ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#การเปิดตัวโมเดล
13 พฤศจิกายนวันศุกร์
  1. 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

  2. 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

  3. 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

  4. Hugging Face Blog69

    IBM เปิดตัวโมเดลพรีวิว LLMON ที่สร้างบน Granite 4.1 3B และ 8B

    IBM เปิดตัวโมเดลพรีวิวเชิงทดลองสองรุ่น คือ granite-4.1-3b-LLMON-preview และ granite-4.1-8b-LLMON-preview ซึ่งพัฒนามาจากเช็กพอยต์ฐาน Granite 4.1 และฝึกให้อ่านและสร้าง LLMON ซึ่งเป็นภาษามาร์กอัปที่ออกแบบมาเพื่อ LLM โดยเฉพาะ ใช้ตัวคั่นโทเคนพิเศษที่สงวนไว้สำหรับกำกับคำสั่ง ข้อมูล และข้อกำหนด บนเบนช์มาร์ก OPI โมเดลเหล่านี้หลีกเลี่ยงการโจมตีแบบ indirect prompt injection ได้มากกว่าโมเดล frontier ที่ดีที่สุดที่ทดสอบถึง 47% และมากกว่าโมเดลโอเพนซอร์สที่ดีที่สุดถึง 95% ขณะที่ประสิทธิภาพบนเบนช์มาร์กมาตรฐานอยู่ในระดับเดียวกับ Granite 4.1 Instruct การเปิดตัวครั้งนี้มาพร้อมชุดเครื่องมือบน GitHub ที่มีตัวแปลง JSON-to-LLMON แบบไม่สูญเสียข้อมูล และผู้เขียนระบุว่าพรีวิวนี้มีไว้เพื่อการสำรวจ ไม่ใช่สำหรับการใช้งานจริง

    ทำไมเรื่องนี้สำคัญ: IBM ฝึกโมเดลพรีวิวบน Granite 4.1 ที่สามารถอ่านและเขียนแท็ก LLMON ได้ โดยใช้การแยกคำสั่งและข้อมูลอย่างชัดเจนเพื่อลดอัตราความสำเร็จของการโจมตีแบบ indirect prompt injection บนเบนช์มาร์ก OPI ให้ใกล้ศูนย์ ขณะที่ยังคงความสามารถทั่วไปไว้ได้

  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

11 พฤศจิกายนวันพุธ
  1. Google DeepMind72

    DeepMind เปิดตัว AlphaGenome 2 โมเดล DNA ที่ทำนายผลของตัวแปรในเซลล์ชนิดเฉพาะ

    Google DeepMind ประกาศเปิดตัว AlphaGenome 2 โมเดลลำดับ DNA รุ่นใหม่ที่ทำนายว่าลำดับ DNA และตัวแปรของลำดับนั้นส่งผลต่อเซลล์มนุษย์ชนิดเฉพาะอย่างไร โมเดลแบบมีเงื่อนไขนี้ฝึกจากโปรไฟล์เซลล์แต่ละเซลล์มากกว่า 107 ล้านโปรไฟล์จาก 68 เนื้อเยื่อ สามารถระบุตัวแปรที่เปลี่ยนการแสดงออกได้เกือบสองเท่าของโมเดลก่อนหน้า และบนชุดข้อมูลเซลล์ภูมิคุ้มกัน TenK10K สามารถเรียกคืนตัวแปรเชิงสาเหตุได้ 30% เทียบกับ 16% ของ AlphaGenome เดิมที่ปรับแต่งบนข้อมูลเซลล์เดี่ยว ใช้งานได้สำหรับการวิจัยที่ไม่ใช่เชิงพาณิชย์ผ่าน AlphaGenome API และอยู่ในช่วงพรีวิวแบบส่วนตัวสำหรับการวิจัยเชิงพาณิชย์

    ทำไมเรื่องนี้สำคัญ: AlphaGenome 2 เปลี่ยนจากค่าเฉลี่ยระดับเนื้อเยื่อไปสู่การปรับเงื่อนไขระดับเซลล์เดี่ยว ทำให้การเรียกคืนตัวแปรเชิงสาเหตุบนข้อมูลเซลล์ภูมิคุ้มกันเพิ่มขึ้นราวสองเท่า ซึ่งสำคัญต่อการเชื่อมสัญญาณ GWAS เข้ากับเซลล์ชนิดเฉพาะ

  2. Hugging Face Blog42

    Tether AI Research เปิดตัว BotPsy: โมเดลเอเจนต์บนอุปกรณ์ขนาด 0.8B ที่สร้างบน Qwen3.5-0.8B

    Tether AI Research เปิดตัว BotPsy โมเดลเอเจนต์ขนาด 0.8B พารามิเตอร์ที่สร้างบน Qwen3.5-0.8B สำหรับการใช้งานเครื่องมือของผู้ช่วยส่วนตัวบนอุปกรณ์ โดยทำคะแนนเอเจนต์ได้ประมาณสองเท่าของโมเดลฐาน โดย BFCL v4 เพิ่มจาก 23.4 เป็น 44.0 และ τ-bench จาก 23.2 เป็น 51.5 และเอาชนะทุกโมเดลที่มีพารามิเตอร์สูงถึง 1.2B ที่ทดสอบในหกเบนช์มาร์กการใช้เครื่องมือ อีกทั้งลดการตอบสนองที่ไม่ปลอดภัยเหลือ 21% จาก 36% และใช้โทเคนการให้เหตุผลน้อยลงประมาณ 3 เท่าใน GPQA Diamond

  3. inclusionAI Models34

    inclusionAI เปิดตัว LemonDecider 4B v3 โมเดลตัดสินใจที่อิงจาก Qwen3.5-4B

    inclusionAI เปิดตัว LemonDecider 4B v3 โมเดลตัดสินใจที่ผ่านการ fine-tune จาก Qwen3.5-4B ซึ่งคืนค่าความน่าจะเป็นของตัวเลือก ใช่/ไม่ใช่ หรือลำดับ ผ่านการ forward pass แบบร่วมเพียงครั้งเดียว แทนการสร้างโทเค็นคำตอบ ฝึกบนข้อมูล decision/QA ประมาณ 1.20M แถว และได้คะแนน 61.67 บนชุดทดสอบสาธารณะ Decision Index 0.4 โดยมีค่ามัธยฐานของเวลาแฝงต่อคำขอที่ 49.9 ms

  4. 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

  5. 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

  6. MiniMax Blog75

    MiniMax เปิดตัว H3-Image โมเดลน้ำหนักเปิดที่สร้างภาพ 4K ได้ในไม่ถึง 10 วินาที

    MiniMax เปิดตัว H3-Image โมเดลสร้างภาพแบบน้ำหนักเปิดที่สร้างบน H3 รองรับการสร้างภาพจากข้อความ การสร้างจากภาพอ้างอิง และการแก้ไขภาพ และสามารถสร้างภาพขนาด 4096 × 4096 ได้ในไม่ถึง 10 วินาที บริษัทกล่าวว่าโมเดลรองรับภาพอ้างอิงได้สูงสุด 16 ภาพ อ้างว่ามีความสามารถในการทำตามพรอมต์ระดับแนวหน้าของโมเดลน้ำหนักเปิด และรายงานความเร็วสูงกว่าคู่แข่งกระแสหลักถึง 5 เท่า H3-Image ใช้งานได้ผ่าน MiniMax API Platform, MiniMax Code และ Hailuo AI ในราคา 50–70% ของผลิตภัณฑ์ที่เทียบเคียงได้ โดยมีส่วนลด 50% สำหรับคำขอขนาด 4K ขึ้นไปในช่วงสัปดาห์เปิดตัว

    ทำไมเรื่องนี้สำคัญ: MiniMax เปิดตัว H3-Image แบบน้ำหนักเปิด อ้างว่าสร้างภาพ 4K ได้ในไม่ถึง 10 วินาที และตั้งราคาที่ 50–70% ของผลิตภัณฑ์กระแสหลักที่เทียบเคียงได้ มอบทางเลือกแบบเปิดใหม่ให้นักพัฒนาสำหรับงานภาพความละเอียดสูง

  7. Google DeepMind88

    Google DeepMind เปิดตัว Gemini 4 Carbon สำหรับการเขียนโค้ดแบบเอเจนต์ ไซเบอร์ซีเคียวริตี้ และการให้เหตุผลเชิงวิทยาศาสตร์

    Google DeepMind เปิดให้ developers, องค์กร, นักวิทยาศาสตร์ และผู้บริโภคใช้งาน Gemini 4 Carbon ได้แล้ว โดยวางตำแหน่งให้เหนือกว่า Gemini 4 Argon สำหรับงานที่ต้องใช้การให้เหตุผลเชิงลึกและโทเคนมากขึ้น Carbon ครองอันดับ 1 บน CursorBench 4.0, WANDR ของ Perplexity และ AutomationBench ของ Zapier ด้วยต้นทุนต่องานต่ำกว่าโมเดลภายนอกที่ดีที่สุดเป็นอันดับถัดไปกว่า 2 เท่า และมีราคาอยู่ที่ 2 ดอลลาร์ต่อล้านโทเคนอินพุต และ 10 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ซึ่งเป็นราคาเปิดตัวเดียวกับ Argon Google ยังได้พรีวิว /swarm ใน Google Antigravity ซึ่งเปลี่ยนพรอมป์เดียวให้กลายเป็นทีมเอเจนต์ที่ทำงานประสานกัน และรายงานว่า Carbon สามารถบล็อกเส้นทางการโจมตีได้ 99% ในการทดสอบจำลองการโจมตีทางไซเบอร์

    ทำไมเรื่องนี้สำคัญ: บันทึกการเปิดตัวของ Google อธิบายว่า Gemini 4 Carbon แลกกับการใช้โทเคนที่สูงขึ้นเพื่อการให้เหตุผลที่ลึกขึ้น โดยครองอันดับ 1 บน CursorBench 4.0, WANDR และ AutomationBench ด้วยต้นทุนต่องานต่ำกว่าครึ่งหนึ่งของโมเดลภายนอกอันดับถัดไป

10 พฤศจิกายนวันอังคาร
  1. Amazon Science62

    Amazon เปิดตัว Mitra-v2 โมเดลพื้นฐานสำหรับข้อมูลตารางที่ผ่านการฝึกล่วงหน้าด้วยข้อมูลสังเคราะห์แบบขยายขนาด

    Amazon เปิดตัว Mitra-v2 โมเดลพื้นฐานสำหรับข้อมูลตารางรุ่นที่สองสำหรับการจำแนกประเภทและการถดถอย โดยเผยแพร่พร้อมโมเดลที่ผ่านการปรับแต่งละเอียดและโค้ดสำหรับการอนุมานและการปรับแต่งละเอียดภายใต้สัญญาอนุญาต Apache-2.0 บน Hugging Face โมเดลนี้ผ่านการฝึกล่วงหน้าบนตารางสังเคราะห์ที่มีจำนวนแถวมากกว่า Mitra-v1 ถึง 10 เท่าและมีจำนวนคอลัมน์มากกว่าประมาณ 3 เท่า โดยใช้ไพรเออร์ SCM แบบไฮบริดใหม่และออปติไมเซอร์แบบไฮบริด ขณะที่ยังคงสถาปัตยกรรม Transformer ไว้ไม่เปลี่ยนแปลง บน TabArena ซึ่งเป็นเกณฑ์มาตรฐานสาธารณะที่มีชุดข้อมูลจริง 51 ชุด Mitra-v2 อยู่ในอันดับนำในกลุ่มโมเดลเดี่ยว เอาชนะ Mitra-v1 ได้บน 32 จาก 33 ชุดข้อมูลที่ทั้งสองรันแบบเนทีฟ และรันเสร็จทั้ง 51 ชุดภายในงบเวลาหนึ่งชั่วโมง นอกจากนี้ Mitra-v2 ที่ผ่านการปรับแต่งละเอียดยังอยู่ในอันดับหนึ่งบน ScoringBench

    ทำไมเรื่องนี้สำคัญ: Mitra-v2 แสดงให้เห็นว่าการขยายข้อมูลฝึกล่วงหน้าสังเคราะห์ แทนที่จะเพิ่มความลึกของเครือข่าย ช่วยยกระดับโมเดลพื้นฐานสำหรับข้อมูลตารางขึ้นสู่อันดับนำในกลุ่มโมเดลเดี่ยวของ TabArena

  2. Google DeepMind78

    Google DeepMind เปิดตัวโมเดล Gemini Robotics 2.5 VLA สำหรับความคล่องแคล่วในโลกจริง

    Google DeepMind เปิดตัว Gemini Robotics 2.5 ซึ่งเป็นโมเดล vision-language-action ที่มีความสามารถสูงที่สุดจนถึงปัจจุบัน ขยายขอบเขตทักษะที่หุ่นยนต์สามารถเรียนรู้ได้และเร่งความเร็วในการเรียนรู้ ทดสอบบนงานที่แตกต่างกัน 200 งาน โมเดลมีอัตราความสำเร็จสูงกว่าฐานอ้างอิงก่อนหน้า 30% ถึง 100% พร้อมทั้งทำงานเสร็จเร็วขึ้น 20% ถึง 30% และในการทดสอบแนวคิดบนสายการผลิตของ Mercedes-Benz หุ่นยนต์มนุษย์ Apollo 2 ของ Apptronik หยิบและบรรจุชิ้นส่วนยานยนต์ด้วยอัตราความสำเร็จ 96% การเปิดตัวยังเพิ่มคำแนะนำการให้เหตุผลระหว่างการอนุมานเพื่อความปลอดภัยทางกายภาพ ซึ่งเพิ่มความสำเร็จของงานที่ปลอดภัยขึ้น 33% เมื่ออยู่รอบสิ่งกีดขวางและ 43% เมื่ออยู่รอบผู้คนใกล้เคียง พร้อมทั้ง ASIMOV-Jailbreak ซึ่งเป็นเกณฑ์มาตรฐานโอเพนซอร์สที่ Gemini 4 Argon มีความต้านทานการ jailbreak ถึง 99.5%

    ทำไมเรื่องนี้สำคัญ: Gemini Robotics 2.5 ปรับปรุงอัตราความสำเร็จบน 200 งานขึ้น 30% ถึง 100% และมีอัตราความสำเร็จในการหยิบและวาง 96% ในการนำร่องบนสายการผลิต Mercedes-Benz ซึ่งให้ข้อมูลอ้างอิงสำหรับประเมินการติดตั้งใช้งานจริงของโมเดล VLA

9 พฤศจิกายนวันจันทร์
  1. Zyphra Research78

    Zyphra เปิดตัว ZONOS3-Mini โมเดล TTS โคลนเสียงแบบ zero-shot ภายใต้ Apache 2.0 ที่รันบนอุปกรณ์

    Zyphra เปิดตัว ZONOS3-Mini โมเดล text-to-speech แบบ sparse MoE ที่มีพารามิเตอร์ใช้งานจริง 100M และพารามิเตอร์รวม 800M ภายใต้สัญญาอนุญาต Apache 2.0 ฝึกบน NVIDIA H100 จำนวน 112 ตัวใน 2.5 วัน ทำเวลา time-to-first-audio ได้ต่ำกว่า 570 ms ในเบราว์เซอร์บน Pixel 9 และต่ำกว่า 150 ms บน M3 MacBook Air พร้อมรันไทม์สำหรับ WebGPU, SGLang, vLLM และ GGML โมเดลนี้เพิ่มการควบคุมอัตลักษณ์ สำเนียง คุณภาพ อารมณ์ และการแสดงออก รวมถึงการปรับระดับคำ และ Zyphra รายงานว่าอยู่อันดับหนึ่งในกลุ่มโมเดลเปิดบน benchmark ใหม่ ZTTS2-Eval

    ทำไมเรื่องนี้สำคัญ: โมเดล TTS แบบ MoE ขนาดกะทัดรัดของ Zyphra ผสานการโคลนเสียงแบบ zero-shot เข้ากับการควบคุมการแสดงออกระดับคำ พร้อมรันแบบเรียลไทม์บนโทรศัพท์และแล็ปท็อป

  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

  3. Preferred Networks News55

    Preferred Networks เปิดตัว PLaMo 3.0 Fin โมเดลภาษาขนาดเล็กเฉพาะด้านการเงินในรูปแบบ open weights

    Preferred Networks เปิดตัว PLaMo 3.0 Fin โมเดลภาษาขนาดเล็กเฉพาะด้านการเงินที่สร้างบนโมเดลพรีเทรน PLaMo 3 NICT จากงานวิจัยร่วมกับ NICT และฝึกเพิ่มเติมด้วยข้อมูลการเงินภาษาญี่ปุ่น โดยเผยแพร่ open weights บน Hugging Face ภายใต้ PLaMo Community License โมเดลนี้เพิ่มความสามารถ Reasoning แบบทีละขั้นตอนโดยแสดง reasoning traces เป็นภาษาญี่ปุ่น พร้อม tool calling สำหรับค้นหาเว็บ คำนวณ และเข้าถึงฐานข้อมูลภายใน และสามารถรันบน GPU เดียวในสภาพแวดล้อมคลาวด์แบบปิดหรือ on-premise PFN ระบุว่าการฝึก instruction-following สำหรับ Reasoning และการใช้เครื่องมือดำเนินการบนชิป AI MN-Core 2 ของบริษัทเอง โดยพอร์ตโค้ดเสร็จภายในหนึ่งสัปดาห์และความเร็วในการฝึกเทียบได้กับสภาพแวดล้อม GPU

6 พฤศจิกายนวันศุกร์
  1. 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

  2. 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

  3. Meta AI Research Blog60

    Meta นำโมเดล Muse และ Meta AI เฉพาะทางมาพร้อม Active Memory และ Active Focus

    Meta กำลังเปิดตัวโมเดลเฉพาะทางเวอร์ชันของโมเดลที่มีอยู่ ซึ่งฝึกโดยใช้ Muse Wonder ให้กับผู้ใช้ Muse และ Meta AI โมเดลเฉพาะทางเหล่านี้เพิ่ม Active Memory และ Active Focus และ Meta รายงานว่าโมเดล Muse ปัจจุบันได้คะแนน 47% ใน Personal Superintelligence Index ของบริษัท เทียบกับ 38% ของโมเดลก่อนหน้า, 90% เทียบกับ 76% ในการประเมิน Active Memory และปรับปรุงขึ้น 67% ในการทำงานประจำวันที่ต้องเผชิญกับปัญหาที่ไม่คาดคิด

    ทำไมเรื่องนี้สำคัญ: โมเดล Muse และ Meta AI เฉพาะทางของ Meta นำ Active Memory และ Active Focus ไปสู่ผู้ใช้มากขึ้น พร้อมรายงานผลที่ดีขึ้นในการประเมินด้านความจำและการทำงานให้สำเร็จ

5 พฤศจิกายนวันพฤหัสบดี
  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

29 ตุลาคมวันพฤหัสบดี
  1. Mistral AI86

    Mistral เปิดตัวน้ำหนักเปิดสำหรับ Mistral Large 4 (Le Chonk) โมเดลมัลติโมดัลขนาด 1 ล้านล้านพารามิเตอร์

    Mistral AI เปิดตัวน้ำหนักเปิดของ Mistral Large 4 (Le Chonk) โมเดลมัลติโมดัลโดยกำเนิดขนาด 1 ล้านล้านพารามิเตอร์ ซึ่งเข้าสู่การพรีวิวสาธารณะเมื่อต้นเดือนนี้และถูกฝึกตั้งแต่เริ่มต้นในยุโรป บริษัทกล่าวว่าการเรียนรู้แบบเสริมกำลังเพิ่มเติมอีกสามสัปดาห์ยกระดับโมเดลขึ้นสู่จุดสูงสุดของการเขียนโค้ดแบบน้ำหนักเปิด โดยได้ 41% บน Terminal-Bench 4.0 และ 48% บน Artificial Analysis Coding Agent Index ขณะใช้โทเค็นต่องานน้อยกว่า GLM-5.3 ถึง 47% โดยเพิ่มโหมดการให้เหตุผลระดับต่ำ กลาง และสูง ได้ 51% บน Artificial Analysis Cyber Index และมีราคาอยู่ที่ 0.70 ดอลลาร์สำหรับอินพุต 0.07 ดอลลาร์สำหรับอินพุตแคช และ 2.10 ดอลลาร์สำหรับเอาต์พุตต่อล้านโทเค็นภายใต้สัญญาอนุญาต MIT ที่ดัดแปลง

    ทำไมเรื่องนี้สำคัญ: Mistral เปิดน้ำหนักของเรือธงขนาด 1 ล้านล้านพารามิเตอร์ โดยผสานความก้าวหน้าด้านเกณฑ์มาตรฐานการเขียนโค้ดและความมั่นคงปลอดภัยเชิงป้องกันเข้ากับโหมดการให้เหตุผลสามโหมดและราคาต่อโทเค็น

  2. inclusionAI Models34

    inclusionAI เปิดตัว Ling-3.0-flash-Sante-fp8 โมเดลสุขภาพแบบควอนไทซ์ FP8

    inclusionAI เปิดตัว Ling-3.0-flash-Sante-fp8 ซึ่งเป็นเวอร์ชันควอนไทซ์ FP8 ของโมเดล Ling-3.0-flash-Sante ที่เชี่ยวชาญด้านสุขภาพ โดยคงจำนวนพารามิเตอร์รวม 124B และพารามิเตอร์ที่ใช้งานต่อโทเคน 5.1B โดยทำคะแนนเฉลี่ยได้ 73.9 เท่ากับเช็กพอยต์ BF16 ในชุดทดสอบด้านสุขภาพ พร้อมลดหน่วยความจำของน้ำหนักโมเดลสำหรับฮาร์ดแวร์ที่รองรับ FP8 โมเดลนี้มีไว้เพื่อการวิจัยเท่านั้น รองรับบริบท 256K โทเคน และใช้โหมดคิดเป็นค่าเริ่มต้นพร้อมการเรียกใช้เครื่องมือ

  3. Google DeepMind82

    Google DeepMind ประกาศเปิดตัว Gemini 4 Carbon โมเดลระดับแนวหน้าที่เน้นด้านความปลอดภัยไซเบอร์และงานระยะยาว

    Google DeepMind ประกาศเปิดตัว Gemini 4 Carbon โมเดลที่แข็งแกร่งที่สุดของบริษัทจนถึงปัจจุบัน พร้อมความสามารถด้านความปลอดภัยไซเบอร์และงานระยะยาวระดับสูงสุด โดยครองอันดับ 1 บนดัชนี Artificial Analysis Intelligence Index v5.0 ด้วยคะแนน 59 ทำคะแนนได้ 88.2% บน SEC-bench Pro สำหรับการค้นหาช่องโหว่ 54.8% บน ExploitGym สำหรับการโจมตี และ 71.0% บน CWE-bench สำหรับการแพตช์ และขึ้นถึงอันดับ 4 (1768) บน WebDev Arena Carbon เปิดตัวในราคาแนะนำเดียวกับ Argon คือ 2 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 10 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต และจะเปิดให้ผู้ป้องกันไซเบอร์บางส่วนเข้าถึงก่อนผ่าน Fairwind Program ก่อนการเปิดตัวในวงกว้าง

    ทำไมเรื่องนี้สำคัญ: ผลการทดสอบของ Gemini 4 Carbon ด้านการค้นหาช่องโหว่และการแพตช์แสดงให้เห็นว่าโมเดลระดับแนวหน้ากำลังถูกวางตำแหน่งสำหรับงานป้องกันความปลอดภัยไซเบอร์อย่างไร

27 ตุลาคมวันอังคาร
  1. Preferred Networks News60

    PFN เปิดตัว PLaMo 3.1 Prime พร้อม Web search และ Deep Research

    Preferred Networks เริ่มให้บริการ PLaMo 3.1 Prime เมื่อวันที่ 27 ตุลาคม 2026 โดยเพิ่ม Web search และฟีเจอร์ Deep Research ที่วางแผน รวบรวม วิเคราะห์ และเขียนรายงานพร้อมอ้างอิงแหล่งที่มาได้เองภายในเวลาหลายนาทีถึงหลายสิบนาที Deep Research ยังทำงานบนเครื่องภายในองค์กร (on-premises) และเชื่อมต่อกับระบบค้นหาเอกสารภายในได้ ขณะที่บริษัทรายงานว่าคะแนนเฉลี่ยดีขึ้นประมาณ 15% ในแปด benchmark ที่เกี่ยวกับ hallucination รวมถึง AA Omniscience เมื่อเทียบกับ PLaMo 3.0 Prime PFN ยังระบุถึงการประมวลผลเร็วขึ้น 1.7 เท่าด้วย speculative decoding และลด output tokens ลง 90% ในโหมด non-reasoning พร้อมเปิดตัวแผน PLaMo API ฟรีและแคมเปญ PLaMo Chat ที่ให้ใช้ Deep Research วันละสองครั้งจนถึงวันที่ 30 พฤศจิกายน 2026

    ทำไมเรื่องนี้สำคัญ: PLaMo 3.1 Prime ของ PFN เพิ่ม Deep Research ที่ทำงานได้เองบนเครื่องภายในองค์กร มอบทางเลือกที่ติดตั้งใช้งานในองค์กรได้ให้แก่องค์กรญี่ปุ่นสำหรับงานสืบค้นพร้อมอ้างอิงแหล่งที่มา

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. inclusionAI Models58

    inclusionAI เปิดตัว Ling-3.0-flash-Sante โมเดล MoE เฉพาะทางด้านการแพทย์ขนาด 124B

    inclusionAI เปิดตัว Ling-3.0-flash-Sante โมเดลเฉพาะทางด้านการแพทย์ที่สร้างบน Ling-3.0-flash มีพารามิเตอร์รวม 124B และพารามิเตอร์ที่ใช้งานต่อโทเคน 5.1B โดยเผยแพร่ weights บน Hugging Face และ ModelScope ใช้สถาปัตยกรรม hybrid-linear MoE ที่ผสม Kimi Delta Attention, gated MLA และ sparse MoE layers ฝึกถึง 256K โทเคน และเปิดโหมด thinking เป็นค่าเริ่มต้นพร้อมรองรับ tool calling ผ่านเฟรมเวิร์ก serving ที่เข้ากันได้ บริษัทระบุว่าเป็นโมเดลเพื่อการวิจัย ไม่ใช่อุปกรณ์ทางการแพทย์ และผลลัพธ์ต้องไม่ใช้แทนคำแนะนำ การวินิจฉัย หรือการรักษาทางการแพทย์จากผู้เชี่ยวชาญ

20 ตุลาคมวันอังคาร
  1. Mistral AI82

    Mistral เปิดตัวโมเดลเสียง Voxtral 3 และ Voice Agent SDK

    Mistral เปิดตัว Voxtral 3 กลุ่มโมเดลถอดเสียงเป็นข้อความและข้อความเป็นเสียง พร้อม Voice Agent SDK ที่สร้างบน LiveKit ซึ่งสตรีมการฟัง การคิด การเรียกใช้เครื่องมือ และการพูดในไปป์ไลน์เดียว Voxtral Small Transcribe 3 รองรับกว่า 50 ภาษา พร้อมการแยกผู้พูดและ context biasing ส่วน Voxtral Mini TTS 3 รองรับกว่า 35 ภาษาและกว่า 50 ภาษาถิ่น โดยสแต็กนี้ใช้งานได้ผ่าน API ของ Mistral ที่โฮสต์ใน EU หรือการติดตั้งเอง ราคาเริ่มต้นที่ $0.0035/นาที สำหรับการถอดเสียงแบบแบตช์ และ $13 ต่อ 1M ตัวอักษรสำหรับ TTS

    ทำไมเรื่องนี้สำคัญ: Voxtral 3 ของ Mistral จับคู่โมเดลเสียงหลายภาษากับ Voice Agent SDK ที่สร้างบน LiveKit มอบทางเลือกที่ติดตั้งใช้งานได้อย่างอธิปไตยให้ทีมต่างๆ สำหรับ voice agent แบบเรียลไทม์

19 ตุลาคมวันจันทร์
  1. inclusionAI Repositories58

    inclusionAI เปิดตัวโมเดลสังเคราะห์เสียง Ming-3.0-tts ทั้งรุ่น 0.5B dense และ 7.9B MoE tiny

    inclusionAI เปิดตัว Ming-3.0-tts ครอบครัวโมเดลสังเคราะห์เสียงหลายภาษาที่เปิดน้ำหนัก มีสองโมเดลคือ Ming-3.0-tts-0.5b ซึ่งเป็นโมเดล dense ขนาด 0.5B และ Ming-3.0-tts-tiny ซึ่งเป็นโมเดล MoE ที่สร้างบน Ling V3 มีพารามิเตอร์รวม 7.9B และพารามิเตอร์ที่ใช้งาน 1.3B ทั้งสองมาพร้อมโค้ดสำหรับ inference, cookbook สำหรับงานต่าง ๆ และตาราง benchmark และรองรับการโคลนเสียง การออกแบบเสียงจากข้อความ การควบคุมการส่งเสียงด้วยภาษาธรรมชาติแบบอิสระ แท็ก paralinguistic แบบอินไลน์ 14 แท็ก การควบคุมอารมณ์และความเร็ว/ระดับเสียง/ความดัง รวมถึงภาษาจีน อังกฤษ เยอรมัน สเปน ฝรั่งเศส เกาหลี ญี่ปุ่น ภาษาจีนเสฉวน และกวางตุ้ง บน leaderboard การสังเคราะห์ข้อความเป็นเสียงของ Artificial Analysis ประจำเดือนตุลาคม 2026 Ming-3.0-tts อยู่อันดับ 1 ในกลุ่มโมเดล open-weights ด้าน Controlled Voice อันดับ 1 โดยรวมด้าน Pronunciation Robustness ที่ 93.2% และอันดับ 3 ในกลุ่มโมเดล open-weights ด้าน Provider Voice

  2. inclusionAI Repositories58

    inclusionAI เปิดตัว Ming-3.0-asr-tiny โมเดลรู้จำเสียงพูดที่รับรู้บริบท

    inclusionAI เปิดตัว Ming-3.0-asr-tiny โมเดลรู้จำเสียงพูดที่จับคู่โมเดลภาษา Ling-tiny-v3 กับตัวเข้ารหัสเสียงสำหรับการถอดเสียงภาษาจีนและอังกฤษ การรู้จำภาษาถิ่น และ context ASR การประเมินภาษาถิ่นครอบคลุมชุดทดสอบ 15 ชุด รวมถึงหูหนาน หมิ่นหนาน กวางตุ้ง เสฉวน และเซี่ยงไฮ้ และสามารถใส่ hotwords หรือบทสนทนาก่อนหน้าในพรอมต์เพื่อแก้ไขชื่อและศัพท์เทคนิคได้ รีโพซิทอรีมีคู่มือการให้บริการผ่าน Transformers และ SGLang และโค้ดกับเวตถูกเผยแพร่ภายใต้ MIT License

  3. MiniMax Blog83

    MiniMax เปิดตัว M3.1 Flash อ้างต้นทุนต่ำลง 70% และอนุมานเร็วขึ้นเกือบ 3 เท่า

    MiniMax เปิดตัว MiniMax M3.1 Flash อย่างเป็นทางการ ซึ่งเป็นโมเดล Flash เจเนอเรชันถัดไปที่บริษัทระบุว่าช่วยลดต้นทุนการใช้งานลง 70% เมื่อเทียบกับรุ่นก่อนหน้า และทำให้การอนุมานออนไลน์เร็วขึ้นเกือบสามเท่า บริษัทรายงานผล 73.7% บน DeepSWE v1.1, 76.2 บน BankerToolBench, 61.7 บน OSWorld V2, 29.6 บน Agents' Last Exam และ 82% บน CyberGym โดยมีความเร็วเอาต์พุต 200+ TPS และค่ามัธยฐาน 170+ TPS ราคาอยู่ที่ $0.15 ต่อ 1M โทเคนอินพุต, $0.60 ต่อ 1M โทเคนเอาต์พุต และ $0.015 ต่อ 1M โทเคนอินพุตที่แคชไว้ และโมเดลนี้พร้อมใช้งานผ่าน MiniMax API, M Plan และ MiniMax Code โดยจะเปิดเผยน้ำหนักโมเดลในภายหลัง

    ทำไมเรื่องนี้สำคัญ: โมเดล Flash ของ MiniMax อ้างคะแนนด้านเอเจนต์และการเขียนโค้ดระดับสูงสุดในราคา $0.15 ต่อ 1M โทเคนอินพุต ซึ่งเป็นข้อมูลเชิงประจักษ์ด้านต้นทุนของงานเวิร์กโหลดเอเจนต์

15 ตุลาคมวันพฤหัสบดี
  1. Mistral AI71

    Mistral เปิดตัว Timestral โมเดลพื้นฐานอนุกรมเวลา ขึ้นแท่นอันดับหนึ่งใน GIFT-Eval, TIME และ fev-bench

    Mistral เปิดตัว Timestral ครอบครัวโมเดลพื้นฐานอนุกรมเวลาชุดแรกของบริษัท มีสี่ขนาดตั้งแต่ 5M ถึง 209M พารามิเตอร์ โมเดลที่ใหญ่ที่สุดครองอันดับหนึ่งในสามเบนช์มาร์กสาธารณะหลักทั้ง GIFT-Eval, TIME และ fev-bench ในกลุ่มโมเดลพรีเทรนแบบ zero-shot จากเช็กพอยต์เดียวโดยไม่ใช้เอนเซมเบิล โดยใช้สองในสามของพารามิเตอร์เมื่อเทียบกับสุดยอดของงานก่อนหน้า Timestral สร้างพยากรณ์หลายตัวแปรแบบความน่าจะเป็นด้วย 21 ควอนไทล์ รองรับตัวแปรร่วมแบบอดีตเท่านั้นและแบบอนาคตที่ทราบค่า ทำงานบน CPU โดยไม่ต้องใช้ GPU และใช้งานได้ผ่าน Mistral Forge สำหรับการปรับแต่ง พร้อมเผยแพร่ที่เก็บ GitHub และรายงานทางเทคนิคภายใต้สัญญาอนุญาต MIT ดัดแปลง

    ทำไมเรื่องนี้สำคัญ: ครอบครัวโมเดลพื้นฐานอนุกรมเวลาชุดแรกของ Mistral อ้างว่าครองอันดับสูงสุดแบบ zero-shot ใน GIFT-Eval, TIME และ fev-bench ด้วยเช็กพอยต์ 209M พารามิเตอร์ มอบข้อมูลอ้างอิงการแลกเปลี่ยนระหว่างขนาดกับความแม่นยำสำหรับงานพยากรณ์

  2. inclusionAI Repositories67

    inclusionAI เผยแพร่โมเดลเสียง Ming-3.0-audio-flash และ Ming-3.0-audio-tiny

    inclusionAI เผยแพร่ Ming-3.0-audio-flash โมเดลเสียงแบบ Mixture-of-Experts ขนาด 126B พารามิเตอร์ ที่เปิดใช้งาน 6.5B พารามิเตอร์ พร้อมกับ Ming-3.0-audio-tiny ขนาดกะทัดรัด 9.3B พารามิเตอร์ ที่เปิดใช้งาน 2.7B โมเดล flash ครอบคลุมการรู้จำเสียงพูดภาษาจีนและอังกฤษในหลากหลายสำเนียงและสถานการณ์ที่มีผู้พูดหลายคนและมีเสียงรบกวน การเข้าใจเสียงยาว การรับรู้เสียงที่ไม่ใช่เสียงพูดและดนตรี การให้เหตุผลด้านเสียง และการสนทนาด้วยเสียงแบบ end-to-end พร้อมตัวเลือกในการสังเคราะห์เสียงพูดเป็นเอาต์พุต มาพร้อมเส้นทางการอนุมานผ่าน vLLM-Omni, SGLang และ Transformers ภายใต้สัญญาอนุญาต MIT โดยโปรไฟล์ Flash เริ่มต้นใช้ tensor parallelism บน GPU H800 ขนาด 80 GB จำนวนสี่ตัวที่บริบท 128K

    ทำไมเรื่องนี้สำคัญ: การเผยแพร่นี้ให้รายละเอียดโมเดลเสียง MoE ขนาด 126B พารามิเตอร์ ที่เปิดใช้งาน 6.5B พารามิเตอร์ พร้อมตัวแปร tiny ขนาด 9.3B ซึ่งเป็นข้อมูลอ้างอิงที่เป็นรูปธรรมสำหรับการกำหนดขนาดและการติดตั้งใช้งานโมเดลภาษา-เสียงแบบเปิด

  3. 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

12 ตุลาคมวันจันทร์
  1. Meta AI Research Blog82

    Meta เปิดตัว Muse Wonder และ Muse Wonder Full โมเดล frontier สำหรับเอเจนต์ส่วนบุคคลและมืออาชีพ

    Meta เปิดตัวซีรีส์ Muse Wonder ซึ่งประกอบด้วย Muse Wonder และ Muse Wonder Full โดยระบุว่ามอบประสิทธิภาพระดับ state-of-the-art ในงานเอเจนต์ส่วนบุคคลและมืออาชีพ หน่วยความจำ และการเขียนโค้ด Muse Wonder ใช้งานได้แล้ววันนี้ผ่าน Meta Model API และ Muse Code ขณะที่ Muse Wonder Full ใช้งานได้แล้ววันนี้สำหรับสมาชิก Muse Code โมเดลทั้งสองจับคู่ Active Memory ซึ่งเก็บบริบทข้ามบทสนทนาและดึงรายละเอียดที่เกี่ยวข้องกับงาน เข้ากับ Active Focus ซึ่งรักษาการทำงานต่อเนื่องกับเป้าหมายระยะยาวและตรวจสอบก่อนดำเนินการสำคัญ Meta ระบุว่าทั้งสองถูกฝึกที่ศูนย์ข้อมูล Prometheus ขนาดกิกะวัตต์ของบริษัท

    ทำไมเรื่องนี้สำคัญ: ซีรีส์ Muse Wonder ของ Meta อ้างผลลัพธ์ระดับ state-of-the-art ใน benchmark ด้านเอเจนต์ หน่วยความจำ และการเขียนโค้ด โดยมี Active Memory และ Active Focus เป็นสองความสามารถหลักที่สร้างขึ้นมา

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

28 กันยายนวันจันทร์
  1. Anthropic · Claude.dev82

    Anthropic เปิดตัว Claude Sonnet 5.5 ราคาต่อโทเคนเท่าเดิม แต่เอาต์พุตเร็วขึ้น 30%

    Anthropic เปิดตัว Claude Sonnet 5.5 โมเดลที่สองในตระกูล Claude 5.5 ต่อจาก Opus 5.5 ซึ่งบริษัทระบุว่าเก่งกว่า มีประสิทธิภาพกว่า และเร็วกว่า Sonnet 5 ถึง 30% ในราคาต่อโทเคนเท่าเดิม เนื่องจากโดยทั่วไปใช้โทเคนต่องานน้อยลง Anthropic ระบุว่างานส่วนใหญ่มีค่าใช้จ่ายลดลงถึง 30% และโมเดลนี้มาพร้อมหน้าต่างบริบท 1M โทเคนแบบเนทีฟ เอาต์พุตสูงสุด 128k และเปิดโหมดคิดเป็นค่าเริ่มต้น คู่มือการเปิดตัวระบุการเปลี่ยนแปลงที่อาจกระทบผู้ใช้ Sonnet 5 รวมถึงการแทนที่ disabled thinking ด้วยการตั้งค่า between_tools การเปลี่ยน forced tool_choice เป็น auto พร้อม strict tools และการย้าย computer use ไปยังชุดเครื่องมือ computer_toolset_20260801

    ทำไมเรื่องนี้สำคัญ: Sonnet 5.5 ของ Anthropic คงราคาแบบ Sonnet 5 ไว้ while ลดการใช้โทเคนต่องาน และบันทึกการย้ายระบบแสดงสิ่งที่เปลี่ยนแปลงสำหรับทีมที่สร้างบน Sonnet 5 อยู่แล้ว

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

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