ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#มัลติโมดัล
13 สิงหาคมวันพฤหัสบดี
  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

31 กรกฎาคมวันศุกร์
  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

15 กรกฎาคมวันพุธ
  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 มิถุนายนวันจันทร์
  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

4 พฤษภาคมวันจันทร์
  1. Modal Blog36

    Modal เพิ่มประสิทธิภาพการอนุมานมัลติโหมดของ SGLang ขึ้นกว่า 10% ด้วยแคช Python dict

    Modal ได้ทำโปรไฟล์ตัวจัดตารางของ SGLang บนงานมัลติโหมด และแทนที่การจัดการ CUDA IPC handle ซ้ำๆ ด้วยแคช Python dict อย่างง่าย ทำให้ปริมาณงานเพิ่มขึ้น 16.2% และลดค่าเฉลี่ย TTFT ลง 13.2% และ TPOT 17.2% บน Qwen2.5-VL-3B-Instruct บน H100 การแก้ไขนี้ถูกรวมใน SGLang v0.5.10 แล้ว

23 พฤษภาคม 2025วันศุกร์
  1. Vapi Blog18

    Narakeet: เปลี่ยนข้อความเป็นเสียงพูดที่เป็นธรรมชาติ

    Narakeet แปลงสคริปต์ที่เขียนเป็นเสียงบรรยายที่สมจริง โดยมีเสียงมากกว่า 600 เสียงในกว่า 70 ภาษา และรองรับกว่า 140 ภาษาและภาษาถิ่น แพลตฟอร์มซิงค์การบรรยายกับ PowerPoint, Google Slides และไฟล์ Markdown สร้างคำบรรยายและแคปชัน และมี API สำหรับนักพัฒนาที่รองรับการประมวลผลแบบแบตช์ แพ็กเกจเริ่มต้นที่ประมาณ $5 ต่อเดือน และมีระดับฟรีให้ใช้

24 กันยายน 2024วันอังคาร
  1. Modal Blog22

    การค้นหาแบบไฮบริดบน embedding จากภาพถ่ายดาวเทียมของแคลิฟอร์เนียด้วย Modal, MongoDB และ Clay

    แอปสาธิตทำการค้นหาแบบไฮบริดทั่วทั้งรัฐแคลิฟอร์เนียโดยใช้การประทับเวลา ข้อมูลพิกัดทางภูมิศาสตร์ และ embedding จากภาพถ่ายดาวเทียมจากโมเดลพื้นฐาน Clay v1 โดย Modal ทำหน้าที่จัดการคำขอรายวันไปยัง Sentinel API การจัดเก็บใน MongoDB Atlas และการประมวลผล embedding บน GPU A10 พร้อมฟรอนต์เอนด์ Alpine JS ขนาดเล็กที่ให้บริการผ่าน FastAPI