tag: Multimodal AI

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