#multimodal — tin AI mới nhất

Cộng đồng LocalLLaMA chia sẻ demo chưa được xác minh: MiniCPM-V 4.7 chạy mô hình đa phương thức 35B trên điện thoại với khoảng 3 GB bộ nhớ — Một bài đăng chưa được xác minh trên cộng đồng LocalLLaMA giới thiệu demo của OpenBMB, trong đó MiniCPM-V 4.7 — mô hình thị giác-ngôn ngữ 35B-A3B dạng mixture-of-experts — được cho là chạy cục bộ…
Clef-omni: Khi nào nên thử AI xử lý ảnh, âm thanh và video cùng lúc? — Cloudflare ra mắt Clef-omni, mô hình quyết định nhận văn bản, ảnh, âm thanh và video trong một lần gọi API. Doanh nghiệp nên thử ở quy trình hẹp, đo chất lượng, chi phí media và giữ con người kiểm…
Cortex lưu giữ cải thiện từ ngữ cảnh vào bộ nhớ tham số của mô hình ngôn ngữ — Các nhà nghiên cứu giới thiệu Cortex, một phương pháp biến những cải thiện do ngữ cảnh tạm thời mang lại thành thay đổi được lưu bên trong tham số của mô hình ngôn ngữ, đồng thời cố gắng bảo toàn…
VideoJev: Mô hình hợp nhất cho hiểu và tương tác với video — VideoJev là một dòng mô hình được thiết kế để giúp các tác tử thị giác hiểu video và quyết định bước tiếp theo. Thay vì tạo câu trả lời từng từ, mô hình chấm điểm các khoảng thời gian và lựa chọn…
openbmb/MiniCPM-V-4.7-35B-A3B — MiniCPM-V 4.7 là mô hình mới nhất trong dòng MiniCPM-V của OpenBMB, được phát hành dưới dạng biến thể 35B-A3B và là mô hình MoE (mixture-of-experts) đầu tiên của dòng này. Mô hình hỗ trợ hiểu ảnh…
Decision 3.0: các mô hình quyết định đa phương thức mã nguồn mở từ 0.6B đến 27B. Xếp hạng #1 trên cả hai bảng Jev Decision Index — Decision 3.0 (d3) là họ mô hình mã nguồn mở theo giấy phép Apache-2.0 với quy mô từ 0.6B đến 27B tham số, được phát hành cùng nhóm vLLM Semantic Router. Mô hình được xây dựng trên Qwen3.5…
EviScene đánh giá tính xác thực của tình huống trong ảnh bằng bằng chứng — Các nhà nghiên cứu giới thiệu một phương pháp đánh giá liệu tình huống trong ảnh có được thực tế hỗ trợ hay không, thay vì chỉ xác định ảnh có phải do AI tạo ra. Bộ đánh giá EviLens gồm 10.174 ảnh…
Cloudflare ra mắt Clef-omni đa phương thức, tăng tốc Clef và giảm giá Clef-flash — Cloudflare đã phát hành Clef-omni, một mô hình ra quyết định có trọng số mở có thể xử lý đồng thời văn bản, hình ảnh, âm thanh và video trong một lệnh gọi API. Công ty cũng hạ giá Clef-flash xuống…
MiMo-V2.6: Mở rộng quy mô học tăng cường hướng tới tự cải thiện — Báo cáo MiMo-V2.6 giới thiệu một họ mô hình omni-modal được huấn luyện bằng cách mở rộng tài nguyên tính toán cho học tăng cường (RL), sau giai đoạn mid-training trên kho dữ liệu đa phương thức rộng…
Các mô hình ra quyết định đa phương thức mở d1 cho thiết bị biên — Một bài blog có tiêu đề 'Multimodal open d1 decision models for the edge' dường như giới thiệu hoặc thảo luận về các mô hình ra quyết định đa phương thức, mở, hướng đến triển khai trên thiết bị…
EmbeddingGemma 2: mô hình embedding đa phương thức mở và nhẹ — Một bài blog công bố EmbeddingGemma 2, được mô tả trong tiêu đề là mô hình embedding đa phương thức mở và nhẹ. Bài viết không có phần trích dẫn hay chi tiết bổ sung (như kiến trúc, benchmark hoặc…
VisionWeave: Dệt các biểu diễn thị giác co giãn như một năng lực gốc của MLLM — VisionWeave là một bài báo đề xuất 'elastic visual representation weaving' (dệt biểu diễn thị giác co giãn), một năng lực gốc cho phép MLLM tự học từ đầu đến cuối việc phân bổ biểu diễn thị giác ở…
Nghe thế giới bằng âm thanh nổi: Học tương ứng không gian động cho tạo video-âm thanh đồng thời mang tính nhập vai — Bài báo giới thiệu StereoBind, một khung làm việc cho việc tạo video-âm thanh đồng thời, sinh ra âm thanh stereo có vị trí nguồn âm thay đổi theo chuyển động của nguồn hình ảnh, thuộc tính được gọi…
Giới thiệu Quine: Hệ thống nghiên cứu AI được thiết kế cho sự phức tạp của sinh học — Microsoft Research giới thiệu Quine, một nỗ lực nghiên cứu giai đoạn đầu nhằm xây dựng mô hình thế giới đa phương thức cho sinh học. Bằng cách kết nối thông tin chi tiết giữa các thang đo và phương…
Giới thiệu Gemini 3.8 Live với Live Avatar — Một bài blog có tiêu đề "Introducing Gemini 3.8 Live with Live Avatar" công bố sản phẩm Gemini 3.8 Live, có tính năng tên là Live Avatar. Bài không có phần trích dẫn hay chi tiết thêm, nên chưa rõ…
Repository mới: QwenLM/Qwen-Live-Harness — QwenLM vừa công bố repository mã nguồn mở mới có tên Qwen-Live-Harness. Đây là một agent harness xây dựng trên Qwen Omni Realtime API, có khả năng nhìn, nghe và hành động, đồng thời tích hợp sẵn bộ…
Phát hành DeepSeek-V4-Flash-Vision-Exp: API đa phương thức đã chính thức hoạt động — DeepSeek thông báo DeepSeek-V4-Flash-Vision-Exp hiện đã có trên DeepSeek API Platform. Bản phát hành được mô tả là API đa phương thức, với khả năng xử lý hình ảnh được thể hiện qua tên mô hình. Đoạn…
Giới thiệu Shieldstral. — Shieldstral là một bộ phân loại an toàn đa phương thức 3B với trọng số mở vừa được giới thiệu. Theo thông báo, mô hình này vượt trội hơn các mô hình có kích thước lớn hơn tới 7 lần.
Giới thiệu Muse Image và Muse Video — Bài đăng trên blog giới thiệu Muse Image và Muse Video. Muse Image được mô tả là tuân thủ hướng dẫn chính xác, chỉnh sửa tỉ mỉ, kết hợp nhiều hình ảnh tham chiếu và khai thác ngữ cảnh xã hội từ…
Qwen-Image-Edit: Chỉnh sửa ảnh với chất lượng và hiệu quả cao hơn — Qwen-Image-Edit là phiên bản chỉnh sửa ảnh của mô hình Qwen-Image 20B, mở rộng khả năng hiển thị văn bản của Qwen-Image sang tác vụ chỉnh sửa văn bản chính xác trong ảnh. Mô hình đưa đồng thời ảnh…
Qwen VLo: Từ "hiểu" thế giới đến "khắc họa" thế giới — Qwen VLo là mô hình đa phương thức thống nhất mới, vừa hiểu vừa tạo ra hình ảnh, kế thừa các mô hình Qwen VL và Qwen2.5 VL trước đó vốn tập trung vào khả năng hiểu hình ảnh. Thông báo mô tả mô hình…