Google zaprezentowało Gemini 4 Hydrogen, nowy model zoptymalizowany pod kątem szybkiego i efektywnego kosztowo działania w środowiskach agentowych i programistycznych. Oferuje on okno kontekstowe o wielkości 1 miliona tokenów oraz zmienne poziomy „myślenia”, co pozwala twórcom balansować między głębią rozumowania, opóźnieniami a kosztami.
Google wprowadziło Gemini Decisions API, oparte na nowym modelu gemini-decision-1. W przeciwieństwie do standardowych modeli generatywnych, narzędzie to przeprowadza klasyfikację i ocenę w jednym przejściu dla tekstu, dźwięku, obrazów, wideo i plików PDF, zwracając wyniki prawdopodobieństwa zamiast wygenerowanego tekstu.
Firma MiniMax uruchomiła MiniMax-H3-Image-PE, dostrojoną wersję modelu Qwen3.8-27B, zaprojektowaną do przekształcania krótkich promptów tekstowych w bardzo szczegółowe opisy dla celów generowania obrazów. Wydanie obejmuje konkretne procesy robocze dla rozszerzania tekst-na-obraz oraz wczesne wsparcie dla promptów edycji obrazów.
OpenAI wprowadziło dwa nowe modele, GPT-Image-2.6 Sunburst oraz Flare, zaprojektowane do zaawansowanego generowania i edycji obrazów. Modele te dodają obsługę złożonych zadań, w tym tworzenie plików SVG oraz animowanych plików GIF.
Firma Moonshot AI wprowadziła Kimi-K3.1-Pro, multimodalny model o otwartych wagach i 2,8 biliona parametrów. Charakteryzuje się on oknem kontekstowym o wielkości 1 miliona tokenów, wykorzystuje architekturę Mixture-of-Experts (MoE) i jest zoptymalizowany pod kątem zadań agentowych oraz długofalowych procesów.
NVIDIA wprowadziła Nemotron 3.5 Super VL, multimodalny model 120B z oknem kontekstowym 1M tokenów. Model wykorzystuje hybrydową architekturę Mamba-2 oraz MoE, aby zrównoważyć możliwości rozumowania z wydajnością wnioskowania, i jest gotowy do wdrożenia w środowiskach Amazon EKS oraz SageMaker HyperPod.
Firma LiquidAI wprowadziła LFM3, nową generację małych modeli bazowych zbudowanych na wspólnym szkielecie 2B parametrów. Seria obejmuje modele tekstowe, wizyjne, audio i „omni”, zaprojektowane z myślą o wysokiej wydajności na urządzeniach końcowych.
Google DeepMind wprowadziło Genie 4, multimodalny model świata umożliwiający interaktywne symulacje w czasie rzeczywistym. Model natywnie generuje wideo, dźwięki otoczenia i responsywne dialogi, wykorzystując Gemini 3.8 Flash do utrzymania spójności fizycznej i złożonego wnioskowania.
Google wprowadziło Gemini Robotics Embodied Reasoning 2 (ER 2) w publicznej wersji zapoznawczej na platformie Gemini. Model ten pełni rolę zaawansowanej warstwy poznawczej dla robotyki, zdolnej do planowania, autokorekty zadań oraz zarządzania systemami wielorobotowymi za pomocą instrukcji w języku naturalnym.
Z.ai GLM 5.3 Flash – multimodalny model Mixture-of-Experts z 320B parametrów i 18B aktywnych – jest teraz dostępny na platformie Mistral. Posiada okno kontekstu wielkości 1M tokenów i został zaprojektowany do pracy agentów deweloperskich, kodowania wizualnego oraz złożonych zadań z użyciem narzędzi. Ceny: 0,15 USD za milion tokenów wejściowych, 0,03 USD za milion tokenów z cache, 0,50 USD za milion tokenów wyjściowych.
NVIDIA dodała trzy nowe, otwarte i komercyjnie licencjonowane komponenty do linii Nemotron Retriever: modele Embed (8B i 1B, w wersjach BF16 i NVFP4) do przeszukiwania tekstu i obrazów, model Rerank (8B), który porządkuje pobrane dowody według trafności, oraz kompaktowy model Parse o 631M parametrów, który zamienia obrazy dokumentów na ustrukturyzowany tekst. Celem jest dostarczenie agentom AI lepszych, bardziej trafnych dowodów, dzięki czemu potrzebują mniej rund wyszukiwania i mniej tokenów inferencji do udzielenia odpowiedzi. NVIDIA podaje, że nowe modele Embed i Rerank zajmują pierwsze miejsca w rankingach ViDoRe v3.1 odpowiednio dla wyszukiwania gęstego i rerankingu.
AWS udostępnił Pegasus 1.5 — model wideo-językowy stworzony przez TwelveLabs — jako w pełni zarządzaną usługę w Amazon Bedrock. W odróżnieniu od wcześniejszych wersji, które odpowiadały na jedno pytanie dotyczące jednego klipu, ten model analizuje cały film i zwraca listę JSON ze wszystkimi momentami spełniającymi zdefiniowane przez użytkownika kryteria, wraz z czasem rozpoczęcia i zakończenia. Obsługuje też dłuższe nagrania — do dwóch godzin w jednym zapytaniu — i pozwala wczytać wideo bezpośrednio z S3 lub jako ciąg base64, bez wcześniejszego indeksowania.
Meta opublikowała Muse Spark Open – model mixture-of-experts o otwartych wagach, liczący około 816 miliardów parametrów łącznie i 42 miliardy aktywnych na token. Przyjmuje tekst, obrazy, audio i wideo, a generuje tekst, wykorzystując kontekst do 1 miliona tokenów. Meta przedstawia go jako model zoptymalizowany pod kątem kodowania i pracy agentowej, zbudowany na architekturze mniejszego modelu Muse Glimmer, określając go jako najbardziej zaawansowany jak dotąd amerykański model o otwartych wagach.
Swiss AI wydało Apertus 1.5 — kontynuację treningu otwartych modeli Apertus 1.0 (8B i 70B, licencja Apache 2.0), dodając natywne rozumienie obrazu i eksperymentalne rozumienie dźwięku, 4-krotnie większe okno kontekstu (262 144 tokeny), opcjonalny tryb myślenia oraz lepsze przestrzeganie instrukcji i obsługę narzędzi. Modele wytrenowano łącznie na 19T (8B) i 17T (70B) tokenach, a wszystkie dane treningowe, przepisy i checkpointy pośrednie zostały opublikowane publicznie dla powtarzalności. Zespół opublikował też szczegółowe, zestandaryzowane karty ewaluacyjne i ogłosił wczesny dostęp API od dostawców takich jak Swisscom i Infomaniak, a także plan dla ~600-miliardowego modelu MoE Apertus 2.0.
Google wydało EmbeddingGemma 2, model embeddingów oparty na Gemma 4, udostępniony na licencji Apache 2.0, który umieszcza tekst, kod, obrazy, wideo i audio we wspólnej przestrzeni wektorowej o 768 wymiarach. Model jest modułowy — można wczytać tylko potrzebne enkodery: 270M parametrów dla samego tekstu i kodu, do 740M dla wszystkich modalności. Google podaje wzrost wyniku o 14% w benchmarku MTEB Code względem EmbeddingGemma 1, przy zachowaniu dokładności wielojęzycznego tekstu z poprzedniej wersji.