ModelBest abre MiniCPM-V 4.7: un modelo de 35B ocupa 3 GB en el móvil
MiniCPM-V 4.7 llega en dos versiones, 35B-A3B y 1B. El modelo MoE funciona en el iPhone 17 Pro Max con unos 3 GB de memoria y más de 13 tokens por segundo.
Noticias y análisis de IA multimodal
16 artículos verificados sobre IA multimodal, productos y movimientos del sector.
El modelo de decisión de Cloudflare ya ve vídeo y oye audio
Cloudflare presenta Clef-omni, un modelo de decisión de código abierto que admite audio y vídeo directamente; un vídeo de 21 segundos con sonido tarda unos 1,5 s.
Alibaba lanza modelo de traducción simultánea, la latencia baja a 2,3 segundos
Qwen3.8-LiveTranslate de Alibaba reduce la latencia media por carácter a 2,3 segundos, entiende 60 idiomas y habla 29, con página de demostración y API disponibles.
El equipo de Fei-Fei Li presenta Atlas, video controlable en 1440p de un minuto
World Labs presenta Atlas, un modelo omni de inteligencia espacial que genera videos 1440p de un minuto con cámara controlable y reconstruye escenas 3D a partir de fotos.
WeChat libera modelo de embedding multimodal y lidera el MMEB-v2
El equipo de Visión de WeChat, de Tencent, presentó WeMM-Embedding: la versión de 2B supera al Qwen3-VL-Embedding-8B, cuatro veces más grande, en el ranking MMEB-v2.
DeepSeek lanza versión experimental de visión con tope de 384 tokens por imagen
DeepSeek lanza deepseek-v4-flash-vision-exp, primer modelo V4 con visión, con tope de 384 tokens por imagen y los mismos precios de V4-Flash.
SenseTime abre el código de U1.5, el modelo de 8B genera imágenes 4K nativas de forma directa
SenseTime lanzó SenseNova-U1.5-8B-MoT bajo licencia Apache 2.0, con generación nativa en 4K y edición de imagen junto con control preciso integrados en un solo modelo.
Doubao estrena videollamadas con IA
SeedRealtime de ByteDance ya está en la función de llamada de Doubao, llevando IA audiovisual full-duplex a una app de consumo.
Inkling Small se acerca al modelo 975B
Thinking Machines publicó Inkling-Small con pesos abiertos, 276B parámetros totales, 12B activos, entrada multimodal y resultados cercanos al Inkling de 975B.
MiniMax abrirá su modelo de video H3
MiniMax H3 combina video 2K de 15 segundos, estéreo nativo, precio de 0,8 yuanes por segundo y promesa de pesos abiertos.
ByteDance apunta a flujos de diseno con Seedream 5.0 Pro
ByteDance apunta a flujos de diseno con Seedream 5.0 Pro se reescribe para lectores tecnologicos en espanol, conservando cifras clave, limites del producto y preguntas abiertas.
Qwen3.7-Plus de Alibaba añade visión y bucles de agente
La versión multimodal de Qwen3.7-Max lee imagen y video, pero Alibaba enfatiza iteración autónoma, herramientas y autoevaluación.
Alibaba lanza Qwen3.7-Plus como un agente que escribe y se prueba solo
Alibaba presentó Qwen3.7-Plus el 2 de junio con entrada multimodal, llamadas a herramientas, escritura de código y pruebas automáticas.
Alibaba lanza Qwen3.5-Omni: modelo unificado de texto, audio, vídeo y clonación de voz
El equipo Qwen de Alibaba ha lanzado Qwen3.5-Omni, su primer modelo verdaderamente multimodal que procesa texto, imágenes, audio y vídeo en una sola arquitectura, con clonación de voz en tiempo real.
Qwen3.5 admite 201 idiomas, Alibaba acelera la globalización
Alibaba lanza Qwen3.5 con 397 mil millones de parámetros, ampliando la compatibilidad de idiomas de 82 a 201, integrando multimodalidad nativa y marcando el giro de chatbot a Agente de IA.
Kimi K2.5 descompone tareas complejas con 100 agentes
Moonshot AI lanzó Kimi K2.5, que incorpora multimodalidad nativa y la función Agent Swarm sobre K2, permitiendo dividir tareas complejas en múltiples subtareas ejecutadas en paralelo por agentes independientes.