ModelBest mở mã nguồn MiniCPM-V 4.7, mô hình 35B chỉ chiếm 3GB trên điện thoại
MiniCPM-V 4.7 ra mắt hai phiên bản 35B-A3B và 1B. Bản MoE 35B chạy trên iPhone 17 Pro Max với khoảng 3GB bộ nhớ, trên 13 token/giây.
Tin tức và phân tích AI đa phương thức
16 bài đã kiểm chứng về AI đa phương thức, sản phẩm và diễn biến ngành.
Mô hình quyết định của Cloudflare xem được video, nghe được âm thanh
Cloudflare ra mắt Clef-omni, mô hình quyết định mã nguồn mở nhận trực tiếp âm thanh và video; video 21 giây có tiếng cho kết quả sau khoảng 1,5 giây.
Alibaba ra mắt mô hình phiên dịch thời gian thực, độ trễ còn 2,3 giây
Qwen3.8-LiveTranslate của Alibaba giảm độ trễ trung bình mỗi từ xuống 2,3 giây, hiểu 60 ngôn ngữ và nói được 29 ngôn ngữ, kèm trang trải nghiệm và API.
Nhóm của Fei-Fei Li ra mắt Atlas, video 1440p có thể điều khiển dài 1 phút
World Labs ra mắt Atlas, mô hình toàn diện cho trí tuệ không gian, tạo video 1440p dài 1 phút với camera điều khiển được và tái dựng cảnh 3D chỉ từ vài bức ảnh.
WeChat mã nguồn mở mô hình embedding đa phương thức, dẫn đầu MMEB-v2
Đội ngũ Thị giác WeChat của Tencent mở mã WeMM-Embedding: bản 2B vượt qua Qwen3-VL-Embedding-8B lớn gấp bốn lần trên bảng xếp hạng MMEB-v2.
DeepSeek ra mắt bản Vision thử nghiệm, giới hạn 384 token mỗi ảnh
DeepSeek ra mắt deepseek-v4-flash-vision-exp, mẫu V4 đầu tiên có thị giác, giới hạn 384 token mỗi ảnh, giá giữ nguyên như V4-Flash.
SenseTime mã nguồn mở U1.5, mô hình 8B tạo ảnh 4K gốc trực tiếp
SenseTime phát hành chính thức SenseNova-U1.5-8B-MoT theo giấy phép Apache 2.0, tạo ảnh 4K gốc và gộp chỉnh sửa ảnh, kiểm soát chính xác vào cùng một mô hình.
Doubao bắt đầu gọi video AI
SeedRealtime của ByteDance đã vào luồng gọi của Doubao, đưa AI nghe-nhìn full-duplex vào một ứng dụng tiêu dùng.
Inkling Small áp sát mẫu 975B
Thinking Machines công bố Inkling-Small dạng open weights, với 276B tham số tổng, 12B tham số kích hoạt và nhiều điểm reasoning/coding gần mẫu Inkling 975B.
MiniMax chuẩn bị mở mô hình video H3
MiniMax H3 kết hợp video 2K 15 giây, âm thanh stereo gốc, giá 0,8 nhân dân tệ mỗi giây và kế hoạch mở trọng số.
ByteDance nhắm vào quy trình thiết kế với Seedream 5.0 Pro
ByteDance nhắm vào quy trình thiết kế với Seedream 5.0 Pro được viết lại cho độc giả công nghệ Việt Nam, giữ nguyên các con số, tuyên bố sản phẩm và điểm cần kiểm chứng.
Qwen3.7-Plus của Alibaba thêm thị giác và vòng lặp agent
Bản đa phương thức của Qwen3.7-Max đọc được ảnh và video, nhưng Alibaba nhấn mạnh tự lặp, dùng công cụ và tự kiểm thử.
Alibaba đặt cược Qwen3.7-Plus vào mô hình agent tự kiểm thử
Alibaba ra mắt Qwen3.7-Plus ngày 2/6, nhấn mạnh đầu vào đa phương thức, gọi công cụ, viết mã và tự chạy kiểm thử.
Alibaba ra mắt Qwen3.5-Omni: mô hình xử lý văn bản, âm thanh, video và nhân giọng nói
Alibaba Qwen Team đã phát hành Qwen3.5-Omni, mô hình toàn diện đầu tiên của họ có khả năng xử lý văn bản, hình ảnh, âm thanh và video trong một kiến trúc duy nhất, với tính năng nhân giọng nói thời gian thực.
Qwen3.5 hỗ trợ 201 ngôn ngữ, Alibaba đẩy nhanh toàn cầu hóa
Alibaba phát hành Qwen3.5 với 397 tỷ tham số, mở rộng hỗ trợ ngôn ngữ từ 82 lên 201, tích hợp đa phương thức gốc và đánh dấu bước chuyển từ chatbot sang AI Agent.
Kimi K2.5 dùng 100 Agent để phân rã tác vụ phức tạp
Moonshot AI ra mắt Kimi K2.5 với khả năng đa phương thức gốc và Agent Swarm, cho phép chia nhỏ tác vụ phức tạp thành nhiều tác vụ con để các agent thực thi song song.