Przejdź do treści
czwartek, 19 listopada 2026
Tenesys AI News
Subskrypcja

Wszystkie wiadomości

TENESYS AI NEWS śledzi najważniejsze wiadomości o AI i wyjaśnia, co się zmieniło, dlaczego to ważne i czy technologię warto przetestować.

#Multimodal — 17 artykułów ✕

PilneModele· 🧪 Warte przetestowania

Google wprowadza Gemini 4 Hydrogen dla wydajnych agentów AI

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 DeepMind
PilneModele· 🧪 Warte przetestowania

Google wprowadza Gemini Decisions API do szybkiej klasyfikacji multimodalnej

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.

Google AI
Modele· 🧪 Warte przetestowania

MiniMax udostępnia H3-Image-PE do automatycznego rozszerzania promptów

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.

MiniMax (Hugging Face)
Badania· 🧪 Warte przetestowania

Nowa metoda FPD poprawia usuwanie prywatnych danych w modelach multimodalnych

Naukowcy zaproponowali metodę FFN-Perturbed Self-Distillation (FPD), aby rozwiązać problem usuwania wrażliwych informacji z multimodalnych dużych modeli językowych (MLLM). Podejście to minimalizuje utratę użyteczności modelu poprzez wykorzystanie oryginalnego rozkładu wyjściowego modelu nauczyciela jako punktu odniesienia przy jednoczesnym perturbowaniu specyficznych aktywacji FFN związanych z danymi prywatnymi.

arXiv cs.CL
Modele· Ważne· 🧪 Warte przetestowania

OpenAI udostępnia modele GPT-Image-2.6 Sunburst i Flare

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.

OpenAI API Changelog
Modele· Ważne· 🧪 Warte przetestowania

Moonshot AI udostępnia multimodalny model agentowy Kimi-K3.1-Pro

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.

Moonshot Kimi (Hugging Face)
Modele· Ważne· 🧪 Warte przetestowania

NVIDIA udostępnia multimodalny model Nemotron 3.5 Super VL dla AWS EKS

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.

AWS Machine Learning
Modele· Ważne· 🧪 Warte przetestowania

LiquidAI wydaje multimodalne modele LFM3 dla urządzeń brzegowych

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.

Hugging Face
Modele· Ważne· 🧪 Warte przetestowania

Google DeepMind prezentuje Genie 4 do symulacji świata w czasie rzeczywistym

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 DeepMind
Modele· Ważne· 🧪 Warte przetestowania

Google udostępnia Gemini Robotics Embodied Reasoning 2 dla środowisk produkcyjnych

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.

Google Cloud AI
Modele· Ważne· 🧪 Warte przetestowania

Model Z.ai GLM 5.3 Flash dostępny z kontekstem 1M tokenów

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.

Mistral Changelog
Modele· Ważne· 🧪 Warte przetestowania

NVIDIA rozszerza linię Nemotron o nowe modele wyszukiwania, rerankingu i parsowania dokumentów dla agentów AI

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.

Hugging Face

AWS Bedrock dodaje Pegasus 1.5 od TwelveLabs do strukturalnego wyszukiwania w wideo

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.

AWS Machine Learning
Modele· Ważne· 🧪 Warte przetestowania

Meta wydała Muse Spark Open – otwarty, multimodalny model MoE z 816B parametrów

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.

Hugging Face
Modele· Ważne· 🧪 Warte przetestowania

Apertus 1.5: otwarte modele 8B/70B rozumieją obraz i dźwięk, mają dłuższy kontekst i tryb myślenia

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.

Hugging Face