tag: Multimodal AI

vLLM Semantic Router เปิดตัว d3-ultra โมเดลแบบ open-weight ขนาด 27B ที่สามารถประมวลผลข้อความ รูปภาพ และวิดีโอได้ในครั้งเดียวเพื่อส่งคืนค่าความน่าจะเป็นสำหรับการตัดสินใจโดยเฉพาะ

Liquid AI เปิดตัว d1-ultra โมเดลตัดสินใจสำหรับข้อความและรูปภาพที่รันแบบ one forward pass โดยไม่ต้องสร้าง output tokens ทำคะแนนสูงสุดอันดับ 1 บน Artificial Analysis Decision Index

Liquid AI เปิดตัว Open d1 โมเดล Multimodal แบบ open-weight สองรุ่นใหม่ d1-3B และ d1-omni-600M ชูจุดเด่นการส่งคืนคำตอบแบบความน่าจะเป็นได้ทันทีโดยไม่ต้องสร้างข้อความ ช่วยให้ตัดสินใจได้แบบเรียลไทม์

Google เปิดตัวโมเดล EmbeddingGemma 2 พร้อมแอป AI Edge Foresight สำหรับ Mac ชูจุดเด่นด้านการเปลี่ยนบันทึกสั้นให้เป็นสรุปเนื้อหาฉบับเต็มจากการบันทึกเสียง โดยประมวลผลบนตัวเครื่องทั้งหมดเพื่อความเป็นส่วนตัว

Google เปิดตัว EmbeddingGemma 2 โมเดล Open Model ขนาดไม่ถึง 1B ที่รองรับการค้นหาข้ามรูปแบบทั้งข้อความ โค้ด ภาพ วิดีโอ และเสียง พร้อมเทคโนโลยีประหยัดพื้นที่จัดเก็บข้อมูล

Google เปิดตัว EmbeddingGemma 2 โมเดล Multimodal Embedding น้ำหนักเบาที่รองรับทั้งข้อความ โค้ด รูปภาพ วิดีโอ และเสียง ออกแบบมาเพื่อการประมวลผลบนอุปกรณ์โดยเฉพาะด้วยพารามิเตอร์เพียง 740 ล้านตัว

Rho-1 คือ omni-model ขนาด 1.9 หมื่นล้านพารามิเตอร์ที่ประมวลผลได้ทั้งข้อความ ภาพ วิดีโอ และการสั่งการหุ่นยนต์ในระบบเดียวโดยไม่ต้องพึ่งพาโมเดลภายนอก

สรุปผลงานการใช้ Gemini 3.8 Flash ในการสร้างแบบจำลอง 3D ทั้งวิถีโคจรดาวเทียม โครงกระดูกไดโนเสาร์ และระบบเกียร์อัตโนมัติที่ซับซ้อนด้วยความสามารถในการให้เหตุผลหลายขั้นตอน

NeoMME เป็นตระกูลโมเดล Multimodal Encoder รุ่นใหม่ที่ใช้ Transformer เพียงตัวเดียวประมวลผลทั้งภาพและข้อความ ให้ประสิทธิภาพสูงในการค้นหาเอกสารภาพและรองรับหลายภาษา

คู่มือการสร้างระบบผลิตสื่อมัลติโมดัลด้วย MiniMax-H3 โดยใช้ ComfyUI เป็นระบบหลังบ้านแบบ Headless เพื่อควบคุมการทำงานอัตโนมัติ ตั้งแต่การตรวจสอบฮาร์ดแวร์จนถึงการถอดรหัสวิดีโอและเสียง

Meta เปิดตัว Muse Glimmer โมเดล multimodal แบบ Open-Weights ขนาด 30B ภายใต้ลิขสิทธิ์ Apache 2.0 ที่ถูกปรับแต่งให้มีความเร็วสูงและใช้ VRAM ต่ำเพียง 24 GB เหมาะสำหรับงาน Agent ในพื้นที่

ทีม Seed ของ ByteDance เปิดตัว SeedRealtime โมเดลภาษาขนาดใหญ่ที่รวมการประมวลผลเสียง วิดีโอ และข้อความเข้าด้วยกันในสถาปัตยกรรมเดียว ช่วยให้โต้ตอบแบบมัลติโมดัลได้ต่อเนื่องและเป็นธรรมชาติเสมือนมนุษย์

MiniMax เปิดตัวโมเดล AI ใหม่ MiniMax H3 ที่สามารถประมวลผลข้อความ ภาพ วิดีโอ และเสียงได้ในบริบทเดียวกัน เพื่อสร้างวิดีโอความละเอียด 2K ความยาวสูงสุด 15 วินาทีพร้อมเสียงสเตอริโอคุณภาพสูง

Black Forest Labs เปิดตัว FLUX 3 โมเดลพื้นฐานแบบ Multimodal รุ่นแรกที่สามารถทำนายวิดีโอ เสียง และการเคลื่อนไหวของหุ่นยนต์ได้จากชุดน้ำหนักเพียงชุดเดียว โดยใช้สถาปัตยกรรม Self-Flow เพื่อความสมจริงระดับสูงสุด

Meta เปิดตัว Muse Spark 1.1 พร้อม Meta Model API ในเวอร์ชัน Public Preview ชูจุดเด่นด้านการใช้เครื่องมือ (Tool Use) และ Context Window ขนาด 1 ล้านโทเค็นที่บีบอัดข้อมูลได้เอง แม้ด้านการเขียนโค้ดยังเป็นรองคู่แข่งรายใหญ่