本文へ移動
assaynotes
EN日本語中文

マルチモーダル

テキスト以外の能力：画像理解、画像とテキストの混在、音声と動画の入出力に関するモデルとプロダクト。

精選 80件関連トピック画像生成AI 動画音声・オーディオ

最新の精選

21–40 件目 · 全 80 件

10月15日

木曜日

  3. Apertus 1.5 公開：8B と 70B モデルに画像・音声理解と思考モードを追加

    Apertus 1.5 は 8B と 70B の 2 規模で Apertus 1.0 を拡張し、画像・音声理解、任意の思考モード、4 倍長いコンテキストウィンドウ（262,144 tokens）、より良い指示追従とツール呼び出し能力を追加した。重みは 2026 年 7 月 24 日に Apache 2.0 ライセンスで Hugging Face に公開された。

10月14日

水曜日

10月8日

木曜日

  2. Liquid AI、端末向け意思決定モデル d1-3B と d1-omni-600M をオープンソース化

    Liquid AI は d1 意思決定モデルファミリーから、オープンウェイトの 2 モデル d1-3B と d1-omni-600M（実験的）を公開した。d1-3B は Decision Index 0.2.1 で 48.57 を記録し、10B 以下では最高。テキストと画像に対応する。d1-omni-600M はテキスト＋画像またはテキスト＋音声に対応する。

  3. OpenAI、GPT-6とともにIntelligent UIを発表　ChatGPTの画面が視覚的な対話へ

    OpenAIはIntelligent UIと呼ぶ新しいインターフェースを発表した。新しいGPT-6モデルとともに水曜日から配信が始まり、会話の中に操作可能なボタン、用途別の計算機、インタラクティブなグラフ、編集可能な図形などを多数組み込む。

10月7日

水曜日

  1. Google DeepMind、オープンソースのマルチモーダル埋め込みモデル EmbeddingGemma 2 を公開

    Google DeepMind は、Gemma 4 アーキテクチャをベースにした Apache 2.0 ライセンスのオープンソース・マルチモーダル埋め込みモデル EmbeddingGemma 2 を公開した。テキスト、画像、音声、動画を単一の埋め込み空間にマッピングできる。

10月6日

火曜日

10月1日

木曜日

  1. Google DeepMind、フロンティアモデル「Gemini 4 Argon」を発表

    Google DeepMindは新たなフロンティアモデル「Gemini 4 Argon」を発表した。まずFairwind Programの信頼できるサイバー防御担当者に開放し、その後開発者、企業、消費者向けに提供する。価格は入力100万トークンあたり2ドル、出力100万トークンあたり10ドルから。

9月29日

火曜日

  1. Microsoft Research、Quineを公開：生物学の複雑さを扱うAI研究システム

    Microsoft Researchは生物学の複雑さを扱うAI研究システムQuineを公開した。配列、構造、機能、細胞状態、画像などのマルチモーダルデータで学習した生物世界モデルと、モデル、科学ツール、文献、実験担当者をつなぐ対話型ハーネスから構成される。

  3. AMD、約82億ドルの全額株式交換でWorld Labsを買収

    AMDは李飛飛が共同設立したAI研究所World Labsを約82億ドルの全額株式交換で買収すると発表した。年末までに完了する見込みだ。World Labsは2024年に設立され、数か月で評価額10億ドルに達した。2025年には初の商用製品Marbleを公開し、プロンプトから操作可能な3D世界を生成できる。

9月25日

金曜日

9月24日

木曜日

  1. Meta Connect 2026：Muse エージェント、眼鏡ハードウェア、リアルタイム音声

    Meta は Connect 2026 で Muse を個人エージェントとして位置付け、その周辺のハードウェアと機能を更新した。音声とリアルタイム動画に対応し、バックグラウンドで作業を実行し、すべての Meta 眼鏡に導入される。各 Muse は独立したメールアドレスを持ち、Mac 版は computer use に対応し、コネクタープラットフォームには1,500超のアプリがある。

9月23日

水曜日

9月22日

火曜日