NVIDIA presentó Cosmos Tokenizer, una suite de tokenizadores visuales abiertos continuos y discretos para imágenes y video que alcanza factores de compresión de hasta 16×16 espacial y 8× temporal con una velocidad de decodificación hasta 12 veces superior a los estándares actuales.
Sigue leyendo las noticias clave de IA
Filtrar y personalizar
NVIDIA Presenta Sana: Modelo de Difusión con Atención Lineal Profunda para Síntesis de Imágenes en 4KNVIDIA lanza Sana, modelo abierto de difusión de 0.6B y 1.6B parámetros con atención lineal profunda capaz de generar imágenes en 4K hasta 100 veces más rápido.Leer análisis completo
NVIDIA Presenta NVLM 1.0: Familia Abierta Multimodal de 72B que Iguala a GPT-4o Preservando Rendimiento TextualNVIDIA lanza NVLM 1.0, modelos multimodales abiertos de 72B con arquitectura híbrida que logran paridad con GPT-4o en visión y mejoran en tareas de texto.Leer análisis completo
Google lleva búsqueda con Gemini a entornos aislados y habilita NVIDIA HGX B300 en GDCGoogle Cloud amplía Google Distributed Cloud con búsqueda Gemini air-gapped: diferencias entre vistas previas técnicas y disponibilidad general de silicio.Leer análisis completo
NVIDIA Cosmos: la familia de modelos de mundo físico para simulación hiperrealista, robótica autónoma y vehículos sin conductorNVIDIA presenta Cosmos, familia de modelos de mundo para simulación física acelerada, tokenizadores continuos y entrenamiento de robots autónomos en Omniverse.Leer análisis completo
Alibaba Cloud Presenta Wan 2.1: Modelos Abiertos de Difusión de Video en 1080p con Compresión Espaciotemporal y DiTAlibaba Cloud lanza Wan 2.1 en versiones 1.3B y 14B, modelos abiertos de generación de video con DiT, VAE 3D espaciotemporal y renderizado en resolución 1080p.Leer análisis completo
Apple Presenta Ferret-v2: Localización Espacial Fina y Grounding de Objetos en Escenas Visuales ComplejasApple presenta Ferret-v2, arquitectura multimodal de alta resolución con codificador híbrido para detección y grounding espacial fino de objetos visuales.Leer análisis completo
Physical AI Growth Lab convoca startupsUna nueva convocatoria prepara apoyo para startups de robótica e IA.Leer análisis completo
Meta Libera Chameleon: Modelos Fundacionales Abiertos que Procesan y Generan Texto e Imágenes de Forma Totalmente EntrelazadaMeta libera Chameleon, modelos abiertos que fusionan texto e imagen en una secuencia única para comprender y generar ambos modos de forma entrelazada.Leer análisis completo
Mistral AI presenta Pixtral 12B: modelo multimodal de visión y lenguaje con compresión nativa de imágenes y pesos abiertos para investigaciónMistral AI lanzó Pixtral 12B, su modelo multimodal de visión y lenguaje capaz de procesar imágenes a resolución nativa con pesos abiertos.Leer análisis completo
Runway Presenta Gen-3 Alpha: Modelo Fundacional de Video de Alta Fidelidad con Control Cinemático y Simulación FísicaRunway lanza Gen-3 Alpha, modelo de video generativo con fotorrealismo superior, control de cámara expresivo y transiciones temporales precisas.Leer análisis completo
Zhipu AI Presenta GLM-4V-9B: Modelo Multimodal Abierto con Comprensión Visual de Alta Resolución y OCR DensoZhipu AI lanza GLM-4V-9B, modelo multimodal abierto de 9B con procesamiento de imágenes hasta 1120x1120, OCR denso bilingüe y razonamiento visual avanzado.Leer análisis completo
Black Forest Labs Presenta FLUX.1 Fill y Redux: Modelos Abiertos de Relleno Generativo y Variación Visual de 12BBlack Forest Labs lanza FLUX.1 Fill y Redux de 12B, herramientas de inpainting, outpainting y variación visual con coherencia fotográfica absoluta.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
LG AI Research Presenta EXAONE 3.0: Modelos Fundacionales Abiertos Bilingües de 7.8B con Alta Eficiencia de InferenciaLG AI Research libera EXAONE 3.0 7.8B, modelo abierto bilingüe inglés-coreano optimizado con reducción de parámetros del 68% y alto rendimiento en código.Leer análisis completo
Allen AI Presenta OLMo 2: Modelos Fundacionales Abiertos de 7B y 13B con Transparencia Total en Datos y CódigoAllen AI lanza OLMo 2, modelos abiertos de 7B y 13B entrenados sobre 5 billones de tokens de Dolma con pesos, código y registros de entrenamiento públicos.Leer análisis completo
Cohere for AI Lanza Aya Vision: Modelos Multimodales Abiertos de 8B y 32B para Razonamiento Visual Multilingüe en 23 IdiomasCohere for AI presenta Aya Vision, modelos multimodales abiertos de 8B y 32B diseñados para razonamiento visual y de texto en 23 idiomas diversos.Leer análisis completo