ข้ามไปที่เนื้อหา
#มัลติโมดัล
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

8 พฤศจิกายนวันอาทิตย์
  1. Recode China AI22

    Apple ทดสอบ Qwen ใน Apple Intelligence ในจีน ขณะที่ Tencent เพิ่ม Vision ให้ Hy4

    Apple เริ่มทดสอบ Qwen สำหรับนักพัฒนาใน Apple Intelligence ในจีนเมื่อสัปดาห์นี้ ก่อนการเปิดตัวตามแผนในเดือนธันวาคมพร้อม iOS 27.3 ซึ่งจะนำ Qwen เข้าสู่ Siri, Writing Tools และ Visual Intelligence โดยเป็นทางเลือกที่ผู้ใช้ต้องเปิดใช้งานเอง ขณะที่การเปิดตัว Hy4 ของ Tencent เมื่อวันที่ 4 พฤศจิกายน เพิ่มความสามารถด้าน visual reasoning และ computer use ส่วน Baidu, Moonshot, Ant และ Meituan ก็ได้เผยแพร่หรือเปิดตัวโมเดลใหม่เช่นกัน

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. Artificial Analysis Articles40

    VIALS-AA: เส้นทางที่แตกต่างสู่การให้เหตุผลเชิงภาพวิทยาศาสตร์

    VIALS-AA วิเคราะห์วิธีที่โมเดล 19 ตัวให้เหตุผลเหนือภาพวิทยาศาสตร์ โดยจำแนกการเรียกใช้เครื่องมือ 9,177 ครั้ง การดูภาพคิดเป็น 38.3% ของการเรียกใช้ และการเตรียมภาพหรือการวัดภาพ 47.3% ขณะที่การวัดภาพมีเพียง 5–6% ของการเรียกใช้สำหรับ GPT-6 Astra (max) และ GPT-6.1 Sol (max) เทียบกับ 25–27% สำหรับ Claude Opus 5.5 (max) และ Claude Sonnet 5.5 (max) Gemini 3.8 Flash (high) สร้าง 86.7% ของการเรียกใช้ประเภท commentary/no-op ของกลุ่มตัวอย่าง และต้นทุนต่องานแตกต่างกันเกือบ 100 เท่าระหว่างโมเดล

  6. 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

12 ตุลาคมวันจันทร์
  1. Import AI38

    Import AI 476: ความคิดสร้างสรรค์และ RSI, โมเดล Open Weight ที่แย่กว่าจีน และ AI ในอวกาศ

    Import AI 476 นำเสนอ benchmark ใหม่ที่แสดงให้เห็นว่า LLM ระดับแนวหน้ายังตามหลังมนุษย์ในด้านการให้เหตุผลเชิงภาพตามสัญชาตญาณ โดย GPT 6 Astra ทำได้ 53.6 pass@1 เทียบกับพื้นฐานของมนุษย์ที่ 93.1 นอกจากนี้ยังกล่าวถึงระบบ AI ที่พัฒนาความสามารถด้าน "รสนิยมการวิจัย" ผ่าน benchmark TasteVal และโต้แย้งว่า AI อาจเร่งการพัฒนาอุตสาหกรรมอวกาศและสร้างข้อได้เปรียบแบบทบต้นสำหรับผู้ที่มาก่อน

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

19 กันยายนวันเสาร์
  1. One Useful Thing50

    ส่วนเกินที่ยังไม่ถูกใช้: GPT-6 Astra และ Fable 5.1 เผยความสามารถที่ยังไม่ถูกนำไปใช้ของ AI

    Ethan Mollick ชี้ว่าโมเดลที่มีอยู่แล้วอย่าง GPT-6 Astra และ Fable 5.1 สามารถทำงานที่มนุษย์ต้องใช้เวลาหลายสัปดาห์ได้แล้วหากได้รับคำแนะนำที่เหมาะสม แต่ความสามารถของพวกมันยังถูกใช้งานเพียงเล็กน้อย เขาสาธิตสิ่งนี้โดยให้ GPT-6 Astra เปลี่ยนเกมผจญภัยแบบข้อความ Zork จากปี 1977 ให้เป็นเกมแอ็กชัน 3D ที่เล่นได้ และให้ Fable 5.1 สร้างห้องสมุดของ Umberto Eco ขึ้นใหม่ในรูปแบบ 3D โดยจัดวางหนังสือที่ระบุตัวตนได้ราว 5,000 เล่มในช่องชั้นวาง 27,000 ช่อง Mollick เรียกช่องว่างนี้ว่า "capability overhang" และกล่าวว่าผู้ใช้ควรจับคู่ AI เข้ากับความรู้เชิงลึก ความรู้กว้าง รสนิยม และความสามารถในการลงมือทำ

18 กันยายนวันศุกร์
  1. Every42

    Vibe Check: GPT-6 Astra เป็นความก้าวหน้าสำหรับผู้สร้างภาพยนตร์อินดี้หรือไม่?

    สตูดิโอสร้างสรรค์ Afterimage ทดสอบ GPT-6 Astra กับฟุตเทจจากการถ่ายทำจริง เพื่อดูว่าทักษะ Blender 3D ของมันถ่ายทอดไปสู่งานวิชวลเอฟเฟกต์ได้หรือไม่ Astra จัดการงานตั้งแต่การเปลี่ยนจานในฉากแพนกล้องเคลื่อนที่ ไปจนถึงการเพิ่มอาคารลงในถนนบรุกลิน และทำให้ขบวนพาเหรดขนาดยักษ์ปรากฏขึ้นนอกหน้าต่างในฟุตเทจจากมือถือ iPhone บางช็อตได้ผล บางช็อตไม่ได้ แต่ทีมก็ลงเอยด้วยการฝันถึงเอฟเฟกต์ที่พวกเขาไม่เคยคิดจะลองมาก่อน

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

24 กรกฎาคมวันศุกร์
  1. One Useful Thing62

    คู่มือเลือกใช้ AI สำหรับงานจริงฉบับมีความเห็นชัดเจนของ Ethan Mollick

    Ethan Mollick เผยแพร่คู่มือฉบับมีความเห็นชัดเจน โดยระบุว่าการใช้ AI ในปัจจุบันหมายถึงการรันระบบเอเจนต์ที่ผสานโมเดลเข้ากับเครื่องมือ ไม่ใช่แค่การแชทกับแชทบอท เขาแนะนำ ChatGPT (โหมด Work และ Codex) หรือ Claude (โหมด Cowork และ Code) ในราคา $20/เดือนสำหรับงานจริง เริ่มต้นด้วย GPT-5.6 Sol หรือ Fable/Opus ที่ระดับการคิดแบบ High และเปิดการแจ้งเตือนขออนุมัติไว้เพื่อป้องกัน prompt injection เขายังระบุว่า Google ยังไม่มีโมเดล frontier ชั้นนำหรือสิ่งที่เทียบเท่า Codex/Code ในขณะนี้ แม้ว่า Gemini Notebook และ Gemini Omni จะยังมีประโยชน์สำหรับการวิจัยและการตัดต่อวิดีโอ

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