Baichuan Presenta Baichuan-Omni: Modelo Multimodal de Video 720p, Audio y Texto
Baichuan Intel
Sigue leyendo las noticias clave de IA
Filtrar y personalizar
Baichuan Presenta Baichuan-Omni: Modelo Multimodal Abierto de Procesamiento de Voz, Video y Texto en Tiempo RealBaichuan presenta Baichuan-Omni, modelo de 7B para comprensión multimodal simultánea de video y voz con latencia de 400 ms e interacción natural.Leer análisis completo
Meta Presenta Movie Gen: Generación de Video y Audio Multimodal Sincronizado en 1080p con Edición PrecisaMeta presenta Movie Gen, modelo multimodal para generar video en alta definición 1080p, audio sincronizado y edición precisa de elementos en movimiento.Leer análisis completo
Reka AI Presenta Reka Core: Modelo Multimodal Frontera Independiente con Procesamiento Nativo de Texto, Video y AudioReka AI presenta Reka Core, modelo multimodal frontera de alta capacidad entrenado desde cero para razonar sobre texto, imágenes, video continuo y habla.Leer análisis completo
Intel Inference Microservices: cómo evaluar inferencia en XeonIntel presenta contenedores de inferencia para Xeon: alcance, perfiles automáticos y límites de la primera versión.Leer análisis completo
Tencent presenta Youtu-Parsing-Omni para convertir documentos, audio y video a JSONTencent publica Youtu-Parsing-Omni, modelo de 5B para extraer y estructurar tablas, formularios, audio y video en esquemas JSON unificados.Leer análisis completo
Hugging Face Presenta SmolVLM: Modelo Multimodal Abierto de 2B para Video y Visión en Hardware LocalHugging Face lanza SmolVLM, modelo multimodal compacto de 2B parámetros optimizado para análisis de video, múltiples imágenes e inferencia visual on-device.Leer análisis completo
Step-Audio: Modelo Multimodal Abierto de Comprensión y Síntesis de Audio en Tiempo RealStepFun libera Step-Audio, modelo multimodal de 130B con tokenización acústica directa para síntesis vocal expresiva y comprensión de audio en tiempo real.Leer análisis completo
LMMs-Lab Presenta LLaVA-OneVision: Modelo Abierto Multimodal Unificado para Imágenes, Múltiples Vistas y VideoLMMs-Lab publica LLaVA-OneVision en versiones 0.5B, 7B y 72B, unificando razonamiento sobre imágenes individuales, multi-imagen y secuencias de video continuo.Leer análisis completo
Hugging Face Presenta FastRTC: Biblioteca Nativa de WebRTC para Agentes de Voz y Video en Tiempo RealHugging Face presenta FastRTC, biblioteca abierta que estandariza agentes multimodales con WebRTC nativo, detección de silencios y latencia inferior a 200ms.Leer análisis completo
Alibaba Lanza Qwen2-VL: Modelo Multimodal de Visión y Lenguaje con Resolución Dinámica y Análisis de Video LargoAlibaba presenta Qwen2-VL (2B, 7B, 72B) con resolución dinámica nativa, análisis de video de más de 20 minutos y operación de interfaces UI.Leer análisis completo
Google DeepMind presenta Genie 4: modelo de mundo general con simulación interactiva y audio nativoGoogle DeepMind anuncia Genie 4, modelo de mundo que genera entornos 3D interactivos en tiempo real con física, diálogo y audio sincronizado para robótica.Leer análisis completo
Cloudflare presenta Clef-omni para clasificar contenido multimodalClef-omni clasifica texto, imágenes, audio y video con preguntas definidas. Cloudflare publica precio por tokens y límites para evaluar su uso.Leer análisis completo
Rime presenta Prism, un modelo de voz a voz con revisión de textoRime anuncia Prism: modelo de voz a voz con capa de texto intermedia para aplicar reglas, gestionar llamadas a herramientas y auditar conversaciones.Leer análisis completo
OpenBMB Lanza MiniCPM-V 2.6: Modelo Multimodal Abierto de 8B con Comprensión de Video y Densidad OCR Superior a GPT-4oOpenBMB lanza MiniCPM-V 2.6, modelo abierto de 8B con comprensión de video continuo y densidad OCR superior a GPT-4o para inferencia en dispositivos.Leer análisis completo
Suno Presenta v4: Modelo Generativo de Audio y Música en 48 kHz con Alta Fidelidad Sonora y Estructura Musical ComplejaSuno presenta v4, modelo de generación musical en 48 kHz con fidelidad de estudio, alineación lírica precisa y estructura armónica sin artefactos metálicos.Leer análisis completo
Nomic Presenta Nomic Embed Vision: Modelo Abierto de Embeddings Multimodales de 1.5B para Búsqueda Visual y TextoNomic presenta Nomic Embed Vision, modelo abierto de embeddings multimodales de 1.5B con alineación contrastiva abierta para búsqueda visual y texto cruzado.Leer análisis completo