ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#มัลติโมดัล
  1. Apple Newsroom60

    Apple เปิดตัว HomeView พร้อม Siri AI ราคา $299

    Apple เปิดตัว HomeView อุปกรณ์สำหรับบ้านราคา $299 ที่จดจำผู้คนได้สูงสุดหกคนด้วยการสแกนใบหน้า และแสดงเนื้อหาส่วนบุคคลของผู้ใช้ใน Messages, FaceTime, Calendar, Reminders และ Find My โดย Siri AI บน HomeView เพิ่มความสามารถในการรับรู้บนหน้าจอ และสามารถดึงบริบทส่วนบุคคลจาก iPhone หรือ iPad ที่จับคู่และรองรับ Apple Intelligence โดยรองรับภาษาอังกฤษในสหรัฐอเมริกา ออสเตรเลีย แคนาดา อินเดีย นิวซีแลนด์ สิงคโปร์ แอฟริกาใต้ และสหราชอาณาจักร เปิดให้สั่งซื้อวันนี้ในออสเตรเลีย แคนาดา อินเดีย นิวซีแลนด์ สิงคโปร์ สหราชอาณาจักร และสหรัฐอเมริกา ขณะที่อุปกรณ์นี้ไม่จำหน่ายในสหภาพยุโรปเนื่องจาก Siri AI ไม่พร้อมใช้งานใน iOS ที่นั่น

    ทำไมเรื่องนี้สำคัญ: อุปกรณ์สำหรับบ้านเครื่องแรกของ Apple ที่มาพร้อม Siri AI แสดงให้เห็นว่าการจดจำใบหน้าและบริบทส่วนบุคคลสามารถเปลี่ยนหน้าจอที่ใช้ร่วมกันให้เป็นผู้ช่วยเฉพาะบุคคลได้อย่างไร

  2. Google DeepMind90

    Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่เร็วขึ้นสำหรับงานเขียนโค้ดและเวิร์กโฟลว์แบบเอเจนต์

    Google DeepMind เปิดตัว Gemini 4 Hydrogen โมเดล Gemini 4 ที่สร้างขึ้นสำหรับการเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและการทำงานแบบเอเจนต์ มากกว่าการให้เหตุผลระยะยาวของ Gemini 4 Carbon และ Argon โดยได้คะแนน 51 บน Artificial Analysis Intelligence Index ที่ระดับการคิดสูงเริ่มต้น เทียบกับ 50 ของ Argon และสูงถึง 54 ที่การตั้งค่า xhigh ใหม่ โดยมีราคาคงที่ 1.50 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 7.50 ดอลลาร์ต่อล้านโทเค็นเอาต์พุตตลอดหน้าต่างบริบท 1 ล้านโทเค็น Google ยังเปิดตัว Orchestrator ใน Google Antigravity ซึ่งสลับระหว่างโมเดลอย่าง Carbon และ Hydrogen ภายในเซสชันเดียว และทำอัตราความสำเร็จของงานใกล้เคียง Carbon บน Terminal-Bench 4.0 โดยใช้โควตาน้อยลง 24% และเสร็จเร็วขึ้น 19%

    ทำไมเรื่องนี้สำคัญ: Gemini 4 Hydrogen ของ Google มุ่งเป้าที่การเขียนโค้ดในชีวิตประจำวันอย่างรวดเร็วและงานแบบเอเจนต์ ด้วยราคาคงที่ 1.50/7.50 ดอลลาร์ต่อล้านโทเค็นตลอดหน้าต่างบริบท 1M และ Orchestrator ใหม่ที่สลับระหว่างโมเดล Gemini 4

  1. vLLM Blog64

    vLLM-Omni ทดสอบ MiniMax H3-Image บน Vera Rubin: สร้างภาพ 4K ใน 0.87 วินาที และ 6,115 ภาพต่อชั่วโมง

    vLLM-Omni นำ MiniMax H3-Image มาทำงานบน NVIDIA Vera Rubin และวัดเวลาแฝงมัธยฐานได้ 0.87 วินาทีสำหรับการสร้างภาพจากข้อความเป็น 4096×4096 แบบเนทีฟบนสี่ GPU พร้อมด้วย 6,115 ภาพต่อชั่วโมงในการกำหนดค่าด้านทรูพุตแยกต่างหาก H3-Image เป็นโมเดลสร้างและแก้ไขภาพจากข้อความแบบเปิดน้ำหนัก ที่จับคู่เอนโคเดอร์ Qwen3-VL กับ DiT แบบ dense 33.1B และ VAE สำหรับภาพ จัดการทั้งสองงานในหกขั้นตอนการสุ่มตัวอย่างด้วยภาพอ้างอิงสูงสุด 16 ภาพ ทีมรายงานว่าใช้ MXFP8 DiT GEMMs, Ulysses SP4, AdaLN caching และการเปลี่ยนแปลงการถอดรหัส VAE ที่ลดเวลาการถอดรหัสจาก 2.635 วินาทีเหลือ 0.213 วินาที พร้อมระบุสูตรการตั้งค่าสำหรับฮาร์ดแวร์ AMD, Intel, Huawei Ascend และ Moore Threads

    ทำไมเรื่องนี้สำคัญ: การทดสอบของ vLLM-Omni แสดงให้เห็น MiniMax H3-Image ทำงานบน Vera Rubin ด้วยเวลาแฝง 4K ต่ำกว่าหนึ่งวินาที พร้อมการกำหนดค่าต่อฮาร์ดแวร์และแบบจำลองต้นทุนสำหรับเศรษฐศาสตร์ของการให้บริการ

  2. vLLM Blog60

    vLLM เพิ่มการรองรับ day-0 สำหรับ Inkling 2 Small ของ Thinking Machines

    vLLM รองรับ Inkling 2 Small ของ Thinking Machines ใน day 0 ซึ่งเป็น MoE แบบมัลติโหมดข้อความและภาพที่มีพารามิเตอร์รวม 594B และพารามิเตอร์ที่ใช้งาน 17B และมีบริบทสูงสุด 1M โทเค็น การผสานรวมนี้เพิ่ม kernel fusion กับ PDL, sequence parallelism สำหรับ prefill ที่ลดขั้นตอน prefill 8K โทเค็นลง 22% ที่ TP4 และ 26% ที่ TP8 และ Gluon relative attention decode kernel ที่ลดขั้นตอน decode แบบ batch-1 ที่บริบท 100K จาก 15.1 ms เหลือ 4.8 ms vLLM รายงานสูงสุด 630 TPS/user ที่ TP4 บน GB200 ด้วย acceptance length 3.5 และยังรองรับ LoRA และ RL ผ่าน SkyRL

    ทำไมเรื่องนี้สำคัญ: vLLM รองรับ Inkling 2 Small ในวันเปิดตัวพร้อมให้ข้อมูลการปรับแต่งที่เฉพาะเจาะจงของ kernel fusion, sequence parallelism และ Gluon decode kernel ซึ่งเป็นประโยชน์ต่อทีมที่ปรับใช้โมเดล MoE ขนาดใหญ่

  3. Google Blog · AI78

    Google เปิดตัว Gemini Decisions API และโมเดล Gemini Decision 1 สำหรับการตัดสินใจแบบชุดปิดที่รวดเร็ว

    Google เปิดตัว Gemini Decisions API ซึ่งขับเคลื่อนโดยโมเดลใหม่ Gemini Decision 1 (gemini-decision-1) และพร้อมใช้งานผ่าน Gemini API ใน Google AI Studio อินพุตมัลติโมดัลเดียวสูงสุด 256K โทเค็นสามารถตรวจสอบกับคำถามแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบให้คะแนนตามเกณฑ์ได้สูงสุด 1,000 ข้อในการส่งต่อเพียงครั้งเดียว โดยคืนค่าความน่าจะเป็นและคะแนนความเชื่อมั่นที่ความหน่วงตั้งแต่ต้นจนจบ 150-250 มิลลิวินาที ในราคา 0.10 ดอลลาร์ต่อ 1M โทเค็นอินพุต โดยไม่มีค่าใช้จ่ายโทเค็นเอาต์พุต Google กล่าวว่าโมเดลนี้เป็นผู้นำชุดการทดสอบมาตรฐานด้วยค่าความคลาดเคลื่อนของการปรับเทียบต่ำที่สุด และมีราคาถูกกว่า Gemini 3.5 Flash-Lite กับ Interactions API เกือบ 5 เท่า การใช้งานภายในรวมถึงการกำหนดเส้นทางโมเดลใน Gemini Notebook การสร้างไวร์เฟรมใน Stitch และการตรวจสอบเนื้อหาเชิง adversar​​ial สำหรับเครื่องมือ MCP ใน Search

    ทำไมเรื่องนี้สำคัญ: เอนด์พอยต์ใหม่ของ Google ให้คะแนนคำถามมัลติมอดัลแบบใช่/ไม่ใช่ แบบเลือกตอบ และแบบตามเกณฑ์ได้สูงสุด 1,000 ข้อในครั้งเดียวที่ 150-250 มิลลิวินาที มอบทางเลือกที่ถูกกว่าการเรียกแบบเจเนอเรทีฟสำหรับการกำหนดเส้นทางของเอเจนต์และการตรวจสอบนโยบาย

  1. OpenRouter Announcements72

    OpenRouter ทดสอบโมเดลวิชัน 15 ตัวและ Mistral OCR กับเอกสารสแกน

    OpenRouter ทดสอบโมเดลวิชัน 15 ตัว, Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำที่สร้างขึ้นเองแปดภาพ และ Claude Opus 5.5 แม่นยำที่สุดโดยได้ค่าสำคัญ 262 จาก 264 ค่าถูกต้อง ในราคา $16.42 ต่อ 1,000 หน้า ขณะที่ Mistral OCR คุ้มค่าที่สุดด้วย 258 จาก 264 ในราคา $2.02 บนใบเสร็จที่จางลง GPT-6 Luna และ GPT-6.1 Sol สร้างตัวเลขบัตร ชื่อเซิร์ฟเวอร์ และรหัส wifi ขึ้นมาเอง ซึ่งเป็นข้อผิดพลาดที่อัตราความผิดพลาดระดับตัวอักษรไม่เผยให้เห็น โพสต์นี้มีโค้ดสำหรับถอดความภาพสแกน ปิดการให้เหตุผล ตรวจสอบไขว้ระหว่างสองโมเดลจากห้องแล็บต่างกัน และรัน Mistral OCR ผ่านปลั๊กอิน file-parser

    ทำไมเรื่องนี้สำคัญ: การทดสอบเชิงปฏิบัติของโมเดลวิชัน 15 ตัวพร้อม Mistral OCR และ Tesseract กับภาพสแกนคุณภาพต่ำแปดภาพ พร้อมโค้ดที่รันได้สำหรับตรวจสอบไขว้ระหว่างสองโมเดลเพื่อจับค่าที่ถูกสร้างขึ้นมา

  1. Meta AI Research Blog78

    Meta เปิดตัว Muse Ember โมเดลที่เล็กที่สุดและมีประสิทธิภาพที่สุดสำหรับงานเอเจนต์

    Meta เปิดตัว Muse Ember โมเดลที่เล็กที่สุดและมีประสิทธิภาพที่สุด มุ่งเป้าไปที่งานซ้ำๆ ที่เอเจนต์ทำตลอดทั้งวัน เช่น การเรียกใช้เครื่องมือ งานย่อยด้านการเขียนโค้ด การกำหนดเส้นทาง การสกัดข้อมูล และการแยกวิเคราะห์เอกสารยาว Meta กล่าวว่าโมเดลนี้ทำคะแนนได้เท่ากับคะแนนดีที่สุดของ Claude Haiku 5.5 ในต้นทุนประมาณหนึ่งในสาม และเอาชนะการตั้งค่าทุกแบบของ GPT-6 Luna ด้วยราคา $0.10 ต่อล้านโทเค็นอินพุต และ $0.50 ต่อล้านโทเค็นเอาต์พุต มาพร้อมหน้าต่างบริบท 1M โทเค็น เอาต์พุตสูงสุด 512K โทเค็น รองรับอินพุตข้อความ รูปภาพ เสียง และวิดีโอแบบเนทีฟ และพร้อมใช้งานวันนี้บน Muse Code และ Meta Model API ในชื่อ muse-ember-1.0

    ทำไมเรื่องนี้สำคัญ: โมเดลที่เล็กที่สุดของ Meta มุ่งเป้าไปที่ขั้นตอนเอเจนต์ที่มีปริมาณสูง และการเปรียบเทียบต้นทุนต่องานกับ Claude Haiku 5.5 และ GPT-6 Luna แสดงให้เห็นที่มาของข้ออ้างเรื่องประสิทธิภาพ

  1. Meta Newsroom · AI62

    Meta เปิดตัวฟีเจอร์เสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse

    Meta กำลังเปิดตัวการสนทนาด้วยเสียงแบบเรียลไทม์และอวตารที่แสดงอารมณ์ในแอป Muse บนมือถือ เว็บ และ Mac โดยเริ่มในสหรัฐฯ ผู้ใช้แตะไอคอนโทรศัพท์เพื่อพูดคุย สามารถขัดจังหวะการตอบกลับได้ และเลือกจากเสียงหลายร้อยแบบ พร้อมโหมดเสียงอย่างเดียว อวตาร หรือเต็มหน้าจอ ฟีเจอร์เสียงจะพร้อมใช้งานใน AI Glasses และ Muse Charm ในเร็วๆ นี้

    ทำไมเรื่องนี้สำคัญ: แอป Muse ของ Meta รองรับการสนทนาด้วยเสียงแบบเรียลไทม์พร้อมอวตารที่แสดงอารมณ์แล้ว สะท้อนให้เห็นว่าเสียงและการจัดการการขัดจังหวะกำลังเข้าสู่ผู้ช่วย AI สำหรับผู้บริโภค

  2. Google DeepMind78

    Google DeepMind เปิดตัว Gemini Omni 1.2 Flash คลิป 15 วินาที ราคาถูกลง 30%

    Google DeepMind เปิดตัว Gemini Omni 1.2 Flash พร้อมใช้งานทั่วไปแล้วทั้งใน Gemini API และ Gemini for business โดยมีความสามารถสร้างวิดีโอเนทีฟความยาว 15 วินาที การแก้ไขผ่านบทสนทนาหลายรอบ และการทำตามภาพอ้างอิงที่แข็งแกร่งขึ้น ราคาลดลง 30% จาก Gemini Omni 1.1 เหลือ 0.07 ดอลลาร์ต่อวินาทีสำหรับวิดีโอ 720p และผู้ใช้สามารถร่างที่ 360p หรือ 720p ก่อนอัปสเกลเป็น 1080p หรือ 4K คลิปสามารถตั้งค่าได้ตั้งแต่ 3 ถึง 15 วินาที เพิ่มทีละหนึ่งวินาที และผลลัพธ์มีลายน้ำ SynthID ที่มองไม่เห็น

    ทำไมเรื่องนี้สำคัญ: Gemini Omni 1.2 Flash เพิ่มความยาวคลิปเนทีฟเป็น 15 วินาที และลดราคาลง 30% เหลือ 0.07 ดอลลาร์ต่อวินาทีของวิดีโอ 720p พร้อมการแก้ไขผ่านบทสนทนาหลายรอบที่พร้อมใช้งานทั่วไปแล้ว

  3. Google Blog · AI80

    Google เปิดตัว Gemini Omni 1.2 Flash พร้อมคลิป 15 วินาทีและลดราคา 30%

    Google DeepMind เปิดตัว Gemini Omni 1.2 Flash และเปิดให้ใช้งานทั่วไปผ่าน Gemini API และ Gemini for business โมเดลนี้สร้างและแก้ไขคลิปแบบเนทีฟได้สูงสุด 15 วินาที เพิ่มขึ้นจาก 10 วินาทีใน Omni 1.1 รองรับการแก้ไขแบบสนทนาหลายรอบ และรักษาการอ้างอิงตัวละคร สินค้า และสไตล์ได้สม่ำเสมอมากขึ้น วิดีโอ 720p ราคา 0.07 ดอลลาร์ต่อวินาที ลดลง 30% จาก Omni 1.1 เอาต์พุตมีลายน้ำ SynthID และโมเดลกำลังทยอยเปิดใช้งานใน Flow, Google Vids, แอป Gemini และ Google Ads

    ทำไมเรื่องนี้สำคัญ: Gemini Omni 1.2 Flash ลดราคา 30% เหลือ 0.07 ดอลลาร์ต่อวินาทีสำหรับวิดีโอ 720p พร้อมขยายคลิปแบบเนทีฟเป็น 15 วินาที มอบทางเลือกที่ถูกกว่าให้ทีมที่ผลิตวิดีโอจำนวนมากเพื่อเปรียบเทียบกับเวอร์ชันก่อนหน้า

  1. Preferred Networks News71

    PFN เปิดตัว PLaMo 3 Translate โมเดล LLM แปลภาษาแบบเปิดน้ำหนักสำหรับอุปกรณ์เอดจ์

    Preferred Networks เปิดตัว PLaMo 3 Translate โมเดล LLM เฉพาะทางด้านการแปลที่ใช้ในบริการ PLaMo Translation ของบริษัท ในฐานะโมเดลแบบเปิดน้ำหนักบน Hugging Face เมื่อวันที่ 5 พฤศจิกายน มีขนาด 0.8B, 2B, 8B และ 31B และรองรับ 53 ภาษา รวมถึงภาษาญี่ปุ่นและภาษาอังกฤษ ทำงานบนสมาร์ทโฟน แล็ปท็อป และเซิร์ฟเวอร์ภายในองค์กรโดยไม่ต้องเชื่อมต่อคลาวด์

    ทำไมเรื่องนี้สำคัญ: PFN เปิดตัวโมเดล LLM เฉพาะทางด้านการแปลในสี่ขนาดตั้งแต่ 0.8B ถึง 31B ทำให้บริษัทและบุคคลทั่วไปสามารถแปล 53 ภาษาได้บนอุปกรณ์โดยไม่ต้องเข้าถึงคลาวด์

  1. Meta AI Research Blog88

    Meta เปิดตัว Muse Spark Open โมเดลมัลติโมดัลน้ำหนักเปิดขนาด 816B ที่รันบน Mac Studio สองเครื่อง

    Meta เปิดตัวน้ำหนักของ Muse Spark Open โมเดลมัลติโมดัลแบบเนทีฟน้ำหนักเปิดที่มีพารามิเตอร์รวม 816B (ใช้งานจริง 42B) และหน้าต่างบริบท 1M โทเคน วางตำแหน่งสำหรับงานเขียนโค้ดและงานเอเจนติก เป็นโมเดลแรกในคลาสเดียวกันที่รันบนเดสก์ท็อปด้วย Apple M5 Ultra Mac Studio สองเครื่องผ่านเฟรมเวิร์ก MLX และพร้อมใช้งานผ่านพาร์ตเนอร์ API ได้แก่ Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter และ Together AI โดยมีน้ำหนักอยู่บน Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden และ Microsoft Foundry Models Meta ระบุว่าโมเดลนี้มาพร้อมเคอร์เนล GPU Helion ที่ปรับแต่งอัตโนมัติได้ใน SGLang ให้ความเร็วระดับเคอร์เนลเพิ่มขึ้น 1.03-3.95 เท่าบน GPU NVIDIA และ AMD และเร็วขึ้นแบบ end-to-end 3% บน AMD MI350

    ทำไมเรื่องนี้สำคัญ: Meta เปิดน้ำหนักโมเดลมัลติโมดัลขนาด 816B พารามิเตอร์ที่รันบน Mac Studio สองเครื่อง มอบทางเลือกแบบโลคอลให้นักพัฒนาสำหรับงานเขียนโค้ดระยะยาวและงานเอเจนติก

  1. Mistral AI82

    Mistral เปิดตัว Mistral Large 4 พรีวิว โมเดลมัลติโมดัล 1T พารามิเตอร์ เตรียมปล่อยเวตภายในเดือนนี้

    Mistral ได้เปิดตัวพรีวิวสาธารณะของ Mistral Large 4 โมเดลมัลติโมดัลโดยกำเนิดขนาด 1 ล้านล้านพารามิเตอร์ ที่มีพารามิเตอร์ที่ใช้งานจริง 52 พันล้านพารามิเตอร์ พร้อมใช้งานแล้วผ่าน Mistral Studio API Mistral ระบุว่าโมเดลนี้สามารถแข่งขันกับโมเดลโอเพนซอร์สที่แข็งแกร่งที่สุด และมีประสิทธิภาพเหนือกว่าโมเดลน้ำหนักเปิดอื่นๆ จากสหรัฐฯ และยุโรป โดยได้คะแนน 82% ในการทดสอบการจำลองช่องโหว่และการแพตช์ของ Artificial Analysis Cyber Index และ 49.8% ใน Coding Agent Index แบบรวม เวตมีกำหนดจะเปิดตัวภายในสิ้นเดือนนี้ หลังจากผ่านการทดสอบเรดทีมกับพันธมิตรด้านความปลอดภัยไซเบอร์และหน่วยงานที่เกี่ยวข้อง Mistral ระบุว่าโมเดลนี้ได้รับการฝึกฝนตั้งแต่เริ่มต้นบน GPU NVIDIA Grace Blackwell จำนวน 3,800 ตัวในศูนย์ข้อมูลของบริษัทในยุโรป

    ทำไมเรื่องนี้สำคัญ: โมเดลที่ใหญ่ที่สุดของ Mistral จนถึงปัจจุบันอ้างความเป็นผู้นำด้านน้ำหนักเปิดในด้านความปลอดภัยไซเบอร์และการเขียนโค้ดแบบเอเจนต์ โดยสัญญาว่าจะปล่อยเวตภายในสิ้นเดือนนี้

  1. MiniMax Blog71

    MiniMax เปิดตัว Music 3.0 โมเดลสร้างเพลงแบบ open-weights สำหรับเพลงเต็มความยาวสูงสุดห้านาที

    MiniMax เปิดตัว Music 3.0 โมเดลสร้างเพลงแบบ open-weights ที่สามารถแต่งเพลง เรียบเรียง และผลิตเพลงที่สมบูรณ์ความยาวสูงสุดห้านาทีจากแนวคิดสร้างสรรค์และเนื้อเพลงเสริม (ถ้ามี) ในการสร้างครั้งเดียว ไปป์ไลน์นี้จับคู่ Global LLM ขนาด 8B ที่เริ่มต้นจาก Qwen3.5-8B กับ Local LLM ขนาด 0.6B หลอมรวม continuous hidden states ของทั้งสองเพื่อเป็นเงื่อนไขให้โมดูล flow-matching ขนาด 2.4B และ Flow-VAE ขนาด 123M และใช้ RVQ แปดชั้นพร้อม Structured Captions ที่อธิบายอารมณ์ เครื่องดนตรี และการขับร้องตามช่วงเวลา MiniMax กล่าวว่าสิ่งนี้ทำให้ตีความเจตนาเชิงสร้างสรรค์ได้แม่นยำขึ้น การเรียบเรียงเต็มอิ่มขึ้น และเสียงร้องชัดเจนเป็นธรรมชาติมากขึ้น

    ทำไมเรื่องนี้สำคัญ: การแจกแจงสถาปัตยกรรมของ MiniMax แสดงให้เห็นว่า Global LLM ขนาด 8B ที่จับคู่กับโมเดล local ขนาด 0.6B และสแต็ก flow-matching มุ่งเป้าแก้ปัญหาความต่อเนื่องของเพลงยาวอย่างไร

  1. MiniMax Blog82

    MiniMax เปิดตัว H3 โมเดลสร้างมัลติโมดัลเอนกประสงค์พร้อมวิดีโอสเตอริโอเนทีฟที่ 2K

    MiniMax เปิดตัว H3 โมเดลสร้างมัลติโมดัลเอนกประสงค์ที่เข้าใจข้อความ รูปภาพ วิดีโอ และเสียงเป็นบริบทแบบรวมศูนย์ และสร้างวิดีโอพร้อมเสียงสเตอริโอเนทีฟได้นานสูงสุด 15 วินาทีที่ความละเอียด 2K บริษัทกล่าวว่าผลลัพธ์ 2K มีต้นทุนต่อวินาทีน้อยกว่าหนึ่งในสามของโมเดลกระแสหลัก และมีแผนจะเปิดน้ำหนักโมเดลในอีกไม่กี่วันข้างหน้าภายใต้กฎหมายและข้อบังคับที่เกี่ยวข้อง H3 สร้างขึ้นบน Contextual Omni Representation, H3-VAE, H3-Omni Transformer และ In-Context Regeneration และ MiniMax กล่าวว่ารายงานทางเทคนิบฉบับเต็มจะเผยแพร่เร็วๆ นี้

    ทำไมเรื่องนี้สำคัญ: H3 ของ MiniMax รวมการสร้างข้อความ รูปภาพ วิดีโอ และเสียงไว้ในโมเดลเดียว และอ้างว่าราคา 2K ต่ำกว่าหนึ่งในสามของโมเดลกระแสหลัก พร้อมสัญญาว่าจะเปิดน้ำหนักโมเดลเร็วๆ นี้

  1. Modal Blog60

    โมเดลมัลติโมดัล Inkling ของ Thinking Machines พร้อมใช้งานแล้วบน Modal

    Thinking Machines เปิดตัว Inkling โมเดลมัลติโมดัลอเนกประสงค์ที่รับอินพุตข้อความ รูปภาพ และเสียง แล้วส่งออกเป็นข้อความ โดย Modal ให้บริการตั้งแต่วันแรกในรูปแบบ Managed Endpoint ที่คิดราคาตามโทเคน Inkling เป็นทรานส์ฟอร์เมอร์แบบ mixture-of-experts ที่มีพารามิเตอร์รวม 975B เปิดใช้งาน 41B หน้าต่างบริบท 1M โทเคน พร้อมเสียงและภาพในตัว ใช้เลเยอร์ attention แบบ sliding-window ห้าเลเยอร์ต่อเลเยอร์ full-attention หนึ่งเลเยอร์ บนงานเอเจนต์กับ B200 8 ตัว speculator DFlash แบบกำหนดเองของ Modal ทำความเร็วได้ถึง 250 โทเคนต่อวินาทีต่อผู้ใช้ที่ปริมาณงาน 2.5M TPM ต่อ GPU ซึ่งโต้ตอบได้เร็วขึ้น 67% เมื่อเทียบกับเส้นทาง speculative ที่มีมาในโมเดลที่ปริมาณงานเท่ากัน

    ทำไมเรื่องนี้สำคัญ: endpoint วันแรกของ Modal สำหรับ Inkling ขนาด 975B พารามิเตอร์ของ Thinking Machines แสดงให้เห็นว่า speculator DFlash แบบกำหนดเองช่วยยกระดับการโต้ตอบได้ 67% เหนือเส้นทาง speculative ที่มีมาในโมเดล

  1. MiniMax Blog87

    MiniMax M3 เปิดตัวพร้อมบริบท 1M การเขียนโค้ดระดับแนวหน้าและมัลติโมดัลแบบเนทีฟ

    MiniMax เปิดตัว M3 โมเดลน้ำหนักเปิดที่บริษัทกล่าวว่าเป็นตัวแรกที่รวมความสามารถด้านการเขียนโค้ดระดับแนวหน้าและประสิทธิภาพแบบเอเจนต์ หน้าต่างบริบท 1M โทเคน และการรับข้อมูลภาพและวิดีโอแบบเนทีฟ M3 ใช้สถาปัตยกรรม MSA sparse attention ใหม่ของ MiniMax ซึ่งบริษัทรายงานว่าลดการคำนวณต่อโทเคนที่บริบท 1M เหลือ 1/20 ของรุ่นก่อนหน้า และเร่ง prefill ได้มากกว่า 9 เท่าและการถอดรหัสมากกว่า 15 เท่า ทำคะแนนได้ 59.0% บน SWE-Bench Pro, 66.0% บน Terminal-Bench 2.1 และ 74.2% บน MCP Atlas และพร้อมใช้งานผ่าน MiniMax Code, Token Plan และ API โดยสัญญาว่าจะเปิดน้ำหนักและรายงานทางเทคนิคภายใน 10 วัน

    ทำไมเรื่องนี้สำคัญ: MiniMax M3 รวมบริบท 1M โทเคน คะแนนการเขียนโค้ดระดับแนวหน้าและแบบเอเจนต์ และการรับข้อมูลภาพและวิดีโอแบบเนทีฟไว้ในโมเดลน้ำหนักเปิดเดียว โดย MSA ลดการคำนวณต่อโทเคนที่บริบทยาว

อ่านครบทั้งหมดแล้ว