ModelBest ouvre MiniCPM-V 4.7 : un modèle de 35 Md tient en 3 Go sur mobile
MiniCPM-V 4.7 sort en deux versions, 35B-A3B et 1B. Le modèle MoE tourne sur l'iPhone 17 Pro Max avec environ 3 Go de mémoire et plus de 13 tokens par seconde.
Actualités et analyses : IA multimodale
16 articles vérifiés sur IA multimodale, les produits et le secteur.
Le modèle de décision de Cloudflare voit désormais la vidéo et entend l'audio
Cloudflare dévoile Clef-omni, un modèle de décision open source qui accepte directement audio et vidéo ; une vidéo sonore de 21 secondes est traitée en 1,5 s environ.
Alibaba lance un modèle de traduction simultanée, la latence tombe à 2,3 secondes
Qwen3.8-LiveTranslate d'Alibaba réduit la latence moyenne par caractère à 2,3 secondes, comprend 60 langues et en parle 29, avec une page de démonstration et une API disponibles.
L'équipe de Fei-Fei Li dévoile Atlas, vidéo pilotable en 1440p d'une minute
World Labs dévoile Atlas, un modèle omni d'intelligence spatiale qui génère des vidéos 1440p d'une minute à caméra pilotable et reconstruit des scènes 3D à partir de photos.
WeChat passe en open source son modèle d'embedding multimodal, en tête du MMEB-v2
L'équipe Vision de WeChat, chez Tencent, a publié WeMM-Embedding : la version 2B dépasse Qwen3-VL-Embedding-8B, quatre fois plus grand, sur le classement MMEB-v2.
DeepSeek lance une version test de vision plafonnée à 384 tokens par image
DeepSeek lance deepseek-v4-flash-vision-exp, premier modèle V4 doté de vision, plafonné à 384 tokens par image, aux tarifs de V4-Flash.
SenseTime passe U1.5 en open source, un modèle de 8B génère du 4K natif en direct
SenseTime a publié SenseNova-U1.5-8B-MoT sous licence Apache 2.0, avec génération native en 4K et édition d'image et contrôle précis réunis dans un seul modèle.
Doubao lance les appels vidéo IA
SeedRealtime de ByteDance arrive dans le flux d'appel de Doubao et met l'IA audiovisuelle full-duplex dans une application grand public.
Inkling Small approche le modèle 975B
Thinking Machines a publié Inkling-Small en open weights, avec 276B paramètres au total, 12B actifs, des entrées multimodales et des scores proches du modèle Inkling 975B.
MiniMax veut ouvrir son modèle vidéo H3
MiniMax H3 combine vidéo 2K de 15 secondes, stéréo native, prix de 0,8 yuan par seconde et promesse de poids ouverts.
ByteDance vise les workflows de design avec Seedream 5.0 Pro
ByteDance vise les workflows de design avec Seedream 5.0 Pro est repris pour des lecteurs tech francophones, avec les chiffres, les limites produit et les points de verification essentiels.
Qwen3.7-Plus d’Alibaba ajoute vision et boucles agent
La version multimodale de Qwen3.7-Max lit images et vidéos, mais Alibaba met l’accent sur l’itération autonome.
Alibaba présente Qwen3.7-Plus comme un agent capable de se tester
Alibaba a lancé Qwen3.7-Plus le 2 juin, avec l’entrée multimodale, les appels d’outils, le code et les tests autonomes comme arguments clés.
Alibaba dévoile Qwen3.5-Omni : un modèle unifié texte, audio, vidéo et clonage vocal
L'équipe Qwen d'Alibaba a publié Qwen3.5-Omni, son premier modèle véritablement multimodal capable de traiter texte, images, audio et vidéo dans une seule architecture, avec clonage vocal en temps réel.
Qwen3.5 prend en charge 201 langues, Alibaba accélère la mondialisation
Alibaba publie Qwen3.5 avec 397 milliards de paramètres, étendant la prise en charge des langues de 82 à 201, intégrant la multimodalité native et marquant le passage du chatbot à l'agent d'IA.
Kimi K2.5 décompose les tâches complexes avec 100 agents
Moonshot AI a lancé Kimi K2.5, qui ajoute la multimodalité native et la fonction Agent Swarm à K2, permettant de diviser une tâche complexe en plusieurs sous-tâches exécutées en parallèle par des agents indépendants.