Subiect: #AI multimodal
NVIDIA lovește din nou: Nemotron 3.5 Super VL, modelul multimodal de 120 de miliarde de parametri care rescrie regulile jocului
NVIDIA a lansat Nemotron 3.5 Super VL, un model multimodal open-source de 120 de miliarde de parametri, capabil de raționament avansat, procesare vizuală și comportament de agent autonom. Lansarea consolidează poziția NVIDIA în cursa AI și oferă dezvoltatorilor o unealtă puternică pentru aplicații enterprise.
Cloudflare lansează Clef-omni: Un model multimodal de decizie de 30B-A3B care înțelege audio, video, imagini și text
Cloudflare a lansat Clef-omni, un model multimodal de decizie cu 30 de miliarde de parametri (A3B), capabil să proceseze nativ audio, video, imagini și text. Cu ponderele deschise și integrare în rețeaua edge globală, modelul promite să democratizeze AI multimodală și să deschidă aplicații revoluționare în medicină, securitate și servicii pentru clienți.
Liquid AI scapă pe piață modelele d1-3B și d1-omni-600M: AI-ul care ia decizii fără să scrie niciun cuvânt
Liquid AI a lansat două modele open-weight, d1-3B și d1-omni-600M, care nu generează text, ci iau decizii. O schimbare de paradigmă care ar putea redefini modul în care gândim despre AI în robotică, sisteme autonome și aplicații embedded.
Liquid AI sparge bariera vitezei: LFM2.5-VL-3B-DSpark aduce decodare speculativă în lumea modelelor vizual-lingvistice
Liquid AI a lansat LFM2.5-VL-3B-DSpark, un model vizual-lingvistic care folosește decodarea speculativă pentru a genera răspunsuri de până la 3,13 ori mai rapid. O inovație care ar putea schimba felul în care interacționăm cu AI-ul multimodal.
Qwen3.7-Plus: Alibaba lansează un nou model revoluționar cu viziune, raționament profund și autonomie pe platforma Bailian
Alibaba a lansat Qwen3.7-Plus pe platforma Bailian, un model multimodal care combină viziune computațională, raționament profund, invocare de unelte externe și capacitate de iterație autonomă. Lansarea accelerează competiția globală în AI și oferă dezvoltatorilor europeni o alternativă serioasă la modelele occidentale, cu implicații directe pentru companiile care construiesc aplicații agentice complexe.
Google Gemini Omni transformă imagini, audio și text în video – și acesta e doar începutul
Google a lansat Gemini Omni, o nouă familie de modele multimodale care combină imagini, audio, text și video pentru a genera conținut coerent. Primul model, Omni Flash, este disponibil din 26 mai 2026 în aplicația Gemini, YouTube Shorts și Flow, permițând crearea de videoclipuri de 10 secunde, editare foto prin text și generare de avataruri digitale. Google promite că Omni va înțelege fizica, cultura și știința, iar în viitor va fi disponibil și pentru uz enterprise prin API.
Automatizarea fluxurilor de lucru financiar complexe prin intermediul inteligenței artificiale multimodale
Liderii din sectorul financiar adoptă cadre de inteligență artificială multimodală pentru a automatiza fluxuri de lucru complexe, depășind limitările sistemelor OCR tradiționale și îmbunătățind semnificativ acuratețea în procesarea documentelor.