ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#มัลติโมดัล
13 พฤศจิกายนวันศุกร์
  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. inclusionAI Models34

    inclusionAI เปิดตัวน้ำหนัก FP8 ของ Duo-1.0-distill-quant สำหรับการโต้ตอบแบบฟูลดูเพล็กซ์

    inclusionAI เปิดตัว Duo-1.0-distill-quant ซึ่งเป็นน้ำหนัก Realization แบบสี่สเต็ปที่ผ่านการควอนไทซ์เป็น FP8 และกลั่นแล้ว สำหรับโมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์ Duo 1.0 น้ำหนักนี้จะซ้อนทับบนชุด inclusionAI/Duo-1.0-causal-base ซึ่งจัดเตรียม Intent, โคเดก, โมเดลเสียงพูด และแกนหลัก Realization ที่ใช้ร่วมกัน และจำเป็นต้องมีรันไทม์ที่รองรับรูปแบบ ModelOpt FP8 ที่แพ็กเกจมา น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo

  3. inclusionAI Models40

    inclusionAI เปิดตัว Duo-1.0-distill น้ำหนักกลั่นสี่ขั้นสำหรับ Duo 1.0

    inclusionAI ได้เปิดตัว Duo-1.0-distill ซึ่งเป็นน้ำหนัก Realization แบบกลั่นสี่ขั้นสำหรับ Duo 1.0 โมเดลโลกมัลติโหมดแบบฟูลดูเพล็กซ์สำหรับการโต้ตอบเสียง-ภาพแบบเรียลไทม์ น้ำหนักนี้จัดส่งในรูปแบบ PyTorch Distributed Checkpoint overlay บนชุด inclusionAI/Duo-1.0-causal-base โดยใช้ Euler sampler จำนวน 4 ขั้นและ flow shift 5.0 น้ำหนักเหล่านี้เริ่มต้นจาก MiniMax H3 แล้วจึงฝึกโดยทีม Duo

  4. inclusionAI Models38

    เปิดตัว SingVL-4B GGUF: บิลด์ GGUF ของโมเดลตัดสินใจมัลติโหมดัล Sing VL S1 4B บน Qwen3.5

    Sing VL S1 โมเดลตัดสินใจมัลติโหมดัลขนาด 4B พารามิเตอร์ที่สร้างบน Qwen3.5 ขณะนี้มี GGUF release สำหรับการอนุมานบน CPU ผ่าน llama.cpp แล้ว จัดส่งในรูปแบบ decoder BF16 (8.42 GB), Q8_0 (4.48 GB) และ Q4_K_M (2.71 GB) พร้อม vision projector F16 ที่ใช้ร่วมกัน โดยมี context ขนาด 4096 โทเคนเป็นค่าเริ่มต้น การตรวจสอบ GGUF ครอบคลุม 9 ตัวอย่างและ 11 คำถาม คะแนนสาธารณะแบบเต็มสำหรับ GGUF variants ยังอยู่ระหว่างรอ

  5. 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

12 พฤศจิกายนวันพฤหัสบดี
  1. 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

  2. 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

  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

  4. Figma Blog42

    3D transforms และ agent ของ Figma ช่วยให้วิดีโอเปิดตัวมีชีวิตขึ้นมาได้อย่างไร

    Figma ได้เปิดตัว 3D transforms ในเวอร์ชัน open beta แล้ว ทำให้ดีไซเนอร์สามารถเอียง หมุน และจัดเรียงข้อความ รูปภาพ เวกเตอร์ และเฟรมในพื้นที่สามมิติได้ พร้อมเอฟเฟกต์ perspective บนเฟรมหลักเพื่อให้องค์ประกอบเชิงพื้นที่ใช้ร่วมกันได้ เอฟเฟกต์แบบ non-destructive ยังคงแก้ไขได้ และสามารถผสานกับ shader ทำแอนิเมชันด้วย Figma Motion หรือสำรวจผ่าน Figma agent ได้ Brand Studio ของ Figma ใช้เครื่องมือเหล่านี้ รวมถึงปลั๊กอิน generative ที่ agent สร้างขึ้น เพื่อผลิตวิดีโอเปิดตัวฟีเจอร์นี้

11 พฤศจิกายนวันพุธ
  1. Google Blog · AI18

    Google Arts & Culture เปิดตัวนิทรรศการย้อนหลังออนไลน์ของ ดร. เอสเธอร์ มาห์ลังกู

    Google Arts & Culture เผยแพร่นิทรรศการย้อนหลังออนไลน์ชุดแรกของศิลปินชาวแอฟริกาใต้ ดร. เอสเธอร์ มาห์ลังกู โดยจัดทำขึ้นเนื่องในโอกาสวันเกิดครบ 91 ปีของเธอ ประกอบด้วยเรื่องราวคัดสรรกว่า 45 เรื่อง และคลังข้อมูลอันหลากหลายเกี่ยวกับศิลปะ ชีวิต และมรดกของเธอ เนื่องจากคลังข้อมูลไม่มีสิ่งใดจากก่อนปี 1980 ทีมงานจึงใช้ AI สร้างภาพความทรงจำที่ไม่มีบันทึกไว้ของเธอขึ้นมาใหม่ทางภาพ โดยสร้างภาพนิ่งก่อน แล้วใช้ Veo แปลงเป็นวิดีโอ นิทรรศการนี้จัดทำร่วมกับสถาบันต่างๆ รวมถึง British Museum, Iziko Museums of South Africa และ Serpentine

  2. vLLM Blog58

    vLLM เพิ่มการแยกส่วน encoder สำหรับการให้บริการมัลติโมดัลด้วย EPD

    vLLM ได้ขยายการแยกส่วน Encoder/Prefill/Decode (EPD) สำหรับการให้บริการมัลติโมดัล โดยเพิ่มคำขอแบบ metadata-only, เส้นทางการประมวลผล encoder โดยเฉพาะ, การถ่ายโอน embedding ระยะไกลผ่าน NIXL และ Mooncake, การใช้เอาต์พุตข้าม encoder ซ้ำ และการจัดการผ่าน vLLM Router, SMG และ llm-d ความสามารถหลักรวมถึงการรองรับ MiMo และ XPU มาพร้อมใน vLLM v0.32.0 ขณะที่การรองรับ metadata-only สำหรับ DeepSeek V4.1 Flash มีให้ใช้งานบน main ผ่าน #62802 ในการทดสอบ DeepSeek V4.1 Flash บน GB200 EPD ให้ throughput ต่อ GPU สูงขึ้น 6.6–9.5% และ P90 TTFT ต่ำลง 44–47% เมื่อเทียบกับ baseline แบบ PD แปด GPU ที่ concurrency 64–128 แต่มี throughput ต่อ GPU ต่ำกว่าที่ concurrency 16

  3. inclusionAI Models40

    inclusionAI เปิดตัวโมเดล ZoomGain-9B และ ZoomGain-4B พร้อม ZoomGainBench และข้อมูลฝึก RL

    inclusionAI เปิดตัวเช็กพอยต์โมเดลวิชัน-ภาษา ZoomGain-9B และ ZoomGain-4B พร้อมกับเกณฑ์มาตรฐานการประเมิน ZoomGainBench และข้อมูลฝึก RL ของ ZoomGain โดย ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียด และ ZoomGain-9B มีประสิทธิภาพเหนือกว่าในเกณฑ์มาตรฐานการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGainBench มีคำถาม 1,000 ข้อจากภาพ 941 ภาพ ขณะที่ชุดข้อมูล RL มีบันทึกการฝึก 9,000 รายการและภาพต้นฉบับ 7,713 ภาพ

  4. inclusionAI Models38

    inclusionAI เปิดตัว ZoomGain-4B และ ZoomGain-9B พร้อม ZoomGainBench และข้อมูลฝึก RL

    inclusionAI เผยแพร่บทความ arXiv, แบบประเมิน ZoomGainBench, ชุดข้อมูลฝึก RL และเช็กพอยต์โมเดล ZoomGain-4B/ZoomGain-9B โดยโมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำผลงานได้เหนือกว่าในแบบประเมินการรับรู้แบบละเอียดและแบบทั่วไปหลายรายการ ZoomGain ขุดค้นช่องว่างการรับรู้จากภาพรวมสู่การซูมเพื่อสร้างการกำกับดูแลภาพแบบละเอียดสำหรับโมเดลภาษา-ภาพ

  5. inclusionAI Models40

    inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัล 4B บน Qwen3.5

    inclusionAI เปิดตัว SingVL S1 โมเดลตัดสินใจมัลติโมดัลขนาด 4B ที่สร้างบน Qwen3.5 ซึ่งตอบคำถามที่ระบุชื่อได้จากข้อความหรือ JSON และรูปภาพสูงสุดสี่รูปในการประมวลผลไปข้างหน้าหนึ่งครั้งของ Transformers รองรับคำถามแบบตัวเลือก แบบใช่/ไม่ใช่ (noul) และแบบให้คะแนน 2–10 ระดับ โดยได้คะแนน 73.94 บน Public Vision Index และ 69.76 บน Public Text Index โมเดลนี้มาพร้อมโค้ดอนุมานภาษา Python และเซิร์ฟเวอร์ HTTP แบบ FastAPI

  6. inclusionAI Models22

    inclusionAI ปล่อยน้ำหนัก GGUF สำหรับ ZoomGain-9B

    inclusionAI ได้ปล่อยน้ำหนักรูปแบบ GGUF สำหรับ ZoomGain-9B ซึ่งแปลงด้วย llama.cpp ครอบคลุมโมเดลภาษาและตัวเข้ารหัสภาพ/โปรเจกเตอร์ (mmproj) ในรูปแบบ FP16, Q8_0 และ Q4_K_M การป้อนภาพต้องจับคู่โมเดลภาษากับไฟล์ mmproj ที่ตรงกัน และรีโปได้จัดทำเอกสารการอนุมานผ่าน CLI ด้วย llama-mtmd-cli และการตั้งค่าแชทเว็บผ่าน llama-server จำเป็นต้องใช้บิลด์ llama.cpp ที่รองรับมัลติโมดัลของ Qwen3.5 และการควอนไทซ์อาจส่งผลต่อความแม่นยำ

10 พฤศจิกายนวันอังคาร
  1. Google Blog · AI38

    Google และ Adobe ขยายความร่วมมือเพื่อนำ Acrobat และเครื่องมือสร้างสรรค์มาสู่ Gmail, Drive, Gemini และ Search

    Google และ Adobe กำลังขยายความร่วมมือเพื่อฝังเครื่องมือสร้างสรรค์และเครื่องมือเพิ่มประสิทธิภาพการทำงานของ Adobe ไว้ในแอป Google ที่ใช้งานในชีวิตประจำวันโดยตรง และนำโมเดล AI ชั้นแนวหน้าของ Google มาสู่แอปของ Adobe Google Drive และ Gmail จะแสดง Adobe Acrobat เป็นแอปที่แนะนำพร้อมจุดเข้าใช้งาน "Edit with" ในตัวอย่างไฟล์ในไม่ช้า ขณะที่ Adobe กำลังเพิ่มตัวเชื่อมต่อ Acrobat และเครื่องมือสร้างสรรค์ให้กับ Gemini และ Gemini Enterprise และนำเครื่องมือสร้างสรรค์มาสู่ AI Mode ใน Google Search ธุรกิจต่างๆ สามารถใช้เอเจนต์ CX Enterprise Coworker ของ Adobe ใน Gemini Enterprise ได้ และ Adobe ร่วมกับ Google DeepMind จะสำรวจโมเดลภาพสำหรับ Photoshop ที่อาจเปิดทางให้แก้ไขได้เกือบแบบเรียลไทม์

  2. 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

  3. Google Research25

    Language Explorer ของ Google ช่วยให้เห็นภาพความหลากหลายทางภาษาของโลก

    Google ได้เปิดตัว Language Explorer แพลตฟอร์มเว็บแบบอินเทอร์แอกทีฟที่ให้นักวิจัย นักการศึกษา และผู้ที่สนใจด้านภาษาได้ค้นพบและเห็นภาพความหลากหลายทางภาษาจากภาษาหลายพันภาษา พัฒนาขึ้นเป็นส่วนหนึ่งของโครงการ 1,000 Languages Initiative ของ Google และอ้างอิงจากชุดข้อมูลโอเพนซอร์ส LinguaMeta โดยจัดแสดงในนิทรรศการใหม่ที่พิพิธภัณฑ์การสื่อสารเบอร์ลินซึ่งเปิดในสัปดาห์นี้ ปัจจุบัน Google Translate รองรับเกือบ 250 ภาษา ขณะที่ Gboard ครอบคลุมภาษาถิ่นกว่า 900 ภาษา

  4. Recraft Blog55

    Gemini Omni Flash 1.2 มาถึง Recraft Studio พร้อมตัวละครที่นิ่งขึ้นและ lip-sync ที่ชัดเจนขึ้น

    Gemini Omni Flash 1.2 โมเดลวิดีโอใหม่ล่าสุดของ Google พร้อมใช้งานแล้วใน Recraft Studio โดยคลิปมีความยาวสูงสุด 10 วินาทีพร้อมเสียงแบบ native เมื่อเทียบกับ 1.1 เวอร์ชันนี้รักษาตัวละคร สินค้า และฉากให้มีความนิ่งสม่ำเสมอตลอดคลิป ทำตามคำสั่งกล้องโดยมีการตัดภาพที่ไม่ต้องการน้อยลง และสร้างบทสนทนาที่ lip-sync ชัดเจนขึ้น รวมถึงฉากที่มีผู้พูดหลายคน Google เปิดตัวโมเดลนี้เมื่อวันที่ 5 พฤศจิกายน 2026 และระบุว่ายังคงมีปัญหากับกีฬาที่มีการเคลื่อนไหวเร็ว การเปลี่ยนบทอย่างรวดเร็ว และฟิสิกส์ที่ซับซ้อน

9 พฤศจิกายนวันจันทร์
  1. inclusionAI Repositories38

    ZoomGain: การขุดช่องว่างการรับรู้จากภาพรวมสู่การซูมสำหรับการกำกับดูแลด้วยภาพอย่างละเอียด

    ZoomGain สร้างคำถามเกี่ยวกับภาพเต็มจากรายละเอียดทางภาพที่ชัดเจนขึ้นเมื่อซูมเข้า โดยใช้ช่องว่างการรับรู้จากภาพรวมสู่การซูมนี้เป็น信号กำกับสำหรับโมเดลภาษา-ภาพ การเผยแพร่ประกอบด้วยบทความ arXiv, Benchmark ZoomGainBench (1,000 คำถามจาก 941 ภาพ ครอบคลุมการจดจำคุณลักษณะ การนับ และ OCR), บันทึกการฝึก RL 9,000 รายการจากภาพต้นฉบับ 7,713 ภาพ และ checkpoint ZoomGain-4B และ ZoomGain-9B โมเดลที่ดีที่สุดใน 28 โมเดลได้คะแนน 61.08 บน ZoomGainBench ขณะที่ ZoomGain-9B ทำได้เหนือกว่าใน benchmark การรับรู้แบบละเอียดและทั่วไปหลายรายการ

  2. 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

6 พฤศจิกายนวันศุกร์
  1. vLLM Blog55

    VeRL-Omni v0.3.0 เปิดตัวพร้อมการฝึกแบบอะซิงโครนัสและการหลังการฝึกแบบมัลติโมดัลที่กว้างขึ้น

    VeRL-Omni v0.3.0 เปิดตัวพร้อมเส้นทางการทำงาน RL แบบอะซิงโครนัสและแยกส่วน, V1 trainer เป็นค่าเริ่มต้น, และขยายขอบเขตการหลังการฝึกครอบคลุมการเข้าใจภาพ วิดีโอ เสียง และมัลติโมดัล การเปิดตัวนี้เพิ่มการฝึกข้อความและเสียง Qwen3-Omni แบบอะซิงโครนัสเต็มรูปแบบ, การฝึก Omni และ diffusion แบบแยกอะซิงโครนัสพร้อม replay buffer, และสูตรใหม่รวมถึง MiniMax H3 กับ DiffusionNFT และ MiniCPM-o 4.5 GSPO ในการทดลอง MiniCPM-o 4.5 AVQA บน 4×H800 80 GB, separate-async 3+1 ช้ากว่า colocated 4+0 ประมาณ 9% ต่อ prompt ที่ความยาวการตอบสนองตามธรรมชาติ, ใกล้เคียงกันที่ 512 โทเค็น, และเร็วกว่าประมาณ 6.7% ที่ 1024 โทเค็น

  2. 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

  3. 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

  4. 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

  5. Descript Changelog22

    สรุปการอัปเดต Descript วันที่ 6 พฤศจิกายน 2026: แพ็กเลย์เอาต์แบรนด์, สกิล Underlord, ถังขยะ 30 วัน

    สรุปการอัปเดตของ Descript วันที่ 6 พฤศจิกายน 2026 เพิ่มแพ็กเลย์เอาต์แบบเจนเนอเรทีฟที่เปลี่ยนแนวทางแบรนด์ โลโก้ และสีให้เป็นสี่ทิศทางที่ AI เสนอ และแพ็กเลย์เอาต์ที่แก้ไขได้เต็มรูปแบบในแผนแบบเสียค่าใช้จ่าย ตอนนี้ Underlord รองรับสกิลที่ใช้ซ้ำได้ เรียกใช้ด้วย "/" ในแชท แทนที่เทมเพลตพรอมต์ ซึ่งจะปิดใช้งานในวันที่ 30 พฤศจิกายน โปรเจกต์ที่ลบแล้วจะอยู่ในถังขยะ 30 วัน และการค้นหาในไดรฟ์ของ Enterprise จะจับคู่กับสิ่งที่อยู่ภายในรูปภาพและวิดีโอ รวมถึงผ่าน Descript MCP และ API

5 พฤศจิกายนวันพฤหัสบดี
  1. Google Research47

    งานวิจัยของ Google ช่วยให้มนุษย์นิยามหมวดหมู่ AI แบบอัตวิสัยได้ด้วย Agile Deliberation

    Google Research เปิดตัว Agile Deliberation ซึ่งเป็นกรอบการทำงานที่เปลี่ยนการสร้างตัวจำแนกประเภท AI แบบอัตวิสัยให้เป็นการสนทนาแบบวนซ้ำที่ AI ช่วยให้ผู้ใช้ปรับปรุงคำนิยามของตนเองให้ชัดเจนขึ้น โดยแบ่งงานออกเป็นการกำหนดขอบเขตแนวคิดและการวนซ้ำแนวคิด ใช้โมเดลภาพ-ภาษาเพื่อแสดงภาพที่อยู่กึ่งกลางและส่งต่อข้อเสนอแนะเข้าสู่วงจรการปรับแต่งพรอมต์อัตโนมัติ ในการทดลองกับผู้ใช้จริง 18 ครั้ง ครั้งละ 1.5 ชั่วโมง วิธีนี้ช่วยลดความเหนื่อยล้าและความกังวลของผู้ใช้ และสร้างโมเดลที่สอดคล้องกันมากขึ้นซึ่งมีประสิทธิภาพเหนือกว่าฐานมาตรฐาน โค้ดเปิดเผยเป็นโอเพนซอร์สบน GitHub

  2. 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

30 ตุลาคมวันศุกร์
  1. Meta Newsroom · AI25

    Meta จับมือ INCA ขยายการเข้าถึงแว่นตา AI สำหรับชาวแคนาดาที่ตาบอดและมีสายตาเลือนราง

    Meta ได้ร่วมมือกับ INCA องค์กรไม่แสวงหากำไรของแคนาดาที่ก่อตั้งขึ้นในปี 1918 เพื่อช่วยให้ผู้ตาบอด ผู้ตาบอดหูหนวก และผู้มีสายตาเลือนรางในแคนาดาได้รับประโยชน์จากแว่นตา AI มากขึ้น เงินทุนจาก Meta จะสนับสนุน INCA ในสี่ด้าน ได้แก่ การรับฟังความคิดเห็นจากชุมชน การสนับสนุนผู้ขับเคลื่อนชุมชนที่จัดสาธิตแบบพบปะและฝึกอบรมแบบเพื่อนช่วยเพื่อน การส่งข้อคิดเห็นจากชุมชนไปยังทีมด้านการเข้าถึงและทีมผลิตภัณฑ์ของ Meta และการจัดหาคู่มือการเรียนรู้และทรัพยากรการฝึกอบรมที่เข้าถึงได้ นอกจากนี้ Meta ยังบริจาคแว่นตา AI ผ่านโครงการ "Opening the Doors to Work" ของ INCA สำหรับผู้ที่กำลังมองหางานอีกด้วย

  2. Meta Newsroom · AI25

    Meta จับมือ CNIB นำแว่นตา AI สู่ชาวแคนาดาที่ตาบอดและมีสายตาเลือนราง

    Meta ได้ร่วมมือกับ CNIB องค์กรไม่แสวงหากำไรที่ก่อตั้งขึ้นในปี 1918 เพื่อนำแว่นตา AI ไปสู่ชาวแคนาดาที่ตาบอด ตาบอดหูหนวก หรือมีสายตาเลือนรางให้มากขึ้น เงินทุนจาก Meta จะสนับสนุน CNIB ในสี่ด้าน ได้แก่ การรับฟังชุมชน การฝึกอบรมแบบเพื่อนช่วยเพื่อนที่นำโดยผู้นำชุมชน การแบ่งปันข้อมูลเชิงลึกกับทีมด้านการเข้าถึงและทีมผลิตภัณฑ์ของ Meta และคู่มือและสื่อการฝึกอบรมที่เข้าถึงได้ Meta ยังบริจาคแว่นตา AI ผ่านโครงการ Come to Work ของ CNIB สำหรับผู้ที่กำลังสำรวจเส้นทางอาชีพอีกด้วย

29 ตุลาคมวันพฤหัสบดี
  1. Meta Newsroom · AI22

    Meta ร่วมมือกับมหาวิทยาลัย 5 แห่งในสหรัฐฯ เพื่อเร่งความก้าวหน้าทางการแพทย์และวิทยาศาสตร์

    Meta กำลังร่วมมือกับมหาวิทยาลัย 5 แห่งในสหรัฐฯ ได้แก่ Caltech, วิทยาลัยแพทยศาสตร์มหาวิทยาลัยแห่งรัฐโอไฮโอ, มหาวิทยาลัยแห่งรัฐลุยเซียนา, มหาวิทยาลัยอินดีแอนา และ UTHealth Houston พร้อมมอบทุน 2 ล้านดอลลาร์เพื่อสนับสนุนการวิจัยที่ใช้โมเดลของ Meta ในด้านการแพทย์ ฟิสิกส์ เคมี ชีววิทยา วิทยาการคอมพิวเตอร์ และคณิตศาสตร์ โครงการต่างๆ รวมถึงระบบคอมพิวเตอร์วิทัศน์ที่สร้างบนโมเดล SAM แบบเปิดน้ำหนักของ Meta เพื่อตรวจจับการเลื่อนตำแหน่งของท่อ tracheostomy ในทารก, AI แบบมัลติโมดัลเพื่อช่วยให้เอเจนต์สนทนาปรับตัวเข้ากับผู้ป่วยภาวะสมองเสื่อม และโมเดลแบบเปิดน้ำหนักที่คาดการณ์ความเสี่ยงภาวะหัวใจล้มเหลวจากภาพ CT และเวชระเบียนตามปกติ

28 ตุลาคมวันพุธ
  1. Ai2 · Allen Institute for AI40

    นักวิจัยปรับใช้ olmOCR 2 กับคลังเอกสารทางประวัติศาสตร์และโบราณคดีอย่างไร

    นักวิจัยกำลังปรับใช้โมเดล olmOCR 2 แบบเปิดของ Ai2 เพื่อถอดความคลังเอกสารทางประวัติศาสตร์และโบราณคดี นักประวัติศาสตร์ Maurice Casey สร้าง ArtificeOCR ซึ่งรัน olmOCR 2 ในเครื่องร่วมกับ Tropy เพื่อทำให้คลังภาพเอกสารของเขาค้นหาได้ด้วยคีย์เวิร์ด ขณะที่โครงการ CENTURIA ของ TU Wien ปรับแต่ง olmOCR 2 ด้วย LoRA บนระเบียนที่ทำคำอธิบายประกอบ 57 รายการ ลดข้อผิดพลาดในการถอดความบนระเบียนทดสอบ 450 รายการจาก 15.58% เหลือ 1.11%

  2. Meta AI Research Blog30

    Meta สนับสนุนการวิจัย AI ในมหาวิทยาลัยห้าแห่งของสหรัฐฯ เพื่อเร่งความก้าวหน้าทางการแพทย์และวิทยาศาสตร์

    Meta ให้การสนับสนุนการวิจัยในมหาวิทยาลัยห้าแห่งของสหรัฐฯ ได้แก่ Caltech, Ohio State University College of Medicine, Louisiana State University, Indiana University และ UTHealth Houston ด้วยการเข้าถึงโมเดล Muse ล่าสุด ความร่วมมือจากนักวิจัย และเงินทุน นักวิจัยจะใช้ Muse Spark Open, Muse Wonder, Muse Spark, Muse Glimmer แบบ open-weight ขนาด 30B รวมถึง SAM, V-JEPA, DINO, UMA และ SeamlessM4T โครงการครอบคลุมสาขาการแพทย์ ฟิสิกส์ เคมี ชีววิทยา วิทยาการคอมพิวเตอร์ และคณิตศาสตร์ โดยมหาวิทยาลัยยังคงควบคุมข้อมูลผู้ป่วยและข้อมูลทางคลินิกทั้งหมด

27 ตุลาคมวันอังคาร
  1. Apple Newsroom58

    Apple Creator Studio เพิ่มผู้ช่วย AI รองรับ MCP และ MotionVFX ใน Final Cut Pro

    Apple เปิดตัวอัปเดต Apple Creator Studio ที่นำผู้ช่วยอัจฉริยะซึ่งสร้างบนโมเดลของ Apple และบุคคลที่สามมาสู่ Keynote, Pages และ Numbers พร้อมรองรับ Model Context Protocol เพื่อให้ AI agent ภายนอกสามารถอ่านเนื้อหาและแก้ไขในแอปเหล่านี้ได้ Final Cut Pro สำหรับ Mac มี MotionVFX และวิดีโอสต็อกจาก Content Hub ในตัวแล้ว Logic Pro ได้รับผู้ช่วยเวอร์ชันเบต้าและ Stem Splitter ที่แยกเสียงกลอง และ Pixelmator Pro เพิ่ม Generate Fill สำหรับการแก้ไขภาพด้วยภาษาธรรมชาติ อัปเดตเหล่านี้จะเปิดให้ใช้บน App Store ในเดือนพฤศจิกายนนี้ ฟรีสำหรับผู้สมัครสมาชิกที่มีอยู่แล้ว โดยการสมัครสมาชิกใหม่ราคา $12.99 ต่อเดือน หรือ $129 ต่อปี

24 ตุลาคมวันเสาร์
  1. Google Research58

    Google Research อธิบายเส้นทางของ AI คัดกรองวัณโรค จาก benchmark สู่การใช้งานทางคลินิกที่ได้รับการรับรอง

    Google Research เปิดเผยในงาน IDWeek 2026 ว่าโมเดลคัดกรองวัณโรคจากภาพเอกซเรย์ทรวงอก พัฒนาจาก benchmark ในวารสาร Radiology ปี 2019 สู่เครื่องมือที่ได้รับการรับรอง CE MDR Class IIb ซึ่งพันธมิตร Nexus AI นำไปใช้งานในสถานพยาบาลราว 40 แห่งทั่ว 6 ประเทศ โดยแพทย์กว่า 90 คนได้ประเมินภาพรังสีทรวงอกกว่า 25,000 ภาพ ลดเวลาตอบสนองจากหลายสัปดาห์เหลือต่ำกว่า 45 วินาที และเครื่องมือนี้ยังถูกนำไปใช้งานแบบออฟไลน์ที่ระดับความลึก 4 กิโลเมตรใต้ดินในเหมืองทองคำ Mponeng ของแอฟริกาใต้ นอกจากนี้ Google ยังเปิดโอเพนซอร์ส chest X-ray embeddings และ MedSigLIP ผ่าน HAI-DEF และเผยแพร่ MedGemma ซึ่งระบุว่ามียอดดาวน์โหลดเกิน 10 ล้านครั้ง ขณะที่กระทรวงสาธารณสุขอินโดนีเซียกำลัง fine-tuning โมเดลทั้งสองด้วยภาพรังสีในประเทศสำหรับโครงการคัดกรองระดับชาติ

23 ตุลาคมวันศุกร์
  1. Amazon Science40

    เทคโนโลยี TTS แบบควบคุมได้ของ Audible มอบเสียงตัวละครที่แตกต่างให้กับหนังสือเสียง

    ทีมเทคโนโลยีของ Audible ใช้เทคโนโลยี text-to-speech แบบควบคุมได้เพื่อมอบเสียงที่แตกต่างและสม่ำเสมอให้กับตัวละครในหนังสือเสียง โดยมีคำอธิบายด้วยภาษาธรรมชาติเป็นแนวทางว่าบทสนทนาควรถูกถ่ายทอดอย่างไร คอมโพเนนต์ BookLLM ทำการโปรไฟล์ตัวละครและระบุบทสนทนาของพวกเขาด้วยความแม่นยำ 97% ในภาษาอังกฤษและ 94% ในภาษาสเปน ขณะที่ไปป์ไลน์ข้อมูลสังเคราะห์ใช้ฝึกโมเดลด้วยเสียงพูดที่มีคำบรรยาย การแยกความแตกต่างของบทสนทนาดีขึ้น 3.7 คะแนนในการทดสอบ MUSHRA โดยมีผลประโยชน์ด้านประสบการณ์การฟังอย่างมีนัยสำคัญทางสถิติสำหรับแปดในสิบเสียงในการทดสอบภาษาอังกฤษและภาษาสเปน

22 ตุลาคมวันพฤหัสบดี
  1. Ai2 · Allen Institute for AI58

    Ai2 เปิดตัวโมเดล embedding ดาวเทียม OlmoEarth v1.3 พร้อม embedding ทั่วโลกที่คำนวณล่วงหน้าและเบราว์เซอร์ explorer

    Ai2 เปิดตัว OlmoEarth v1.3 โมเดล embedding ดาวเทียมที่เปลี่ยนข้อมูลอนุกรมเวลาจาก Sentinel-1, Sentinel-2 และ Landsat ตลอดหนึ่งปีให้เป็นเวกเตอร์ 128 มิติหนึ่งตัวต่อพิกเซลขนาด 10 เมตร โดย 64 มิติแรกสามารถใช้เป็น embedding ขนาดเล็กกว่าได้ Ai2 คำนวณ embedding รายปีล่วงหน้าสำหรับทั้งโลกและเผยแพร่บน Source Cooperative และ embedding 128 มิติของมันได้คะแนนสูงสุดในการประเมิน 20 จาก 27 รายการเมื่อเทียบกับ AlphaEarth Foundations และ Tessera v2 รวมถึงเกณฑ์มาตรฐานพืชเขตร้อนใหม่ชื่อ PLANTEUR การเปิดตัวยังรวมถึง OlmoEarth Embeddings Explorer เครื่องมือเบราว์เซอร์ที่ไม่ต้องลงชื่อเข้าใช้สำหรับเปรียบเทียบปี ค้นหาสถานที่ที่คล้ายกัน และฝึกตัวจำแนกขนาดเล็กได้ทันที โดยมีข้อมูลทั่วโลกปี 2025, 2024 และ 2023 และปี 2017 ถึง 2022 ครอบคลุมบางประเทศ น้ำหนัก ข้อมูลพรีเทรน และโค้ดเป็นโอเพนซอร์ส

  2. Google Research58

    โมเดล AI ของ Google Research แม่นยำเท่าผู้เชี่ยวชาญด้านอัลตราซาวนด์ในการประเมินอายุครรภ์จากภาพอัลตราซาวนด์แบบ blind sweep

    Google Research เผยแพร่การศึกษาระยะยาวหลายศูนย์ใน JAMA Network Open พบว่าโมเดล AI ของบริษัทสามารถประเมินอายุครรภ์จากภาพอัลตราซาวนด์แบบ blind sweep โดยมีค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย 4.18 วัน เทียบกับ 4.48 วันสำหรับผู้เชี่ยวชาญด้านอัลตราซาวนด์ที่ใช้การวัดแบบมาตรฐาน โมเดลนี้ถูกปรับแต่งเพียงเล็กน้อยกับผู้เข้าร่วม 120 คนในชิคาโก และทดสอบโดยไม่มีการปรับแต่งเฉพาะพื้นที่ในไนโรบี ซึ่งได้ค่า MAE 4.27 วัน เทียบกับ 4.10 วันในชิคาโก งานวิจัยนี้มุ่งเป้าไปที่การดูแลสุขภาพแม่ในระดับแนวหน้า ซึ่ง WHO ประเมินว่ามีการเสียชีวิตที่เกี่ยวข้องกับการตั้งครรภ์ที่ป้องกันได้มากกว่า 250,000 รายต่อปี และสองในสามของผู้คนขาดการเข้าถึงการวินิจฉัยด้วยภาพ

15 ตุลาคมวันพฤหัสบดี
  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

6 ตุลาคมวันอังคาร
  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