ModelBest veröffentlicht MiniCPM-V 4.7: 35B-Modell belegt 3 GB auf dem Handy
MiniCPM-V 4.7 erscheint als 35B-A3B und 1B. Das MoE-Modell läuft auf dem iPhone 17 Pro Max mit rund 3 GB Speicher und über 13 Token pro Sekunde.
multimodale KI: News und Analysen
15 geprüfte Beiträge zu multimodale KI, Produkten und Branchenentwicklungen.
Cloudflares Entscheidungsmodell versteht jetzt Video und Audio
Cloudflare stellt das quelloffene Entscheidungsmodell Clef-omni vor, das Audio und Video direkt verarbeitet; ein 21-Sekunden-Video mit Ton dauert rund 1,5 Sekunden.
Alibaba stellt Livedolmetsch-Modell vor, Verzögerung sinkt auf 2,3 Sekunden
Alibabas Qwen3.8-LiveTranslate senkt die durchschnittliche Verzögerung beim Simultandolmetschen auf 2,3 Sekunden, versteht 60 Sprachen und spricht 29 – inklusive Demo-Seite und API.
Fei-Fei Lis Team stellt Atlas vor: steuerbares 1440p-Video für eine Minute
World Labs stellt mit Atlas ein Omni-Modell für räumliche Intelligenz vor, das kamerasteuerbare 1440p-Videos erzeugt und 3D-Szenen aus wenigen Fotos rekonstruiert.
Tencent macht WeChats multimodales Embedding-Modell quelloffen und führt MMEB-v2 an
Das WeChat-Vision-Team von Tencent hat WeMM-Embedding veröffentlicht: Die 2B-Version übertrifft das viermal größere Qwen3-VL-Embedding-8B bei MMEB-v2.
DeepSeek startet Vision-Testversion, Obergrenze 384 Token pro Bild
DeepSeek veröffentlicht deepseek-v4-flash-vision-exp, das erste V4-Modell mit Bildverständnis – gedeckelt bei 384 Token pro Bild, Preise wie V4-Flash.
SenseTime öffnet U1.5 quellcodeoffen, 8B-Modell erzeugt native 4K-Bilder direkt
SenseTime veröffentlicht SenseNova-U1.5-8B-MoT unter Apache 2.0 mit nativer 4K-Generierung und vereint Bildbearbeitung sowie präzise Steuerung in einem einzigen Modell.
Inkling Small rückt an 975B-Modell heran
Thinking Machines hat Inkling-Small als Open-Weights-Modell veröffentlicht: 276B Gesamtparameter, 12B aktiv, multimodale Eingaben und mehrere Werte nahe am 975B-Flaggschiff Inkling.
MiniMax will H3-Videomodell öffnen
MiniMax H3 verbindet 2K-Video bis 15 Sekunden, natives Stereo, RMB 0,8 pro Sekunde und angekündigte offene Gewichte.
ByteDance zielt mit Seedream 5.0 Pro auf Design-Workflows
ByteDance zielt mit Seedream 5.0 Pro auf Design-Workflows wird fuer deutschsprachige Tech-Leser eingeordnet, mit den zentralen Zahlen, Produktversprechen und offenen Pruefpunkten.
Alibabas Qwen3.7-Plus ergänzt Vision und Agent-Loops
Die multimodale Version von Qwen3.7-Max kann Bilder und Video lesen, doch Alibaba betont autonome Iteration, Tool-Nutzung und Selbsttests.
Alibaba macht Qwen3.7-Plus zum selbstprüfenden Agentenmodell
Alibaba stellte Qwen3.7-Plus am 2. Juni vor und betont multimodale Eingaben, Tool-Aufrufe, Code-Erstellung und autonome Tests.
Alibaba veröffentlicht Qwen3.5-Omni: Text, Audio, Video und Sprachklonierung in einem Modell
Alibabas Qwen-Team hat Qwen3.5-Omni veröffentlicht, das erste wirklich multimodale Modell des Unternehmens, das Text, Bilder, Audio und Video in einer einzigen Architektur verarbeitet und Echtzeit-Sprachklonierung bietet.
Qwen3.5 unterstützt 201 Sprachen – Alibaba beschleunigt die Globalisierung
Alibaba veröffentlicht Qwen3.5 mit 397 Milliarden Parametern, erweitert die Sprachunterstützung von 82 auf 201, integriert native Multimodalität und markiert den Wandel vom Chatbot zum KI-Agenten.
Kimi K2.5 zerlegt komplexe Aufgaben mit 100 Agents
Moonshot AI hat Kimi K2.5 veröffentlicht, das auf K2 native multimodale Fähigkeiten und Agent Swarm ergänzt – eine Funktion, die komplexe Aufgaben in viele Teilaufgaben zerlegt und parallel von unabhängigen Agents bearbeiten lässt.