Pereiti prie turinio
2026 m. lapkričio 19 d., ketvirtadienis
Tenesys AI News
Prenumerata

AI modeliai

Nauji OpenAI, Anthropic, Google, Meta, Mistral, xAI, DeepSeek, Qwen ir kitų modeliai bei versijos.

“Google” — 16 straipsnių ✕

Karšta naujienaModeliai· 🧪 Verta testuoti

„Google“ pristatė „Gemini 4 Hydrogen“, skirtą efektyviam agentų veikimui

„Google“ pristatė „Gemini 4 Hydrogen“ – naują modelį, optimizuotą greitam ir ekonomiškam agentų bei programavimo užduočių vykdymui. Modelis turi 1 milijono žetonų konteksto langą ir kintamus „mąstymo“ lygius, leidžiančius programuotojams subalansuoti samprotavimo gylį, vėlavimą ir kaštus.

Google DeepMind
Karšta naujienaModeliai· 🧪 Verta testuoti

„Google“ pristatė „Gemini Decisions API“, skirtą itin spartiam multimodaliniam klasifikavimui

„Google“ pristatė „Gemini Decisions API“, varomą naujojo „gemini-decision-1“ modelio. Skirtingai nei standartiniai generatyviniai modeliai, šis įrankis atlieka vieno žingsnio klasifikavimą ir vertinimą apdorojant tekstą, garsą, vaizdus, vaizdo įrašus ir PDF failus, grąžindamas pasitikėjimo balus (confidence scores), o ne tekstą.

Google AI
Modeliai· Svarbu· 🧪 Verta testuoti

„Google Gemini 4 Carbon“ jau prieinamas „n8n“ darbo srautams

„n8n“ integravo naujausią „Google“ modelį „Gemini 4 Carbon“, sukurtą sudėtingai automatizacijai, kibernetinio saugumo užduotims ir padidintam agentų patikimumui. Modelis pasižymi dideliais patobulinimais valdant ilgai trunkančius kelių žingsnių procesus ir rodo tvirtą atsparumą „prompt injection“ atakoms.

n8n
Karšta naujienaModeliai· 🧪 Verta testuoti

„Google“ pristatė „Gemini 4 Carbon“, skirtą sudėtingoms agentinėms užduotims

„Google“ išleido „Gemini 4 Carbon“ – naują pažangų modelį, sukurtą sudėtingam, kelių žingsnių mąstymui, programinės įrangos inžinerijai ir aukšto lygio kibernetinio saugumo užduotims. Dabar modelį galima naudoti per API ir „Google Antigravity“, jis pasižymi geresniu našumu agentinėse darbo eigose.

Google DeepMind
Modeliai· Svarbu· 🧪 Verta testuoti

„Google“ atnaujino „MaxText“: palaikomas 14 mln. žetonų konteksto mokymas

„Google“ atnaujino atvirojo kodo „JAX“ mokymo sistemą „MaxText“, kad būtų galima treniruoti didelius kalbų modelius (LLM) su itin ilgomis sekomis naudojant „Cloud TPU“. Įdiegus keturias konteksto paralelizavimo strategijas, dabar įmanoma efektyviai treniruoti modelius su iki 14 mln. žetonų, įveikiant atminties ir skaičiavimo ribojimus.

Google Developers
Modeliai· Svarbu· 🧪 Verta testuoti

Agentų sąnaudų optimizavimas nukreipiant užduotis tarp modelių lygių

„Google“ ataskaitoje teigiama, kad kaina už tūkstantį žetonų nebėra geriausias rodiklis, vertinant ekonominį efektyvumą; svarbiau – kaina už sėkmingai atliktą užduotį. Naudojant lengvus „noul“ klasifikatorius, agentai gali nukreipti paprastas užklausas į greitus modelius, pavyzdžiui, „Flash-Lite“, o sudėtingą logiką palikti pažangesniems modeliams.

Google Developers
Modeliai· Svarbu· 🧪 Verta testuoti

Google DeepMind pristatė „Genie 4“ realaus laiko pasaulio simuliacijoms

„Google DeepMind“ pristatė „Genie 4“ – multimodalinį pasaulio modelį, leidžiantį kurti interaktyvias simuliacijas realiuoju laiku. Jis natūraliai generuoja vaizdą, garsą ir interaktyvius dialogus, naudodamas „Gemini 3.8 Flash“ fiziniam nuoseklumui ir loginiam mąstymui užtikrinti.

Google DeepMind
Modeliai· Svarbu· 🧪 Verta testuoti

Google atnaujino A2UI su keičiamais išvadų formatais ir Express režimu

„Google“ atnaujino savo A2UI generatyvinio UI protokolą, įtraukdama keičiamus išvadų (inference) formatus, taip spręsdama vėlavimo ir patikimumo problemas, susijusias su ankstesniu „Direct JSON“ metodu. Naujasis „A2UI Express“ formatas sumažina tokenų sunaudojimą iki 3 kartų ir delsą iki 3 kartų, naudodamas glaustą „Python“ stiliaus sintaksę.

Google Developers
Modeliai· Svarbu· 🧪 Verta testuoti

„Google“ pristatė „Gemini Robotics Embodied Reasoning 2“ verslo aplinkai

„Google“ atvėrė viešąją „Gemini Robotics Embodied Reasoning 2“ (ER 2) versijos peržiūrą „Gemini“ platformoje. Šis modelis veikia kaip aukšto lygio kognityvinis robotikos sluoksnis, gebantis planuoti, savarankiškai taisyti užduočių eigą ir valdyti kelių robotų sistemas naudojant natūralios kalbos instrukcijas.

Google Cloud AI
Modeliai· Svarbu· 🧪 Verta testuoti

„Google“ pristatė „Gemini Omni“ vaizdo įrašų generavimui

„Google“ pristatė „Gemini Omni“ – naują vaizdo įrašų generavimo modelį, gebantį kurti ir redaguoti vaizdo įrašus naudojant tekstines užuominas ar paveikslėlius. Šis modelis dabar yra numatytasis „Google“ vaizdo įrašų darbo eigoms, o ankstesnis „Veo“ modelis buvo pašalintas iš API.

Zapier
Modeliai· Svarbu· 🧪 Verta testuoti

„Google“ atvėrė ML Drift — naują GPU variklį AI inferencijai įrenginyje

„Google“ išleido ML Drift — atvirojo kodo, kelioms platformoms skirtą GPU skaičiavimo variklį ML inferencijai įrenginyje, pakeičiantį senąjį TFLite GPU delegate. Jis suvienodina šeiderių tvarkymą tarp OpenGL ES, OpenCL, Metal ir WebGPU, prideda 5D tenzorių palaikymą ir įveda etapais pagrįstus optimizavimus LLM prefill/decode fazėms. Jis jau veikia gamyboje „Chrome“, „YouTube Shorts“, „Google Photos“, „Meet“ ir partnerių programose iš „Adobe“ bei „Snap“.

Google Developers
Modeliai· Svarbu· 🧪 Verta testuoti

Anthropic pristatė „Claude Haiku 5.5“ su 1M token kontekstu ir adaptyviu mąstymu

Anthropic išleido „Claude Haiku 5.5“ (claude-haiku-5-5) — pajėgiausią Haiku modelį, skirtą dideliam apkrovimui ir delsai jautrioms užduotims. Jis palaiko 1 milijono token kontekstą, iki 128k išvesties token ir adaptyvų mąstymą, valdomą nauju effort parametru. Modelis pasiekiamas per Claude API, Amazon Bedrock, Claude Platform on AWS, Google Cloud ir Microsoft Foundry. Anthropic įspėja, kad kodas, parašytas ankstesniam Haiku 4.5 modeliui, gali neveikti naujoje versijoje.

Claude Platform Release Notes
Modeliai· Svarbu· 🧪 Verta testuoti

Google pristatė EmbeddingGemma 2 — atvirą daugiarūšį embeddingų modelį RAG sprendimams

Google išleido EmbeddingGemma 2 — Gemma 4 pagrindu sukurtą embeddingų modelį, platinamą pagal Apache 2.0 licenciją, kuris tekstą, kodą, vaizdus, video ir garsą sudeda į bendrą 768 dimensijų vektorinę erdvę. Modelis moduliškas — galima įkelti tik reikalingus enkoderius: 270M parametrų vien tekstui ir kodui, iki 740M visoms modalumams. Google teigia, kad MTEB Code lyginamajame teste rezultatas pagerėjo 14% lyginant su EmbeddingGemma 1, išlaikant ankstesnio modelio daugiakalbio teksto tikslumą.

Google Developers