมูลเอกสารภาพได้สูงสุด 51.3 หน้าต่อวินาที

Meta เปิดตัว Muse Glimmer โมเดล Multimodal ขนาด 30 พันล้านพารามิเตอร์ ภายใต้สัญญาอนุญาต Apache 2.0 ออกแบบมาเพื่อเป็น AI Agent ที่ประมวลผลบนเครื่องส่วนตัวได้อย่างรวดเร็วและปลอดภัย

Thinking Machines เปิดตัว Inkling โมเดล open source ขนาดมหึมาที่รองรับอินพุตทั้งภาพ ข้อความ และเสียงแบบเนทีฟ พร้อม Context Window สูงถึง 1 ล้านโทเค็น และความสามารถด้านการใช้เหตุผลระดับสูง