- Дата публикации
Что нового Google DeepMind представила Gemini Omni — мультимодальный ИИ для работы с видео, который умеет: - Редактировать видео через обычный диалог. Вы описываете правки текстом, ИИ по шагам меняет ...
Мультимодальность
Новости о мультимодальном ИИ: модели, работающие с текстом, изображениями, видео и аудио одновременно.
69 материалов
- Дата публикации
Amazon Nova Multimodal Embeddings: как искать по чертежам, графикам и отчётам, а не только по тексту
ai_productsЧто нового Amazon запустила Amazon Nova Multimodal Embeddings (MME) в составе Amazon Bedrock и связку с Amazon S3 Vectors. Это не просто ещё один «эмбеддер», а инструмент, который умеет кодировать в о...- Дата публикации
Что нового Google расширила возможности Gemini API File Search. Теперь это не просто поиск по текстовым файлам, а базовый строительный блок для RAG‑систем, которые работают и с текстом, и с изображени...- Дата публикации
OpenAI обновила ChatGPT: GPT‑5.5 Instant врёт вдвое реже и точнее подстраивается под пользователя
ai_productsЧто нового OpenAI обновила стандартную модель в ChatGPT: вместо GPT‑5.3 Instant теперь по умолчанию работает GPT‑5.5 Instant. Этот режим — «рабочая лошадка» сервиса: им пользуются сотни миллионов люде...- Дата публикации
Что нового IBM выпустила линейку Granite 4.1 — набор из нескольких семейств моделей под Apache 2.0: - Языковые модели Granite 4.1 - Архитектура: плотные decoder-only LLM. - Размеры: 3B, 8B и 3...- Дата публикации
Что нового Apple показала StereoFoley — фреймворк, который генерирует стереозвук из видео с частотой 48 кГц. Ключевой упор — не просто «фоновые эффекты», а точная привязка звука к объектам в кадре и п...- Дата публикации
NVIDIA Nemotron 3 Nano Omni: один ИИ для текста, видео, аудио и экранов с 9-кратным ростом скорости
ai_productsЧто нового NVIDIA представила Nemotron 3 Nano Omni — открытый мультимодальный ИИ, который одновременно понимает: - текст - изображения и скриншоты - видео - аудио - документы, таблицы, графики - графи...- Дата публикации
Что нового Anthropic систематизировала подходы к мультиагентным системам вокруг пяти конкретных паттернов координации. Это не очередная «архитектура ради архитектуры», а практическое руководство: како...- Дата публикации
Что нового Исследователи Google представили TIPSv2 — семейство vision-language‑энкодеров, которые лучше связывают текст с отдельными фрагментами изображения (патчами), а не только с картинкой целиком....- Дата публикации
Что нового Seed3D выпустила Seed3D 2.0 — обновлённую 3D foundation-модель для генерации объектов и сцен из картинок, видео и текста. Главные изменения по сравнению с Seed3D 1.0: - Двухстадийная Coarse...