Tới nội dung
Chỉ Chính chủ#Đa phương thức
13 tháng 11Thứ Sáu
  1. Apple Newsroom60

    Apple ra mắt HomeView với Siri AI, giá 299 USD

    Apple phát hành HomeView, thiết bị gia đình giá 299 USD có khả năng nhận diện khuôn mặt tối đa sáu người và hiển thị nội dung cá nhân của họ trong Messages, FaceTime, Calendar, Reminders và Find My. Siri AI trên HomeView bổ sung khả năng nhận biết trên màn hình và có thể tận dụng iPhone hoặc iPad ghép nối hỗ trợ Apple Intelligence để lấy ngữ cảnh cá nhân, với hỗ trợ tiếng Anh tại Mỹ, Úc, Canada, Ấn Độ, New Zealand, Singapore, Nam Phi và Vương quốc Anh. Đơn đặt hàng mở hôm nay tại Úc, Canada, Ấn Độ, New Zealand, Singapore, Vương quốc Anh và Mỹ, trong khi thiết bị không được bán tại EU vì Siri AI không khả dụng trên iOS tại đây.

    Vì sao đáng chú ý: Thiết bị gia đình đầu tiên của Apple với Siri AI cho thấy cách nhận diện khuôn mặt và ngữ cảnh cá nhân có thể biến một màn hình dùng chung thành trợ lý được cá nhân hóa.

  2. inclusionAI Models34

    inclusionAI phát hành trọng số FP8 Duo-1.0-distill-quant cho tương tác song công toàn phần

    inclusionAI đã phát hành Duo-1.0-distill-quant, trọng số Realization chưng cất bốn bước được lượng tử hóa FP8 cho mô hình thế giới đa phương thức song công toàn phần Duo 1.0. Các trọng số này được phủ lên gói inclusionAI/Duo-1.0-causal-base, gói này cung cấp Intent, codec, mô hình giọng nói và xương sống Realization dùng chung, và yêu cầu môi trường chạy hỗ trợ định dạng ModelOpt FP8 được đóng gói. Các trọng số được khởi tạo từ MiniMax H3 và sau đó được nhóm Duo huấn luyện.

  3. inclusionAI Models40

    inclusionAI phát hành Duo-1.0-distill, trọng số chưng cất bốn bước cho Duo 1.0

    inclusionAI đã phát hành Duo-1.0-distill, trọng số Realization chưng cất bốn bước cho Duo 1.0, một mô hình thế giới đa phương thức song công toàn phần dành cho tương tác âm thanh-hình ảnh theo thời gian thực. Các trọng số này được phát hành dưới dạng lớp phủ PyTorch Distributed Checkpoint trên gói inclusionAI/Duo-1.0-causal-base, sử dụng bộ lấy mẫu Euler với 4 bước và flow shift 5.0. Các trọng số được khởi tạo từ MiniMax H3 và sau đó được nhóm Duo huấn luyện.

  4. inclusionAI Models38

    SingVL-4B GGUF ra mắt: Bản dựng GGUF của mô hình quyết định đa phương thức Sing VL S1 4B trên Qwen3.5

    Sing VL S1, một mô hình quyết định đa phương thức 4 tỷ tham số được xây dựng trên Qwen3.5, nay đã có bản phát hành GGUF cho suy luận CPU với llama.cpp. Nó được phát hành với các bộ giải mã BF16 (8,42 GB), Q8_0 (4,48 GB) và Q4_K_M (2,71 GB) cùng một bộ chiếu thị giác F16 dùng chung, với ngữ cảnh mặc định 4096 token. Kiểm định GGUF bao gồm 9 ví dụ và 11 câu hỏi; điểm số công khai đầy đủ cho các biến thể GGUF vẫn đang chờ.

  5. Google DeepMind90

    Google DeepMind phát hành Gemini 4 Hydrogen, một mô hình Gemini 4 nhanh hơn cho lập trình và quy trình tác tử

    Google DeepMind giới thiệu Gemini 4 Hydrogen, một mô hình Gemini 4 được xây dựng cho lập trình hàng ngày nhanh và thực thi tác tử thay vì suy luận tầm xa của Gemini 4 Carbon và Argon. Nó đạt 51 điểm trên Chỉ số Trí tuệ Artificial Analysis ở mức suy nghĩ cao mặc định so với 50 của Argon, đạt 54 ở cài đặt xhigh mới, và có giá cố định 1,50 USD mỗi triệu token đầu vào và 7,50 USD mỗi triệu token đầu ra trên cửa sổ ngữ cảnh 1 triệu token. Google cũng ra mắt Orchestrator trong Google Antigravity, công cụ chuyển đổi giữa các mô hình như Carbon và Hydrogen trong một phiên và đạt mức thành công nhiệm vụ gần bằng Carbon trên Terminal-Bench 4.0 trong khi sử dụng ít hơn 24% hạn mức và hoàn thành nhanh hơn 19%.

    Vì sao đáng chú ý: Gemini 4 Hydrogen của Google nhắm đến lập trình hàng ngày nhanh và công việc tác tử, với giá cố định 1,50/7,50 USD mỗi triệu token trên cửa sổ ngữ cảnh 1M và Orchestrator mới chuyển đổi giữa các mô hình Gemini 4.

12 tháng 11Thứ Năm
  1. vLLM Blog60

    vLLM hỗ trợ day-0 cho Inkling 2 Small của Thinking Machines

    vLLM hỗ trợ Inkling 2 Small của Thinking Machines ngay từ ngày đầu tiên, một MoE đa phương thức văn bản và thị giác với tổng 594B và 17B tham số hoạt động, ngữ cảnh lên đến 1M token. Tích hợp này bổ sung kernel fusion với PDL, sequence parallelism cho prefill giúp giảm bước prefill 8K token 22% ở TP4 và 26% ở TP8, cùng kernel decode attention tương đối Gluon giúp giảm bước decode batch-1 ở ngữ cảnh 100K từ 15,1 ms xuống 4,8 ms. vLLM báo cáo lên đến 630 TPS/người dùng ở TP4 trên GB200 với độ dài chấp nhận 3,5, đồng thời hỗ trợ LoRA và RL qua SkyRL.

    Vì sao đáng chú ý: vLLM hỗ trợ Inkling 2 Small ngay trong ngày ra mắt, đồng thời cung cấp dữ liệu tối ưu cụ thể về kernel fusion, sequence parallelism và kernel decode Gluon, có thể làm tài liệu tham khảo cho các nhóm triển khai mô hình MoE lớn.

  2. vLLM Blog64

    vLLM-Omni benchmark MiniMax H3-Image trên Vera Rubin: tạo ảnh 4K trong 0,87 giây và 6.115 ảnh/giờ

    vLLM-Omni đã đưa MiniMax H3-Image lên NVIDIA Vera Rubin và đo được độ trễ trung vị 0,87 giây cho text-to-image gốc 4096×4096 trên bốn GPU, cùng 6.115 ảnh/giờ trong một cấu hình thông lượng riêng. H3-Image là mô hình text-to-image và chỉnh sửa ảnh trọng số mở, kết hợp bộ mã hóa Qwen3-VL với DiT dày đặc 33,1B và VAE hình ảnh, xử lý cả hai tác vụ trong sáu bước lấy mẫu với tối đa 16 ảnh tham chiếu. Nhóm báo cáo MXFP8 DiT GEMMs, Ulysses SP4, bộ nhớ đệm AdaLN và một thay đổi giải mã VAE giúp giảm thời gian giải mã từ 2,635 giây xuống 0,213 giây, đồng thời liệt kê các công thức cho phần cứng AMD, Intel, Huawei Ascend và Moore Threads.

    Vì sao đáng chú ý: Benchmark của vLLM-Omni cho thấy MiniMax H3-Image chạy trên Vera Rubin với độ trễ 4K dưới một giây, kèm cấu hình theo từng phần cứng và mô hình chi phí cho kinh tế phục vụ.

  3. Google Blog · AI78

    Google ra mắt API Gemini Decisions và mô hình Gemini Decision 1 cho các quyết định tập đóng nhanh chóng

    Google đã giới thiệu API Gemini Decisions, được hỗ trợ bởi mô hình Gemini Decision 1 mới (gemini-decision-1) và có sẵn thông qua API Gemini trong Google AI Studio. Một đầu vào đa phương thức duy nhất lên tới 256K token có thể được kiểm tra với tối đa 1.000 câu hỏi có/không, trắc nghiệm và chấm điểm theo tiêu chí trong một lượt truyền xuôi, trả về xác suất và điểm tin cậy với độ trễ đầu-cuối 150-250 ms với giá 0,10 USD trên 1 triệu token đầu vào và không tính phí token đầu ra. Google cho biết mô hình này dẫn đầu bộ tiêu chuẩn đánh giá của họ với sai số hiệu chuẩn thấp nhất và rẻ hơn gần 5 lần so với Gemini 3.5 Flash-Lite với API Interactions; các ứng dụng nội bộ bao gồm định tuyến mô hình trong Gemini Notebook, tạo wireframe trong Stitch và kiểm tra nội dung đối kháng cho các công cụ MCP trong Search.

    Vì sao đáng chú ý: Điểm cuối mới của Google chấm điểm tới 1.000 câu hỏi đa phương thức có/không, lựa chọn và theo tiêu chí trong một lượt với 150-250 ms, mang đến cho việc định tuyến tác nhân và kiểm tra chính sách một giải pháp thay thế rẻ hơn so với các lệnh gọi sinh tạo.

  4. Figma Blog42

    Cách 3D transforms và agent của Figma đưa video ra mắt trở nên sống động

    Figma đã phát hành 3D transforms dưới dạng open beta, cho phép nhà thiết kế nghiêng, xoay và sắp xếp văn bản, hình ảnh, vector và frame trong không gian, với hiệu ứng phối cảnh trên frame cha để tạo bố cục không gian chung. Các hiệu ứng không phá hủy vẫn có thể chỉnh sửa và có thể kết hợp với shader, tạo hoạt ảnh bằng Figma Motion hoặc khám phá qua agent của Figma. Brand Studio của Figma đã sử dụng các công cụ này, bao gồm một plugin tạo sinh do agent xây dựng, để sản xuất video ra mắt của tính năng.

11 tháng 11Thứ Tư
  1. Google Blog · AI18

    Google Arts & Culture ra mắt hồi tưởng trực tuyến về Tiến sĩ Esther Mahlangu

    Google Arts & Culture đã công bố hồi tưởng trực tuyến đầu tiên về nghệ sĩ Nam Phi Tiến sĩ Esther Mahlangu, nhân dịp sinh nhật lần thứ 91 của bà, với hơn 45 câu chuyện được tuyển chọn và một kho lưu trữ phong phú về nghệ thuật, cuộc đời và di sản của bà. Vì kho lưu trữ không có tư liệu nào trước năm 1980, nhóm đã sử dụng AI để tái hiện trực quan những ký ức không được ghi chép của bà, tạo ra hình ảnh tĩnh rồi dùng Veo để chuyển chúng thành video. Triển lãm được tuyển chọn cùng các tổ chức bao gồm Bảo tàng Anh, Bảo tàng Iziko Nam Phi và Serpentine.

  2. vLLM Blog58

    vLLM bổ sung phân tách encoder cho phục vụ đa phương thức với EPD

    vLLM đã mở rộng phân tách Encoder/Prefill/Decode (EPD) cho phục vụ đa phương thức, bổ sung yêu cầu chỉ chứa metadata, một đường thực thi encoder riêng, truyền embedding từ xa qua NIXL và Mooncake, tái sử dụng đầu ra cross-encoder, và điều phối thông qua vLLM Router, SMG và llm-d. Các năng lực cốt lõi bao gồm hỗ trợ MiMo và XPU có trong vLLM v0.32.0, trong khi hỗ trợ chỉ metadata cho DeepSeek V4.1 Flash có sẵn trên main qua #62802. Trong một thử nghiệm DeepSeek V4.1 Flash trên GB200, EPD đạt thông lượng trên mỗi GPU cao hơn 6,6–9,5% và P90 TTFT thấp hơn 44–47% so với baseline PD tám GPU ở mức đồng thời 64–128, nhưng có thông lượng trên mỗi GPU thấp hơn ở mức đồng thời 16.

  3. inclusionAI Models40

    inclusionAI phát hành mô hình ZoomGain-9B và ZoomGain-4B cùng ZoomGainBench và dữ liệu huấn luyện RL

    inclusionAI đã phát hành các checkpoint mô hình thị giác-ngôn ngữ ZoomGain-9B và ZoomGain-4B, cùng với bộ đánh giá ZoomGainBench và dữ liệu huấn luyện RL ZoomGain. ZoomGain khai thác khoảng cách nhận thức từ toàn cục đến thu phóng để xây dựng giám sát thị giác chi tiết, và ZoomGain-9B đạt hiệu suất vượt trội trên nhiều bộ đánh giá nhận thức chi tiết và tổng quát. ZoomGainBench chứa 1.000 câu hỏi trên 941 hình ảnh, trong khi bộ dữ liệu RL có 9.000 bản ghi huấn luyện và 7.713 hình ảnh nguồn.

  4. inclusionAI Models38

    inclusionAI phát hành ZoomGain-4B và ZoomGain-9B cùng ZoomGainBench và dữ liệu huấn luyện RL

    inclusionAI đã phát hành bài báo arXiv, bộ đánh giá ZoomGainBench, tập dữ liệu huấn luyện RL và các checkpoint mô hình ZoomGain-4B/ZoomGain-9B. Mô hình tốt nhất trong 28 mô hình đạt 61,08 trên ZoomGainBench, trong khi ZoomGain-9B đạt hiệu suất vượt trội trên nhiều benchmark nhận thức tổng quát và chi tiết. ZoomGain khai thác khoảng cách nhận thức từ toàn cục đến thu phóng để xây dựng giám sát thị giác chi tiết cho các mô hình ngôn ngữ-thị giác.

  5. inclusionAI Models40

    inclusionAI phát hành SingVL S1 4B - mô hình quyết định đa phương thức trên Qwen3.5

    inclusionAI đã phát hành SingVL S1, một mô hình quyết định đa phương thức 4B được xây dựng trên Qwen3.5, có khả năng trả lời các câu hỏi có tên trên văn bản hoặc JSON và tối đa bốn hình ảnh trong một lần chạy xuôi duy nhất của Transformers. Mô hình hỗ trợ câu hỏi lựa chọn, có/không (noul) và câu hỏi chấm điểm từ 2–10 mức, đạt 73,94 trên Public Vision Index và 69,76 trên Public Text Index. Mô hình đi kèm mã suy luận Python và một máy chủ HTTP FastAPI.

  6. inclusionAI Models22

    inclusionAI phát hành trọng số GGUF cho ZoomGain-9B

    inclusionAI đã phát hành trọng số định dạng GGUF cho ZoomGain-9B, được chuyển đổi bằng llama.cpp, bao gồm mô hình ngôn ngữ và bộ mã hóa hình ảnh/projector (mmproj) ở FP16, Q8_0 và Q4_K_M. Đầu vào hình ảnh yêu cầu ghép mô hình ngôn ngữ với tệp mmproj tương ứng, và kho lưu trữ tài liệu hóa suy luận CLI qua llama-mtmd-cli và thiết lập trò chuyện web qua llama-server. Cần bản dựng llama.cpp có hỗ trợ đa phương thức Qwen3.5, và việc lượng tử hóa có thể ảnh hưởng đến độ chính xác.

10 tháng 11Thứ Ba
  1. Google Blog · AI38

    Google và Adobe mở rộng hợp tác để đưa Acrobat và các công cụ sáng tạo vào Gmail, Drive, Gemini và Search

    Google và Adobe đang mở rộng quan hệ hợp tác nhằm nhúng trực tiếp các công cụ sáng tạo và năng suất của Adobe vào các ứng dụng Google hằng ngày, đồng thời đưa các mô hình AI tiên tiến của Google vào các ứng dụng của Adobe. Google Drive và Gmail sẽ sớm hiển thị Adobe Acrobat như một ứng dụng được gợi ý với mục "Edit with" trong phần xem trước tệp, trong khi Adobe bổ sung các trình kết nối Acrobat và công cụ sáng tạo vào Gemini và Gemini Enterprise, đồng thời đưa các công cụ sáng tạo vào AI Mode trong Google Search. Doanh nghiệp có thể sử dụng tác nhân CX Enterprise Coworker của Adobe trong Gemini Enterprise, và Adobe cùng Google DeepMind sẽ nghiên cứu một mô hình hình ảnh cho Photoshop có thể cho phép chỉnh sửa gần như theo thời gian thực.

  2. OpenRouter Announcements72

    OpenRouter đánh giá 15 mô hình thị giác và Mistral OCR trên tài liệu quét

    OpenRouter đã thử nghiệm 15 mô hình thị giác, Mistral OCR và Tesseract trên tám bản quét suy giảm tự tạo, và Claude Opus 5.5 chính xác nhất với 262 trong 264 giá trị khóa đúng với chi phí 16,42 đô la cho 1.000 trang, trong khi Mistral OCR có giá trị tốt nhất với 258 trong 264 với giá 2,02 đô la. Trên một hóa đơn mờ, GPT-6 Luna và GPT-6.1 Sol đã bịa ra chữ số thẻ, tên máy chủ và mật khẩu wifi, những lỗi mà tỷ lệ lỗi ký tự không phát hiện được. Bài viết bao gồm mã để phiên âm bản quét, tắt suy luận, kiểm tra chéo hai mô hình từ các phòng thí nghiệm khác nhau và chạy Mistral OCR thông qua plugin phân tích tệp.

    Vì sao đáng chú ý: Một đánh giá thực hành về 15 mô hình thị giác cùng Mistral OCR và Tesseract trên tám bản quét suy giảm, với mã có thể chạy để kiểm tra chéo hai mô hình nhằm phát hiện các giá trị bịa đặt.

  3. Google Research25

    Language Explorer của Google trực quan hóa sự đa dạng ngôn ngữ trên thế giới

    Google đã ra mắt Language Explorer, một nền tảng web tương tác cho phép các nhà nghiên cứu, nhà giáo dục và những người đam mê ngôn ngữ khám phá và trực quan hóa sự đa dạng ngôn ngữ trên hàng nghìn ngôn ngữ. Được xây dựng như một phần của Sáng kiến 1.000 Ngôn ngữ của Google và dựa trên bộ dữ liệu mã nguồn mở LinguaMeta, nó được giới thiệu trong một triển lãm mới tại Bảo tàng Truyền thông Berlin khai mạc tuần này. Google Dịch hiện hỗ trợ gần 250 ngôn ngữ, trong khi Gboard bao phủ hơn 900 biến thể ngôn ngữ.

  4. Recraft Blog55

    Gemini Omni Flash 1.2 có mặt trong Recraft Studio với nhân vật ổn định hơn và khớp khẩu hình rõ nét hơn

    Gemini Omni Flash 1.2, mô hình video mới nhất của Google, hiện đã có trong Recraft Studio, nơi các clip dài tối đa 10 giây với âm thanh gốc. So với 1.1, mô hình giữ nhân vật, sản phẩm và bối cảnh ổn định hơn xuyên suốt clip, tuân theo chỉ dẫn camera với ít cảnh cắt không mong muốn hơn, và tạo ra hội thoại khớp khẩu hình rõ nét hơn, kể cả các cảnh có nhiều người nói. Google phát hành mô hình này vào ngày 5 tháng 11 năm 2026, và lưu ý rằng mô hình vẫn còn gặp khó khăn với hành động thể thao nhanh, thay đổi kịch bản nhanh và vật lý phức tạp.

9 tháng 11Thứ Hai
  1. inclusionAI Repositories38

    ZoomGain: Khai thác khoảng cách nhận thức từ toàn cục đến thu phóng cho giám sát thị giác tinh vi

    ZoomGain xây dựng các câu hỏi về một hình ảnh đầy đủ từ những chi tiết thị giác chỉ trở nên rõ ràng khi thu phóng, sử dụng khoảng cách nhận thức từ toàn cục đến thu phóng này làm giám sát cho các mô hình ngôn ngữ-thị giác. Bản phát hành bao gồm bài báo arXiv, bộ đánh giá ZoomGainBench (1.000 câu hỏi trên 941 hình ảnh bao gồm nhận dạng thuộc tính, đếm và OCR), 9.000 bản ghi huấn luyện RL trên 7.713 hình ảnh nguồn, và các checkpoint ZoomGain-4B và ZoomGain-9B. Mô hình tốt nhất trong số 28 mô hình đạt 61,08 trên ZoomGainBench, trong khi ZoomGain-9B đạt hiệu suất vượt trội trên nhiều bộ đánh giá nhận thức tinh vi và tổng quát.

  2. Meta AI Research Blog78

    Meta phát hành Muse Ember, mô hình nhỏ nhất và hiệu quả nhất cho các tác vụ agent

    Meta đã phát hành Muse Ember, mô hình nhỏ nhất và hiệu quả nhất của họ, nhắm đến những công việc lặp đi lặp lại mà agent làm cả ngày như gọi công cụ, tác vụ con lập trình, định tuyến, trích xuất và phân tích tài liệu dài. Meta cho biết mô hình này đạt điểm cao nhất của Claude Haiku 5.5 với chi phí khoảng một phần ba và vượt mọi cấu hình GPT-6 Luna, ở mức 0,10 USD mỗi triệu token đầu vào và 0,50 USD mỗi triệu token đầu ra. Mô hình đi kèm cửa sổ ngữ cảnh 1M token, tối đa 512K token đầu ra, hỗ trợ đầu vào văn bản, hình ảnh, âm thanh và video gốc, và có sẵn ngay hôm nay trên Muse Code và Meta Model API với tên muse-ember-1.0.

    Vì sao đáng chú ý: Mô hình nhỏ nhất của Meta nhắm đến các bước agent có khối lượng lớn, và so sánh chi phí mỗi tác vụ với Claude Haiku 5.5 và GPT-6 Luna cho thấy tuyên bố về hiệu quả đến từ đâu.

6 tháng 11Thứ Sáu
  1. vLLM Blog55

    VeRL-Omni v0.3.0 ra mắt với huấn luyện bất đồng bộ và hậu huấn luyện đa phương thức mở rộng

    VeRL-Omni v0.3.0 đã được phát hành với các luồng thực thi RL bất đồng bộ và tách rời, V1 trainer là mặc định, và mở rộng phạm vi hậu huấn luyện trên hiểu biết hình ảnh, video, âm thanh và đa phương thức. Bản phát hành bổ sung huấn luyện văn bản và âm thanh Qwen3-Omni hoàn toàn bất đồng bộ, huấn luyện Omni và diffusion bất đồng bộ tách rời với bộ đệm phát lại, và các công thức mới bao gồm MiniMax H3 với DiffusionNFT và MiniCPM-o 4.5 GSPO. Trong một thí nghiệm MiniCPM-o 4.5 AVQA trên 4×H800 80 GB, separate-async 3+1 chậm hơn khoảng 9% mỗi prompt so với colocated 4+0 ở độ dài phản hồi tự nhiên, gần như ngang bằng ở 512 token, và nhanh hơn khoảng 6.7% ở 1024 token.

  2. Meta Newsroom · AI62

    Meta triển khai giọng nói thời gian thực và avatar biểu cảm trong ứng dụng Muse

    Meta đang triển khai các cuộc trò chuyện bằng giọng nói thời gian thực và avatar biểu cảm trong ứng dụng Muse trên di động, web và Mac, bắt đầu từ Mỹ. Người dùng nhấn vào biểu tượng điện thoại để nói, có thể ngắt lời phản hồi và chọn từ hàng trăm giọng nói cùng các chế độ chỉ giọng nói, avatar hoặc toàn màn hình. Giọng nói sẽ sớm có mặt trên AI Glasses và Muse Charm.

    Vì sao đáng chú ý: Ứng dụng Muse của Meta hiện hỗ trợ các cuộc trò chuyện bằng giọng nói thời gian thực với avatar biểu cảm, cho thấy giọng nói và xử lý ngắt lời đang dịch chuyển vào các trợ lý AI tiêu dùng.

  3. Google DeepMind78

    Google DeepMind phát hành Gemini Omni 1.2 Flash với clip 15 giây và giá thấp hơn 30%

    Google DeepMind đã ra mắt Gemini Omni 1.2 Flash, hiện đã được cung cấp rộng rãi trên Gemini API và Gemini for business, với khả năng tạo video gốc dài 15 giây, chỉnh sửa hội thoại nhiều lượt và tuân thủ tham chiếu tốt hơn. Giá giảm 30% so với Gemini Omni 1.1 xuống còn 0,07 USD mỗi giây cho video 720p, và người dùng có thể tạo bản nháp ở 360p hoặc 720p trước khi nâng cấp lên 1080p hoặc 4K. Clip có thể được đặt từ 3 đến 15 giây theo từng bước một giây, và đầu ra mang watermark SynthID không thể nhận biết.

    Vì sao đáng chú ý: Gemini Omni 1.2 Flash nâng độ dài clip gốc lên 15 giây và giảm giá 30% xuống còn 0,07 USD mỗi giây video 720p, với tính năng chỉnh sửa hội thoại nhiều lượt hiện đã được cung cấp rộng rãi.

  4. Google Blog · AI80

    Google phát hành Gemini Omni 1.2 Flash với clip 15 giây và giảm giá 30%

    Google DeepMind đã ra mắt Gemini Omni 1.2 Flash và cung cấp rộng rãi trên Gemini API và Gemini for business. Mô hình tạo và chỉnh sửa clip gốc dài tối đa 15 giây, tăng từ 10 giây ở Omni 1.1, hỗ trợ chỉnh sửa hội thoại nhiều lượt và giữ tham chiếu nhân vật, sản phẩm và phong cách nhất quán hơn; video 720p hiện có giá 0,07 USD mỗi giây, thấp hơn 30% so với Omni 1.1. Đầu ra mang watermark SynthID và mô hình đang được triển khai trong Flow, Google Vids, ứng dụng Gemini và Google Ads.

    Vì sao đáng chú ý: Gemini Omni 1.2 Flash giảm giá 30% xuống 0,07 USD mỗi giây cho video 720p đồng thời mở rộng clip gốc lên 15 giây, mang đến cho các nhóm sản xuất video quy mô lớn một lựa chọn rẻ hơn để so sánh với các phiên bản trước.

  5. Descript Changelog22

    Tổng hợp bản phát hành ngày 6 tháng 11 năm 2026 của Descript: Gói bố cục thương hiệu, Kỹ năng Underlord, Thùng rác 30 ngày

    Bản tổng hợp ngày 6 tháng 11 năm 2026 của Descript bổ sung các gói bố cục tạo sinh, biến hướng dẫn thương hiệu, logo và màu sắc thành bốn hướng do AI đề xuất cùng một gói bố cục đầy đủ có thể chỉnh sửa trên các gói trả phí. Underlord hiện hỗ trợ các kỹ năng tái sử dụng, được gọi bằng "/" trong chat, thay thế các mẫu prompt, vốn sẽ bị tắt vào ngày 30 tháng 11. Các dự án đã xóa giờ nằm trong thùng rác 30 ngày, và tính năng tìm kiếm ổ đĩa của Enterprise khớp với nội dung bên trong hình ảnh và video, bao gồm cả qua Descript MCP và API.

5 tháng 11Thứ Năm
  1. Google Research47

    Agile Deliberation của Google Research giúp con người định nghĩa các danh mục AI mang tính chủ quan

    Google Research giới thiệu Agile Deliberation, một framework biến việc tạo bộ phân loại AI mang tính chủ quan thành một cuộc trò chuyện lặp đi lặp lại, trong đó AI giúp người dùng làm sắc nét các định nghĩa của chính họ. Framework chia nhiệm vụ thành phạm vi khái niệm và lặp lại khái niệm, sử dụng các mô hình ngôn ngữ - thị giác để làm nổi bật các hình ảnh ranh giới và đưa phản hồi vào một vòng tối ưu hóa lời nhắc tự động. Trong 18 phiên người dùng trực tiếp kéo dài 1,5 giờ, phương pháp này giảm mệt mỏi và lo lắng cho người dùng, đồng thời tạo ra các mô hình nhất quán hơn, vượt trội so với các baseline tiêu chuẩn; mã nguồn được mở trên GitHub.

  2. Preferred Networks News71

    PFN phát hành PLaMo 3 Translate, LLM dịch thuật trọng số mở cho thiết bị biên

    Preferred Networks đã phát hành PLaMo 3 Translate, một LLM chuyên dịch thuật được sử dụng trong dịch vụ PLaMo Translation của họ, dưới dạng mô hình trọng số mở trên Hugging Face vào ngày 5 tháng 11. 8B, 2B, 8B và 31B) và hỗ trợ 53 ngôn ngữ bao gồm tiếng Nhật và tiếng Anh, chạy trên điện thoại thông minh, máy tính xách tay và máy chủ nội bộ mà không cần kết nối đám mây.

    Vì sao đáng chú ý: PFN phát hành một LLM chuyên dịch thuật với bốn kích cỡ từ 0.8B đến 31B, cho phép các công ty và cá nhân chạy dịch thuật 53 ngôn ngữ trên thiết bị mà không cần truy cập đám mây.

30 tháng 10Thứ Sáu
  1. Meta Newsroom · AI25

    Meta hợp tác với INCA để mở rộng khả năng tiếp cận kính AI cho người Canada khiếm thị và suy giảm thị lực

    Meta đã hợp tác với INCA, một tổ chức phi lợi nhuận của Canada được thành lập năm 1918, nhằm giúp nhiều người Canada khiếm thị, khiếm thị-khiếm thính và suy giảm thị lực hơn nữa được hưởng lợi từ kính AI. Khoản tài trợ của Meta sẽ hỗ trợ INCA trong bốn lĩnh vực: lắng nghe cộng đồng, hỗ trợ những người đại diện cộng đồng tổ chức các buổi trình diễn trực tiếp và đào tạo đồng đẳng, đưa phản hồi của cộng đồng đến các nhóm sản phẩm và khả năng tiếp cận của Meta, và cung cấp hướng dẫn học tập cùng tài nguyên đào tạo dễ tiếp cận. Meta cũng đang tặng kính AI thông qua chương trình "Opening the Doors to Work" của INCA dành cho những người đang tìm việc làm.

  2. Meta Newsroom · AI25

    Meta và CNIB hợp tác mang kính AI đến người Canada khiếm thị và thị lực kém

    Meta đã hợp tác với CNIB, một tổ chức phi lợi nhuận được thành lập năm 1918, để mang kính AI đến nhiều người Canada khiếm thị, điếc-khiếm thị hoặc thị lực kém hơn. Khoản tài trợ của Meta sẽ hỗ trợ CNIB trong bốn lĩnh vực: lắng nghe cộng đồng, đào tạo đồng đẳng do các đại sứ cộng đồng dẫn dắt, chia sẻ hiểu biết với các nhóm tiếp cận và sản phẩm của Meta, cùng các hướng dẫn và tài liệu đào tạo dễ tiếp cận. Meta cũng đang quyên tặng kính AI thông qua chương trình Come to Work của CNIB dành cho những người đang tìm hiểu việc làm.

29 tháng 10Thứ Năm
  1. Meta Newsroom · AI22

    Meta hợp tác với năm trường đại học Hoa Kỳ để thúc đẩy các đột phá y học và khoa học

    Meta đang hợp tác với năm trường đại học Hoa Kỳ — Caltech, Trường Y của Ohio State, Đại học Bang Louisiana, Đại học Indiana và UTHealth Houston — và tài trợ 2 triệu đô la để hỗ trợ nghiên cứu sử dụng các mô hình của mình trong y học, vật lý, hóa học, sinh học, khoa học máy tính và toán học. Các dự án bao gồm một hệ thống thị giác máy tính được xây dựng trên các mô hình SAM trọng số mở của Meta để phát hiện lệch ống mở khí quản ở trẻ sơ sinh, AI đa phương thức giúp các tác nhân hội thoại thích ứng với người mắc chứng sa sút trí tuệ, và các mô hình trọng số mở dự đoán nguy cơ suy tim từ các ca chụp CT thường quy và hồ sơ y tế.

28 tháng 10Thứ Tư
  1. Ai2 · Allen Institute for AI40

    Các nhà nghiên cứu đang điều chỉnh olmOCR 2 cho các kho lưu trữ lịch sử và khảo cổ như thế nào

    Các nhà nghiên cứu đang điều chỉnh mô hình olmOCR 2 mã nguồn mở của Ai2 để phiên âm các kho lưu trữ lịch sử và khảo cổ. Nhà sử học Maurice Casey đã xây dựng ArtificeOCR, chạy olmOCR 2 cục bộ cùng với Tropy để giúp thư viện ảnh lưu trữ của ông có thể tìm kiếm bằng từ khóa, trong khi dự án CENTURIA của TU Wien đã tinh chỉnh olmOCR 2 bằng LoRA trên 57 bản ghi được chú thích, giảm lỗi phiên âm trên 450 bản ghi kiểm thử từ 15,58% xuống 1,11%.

  2. Meta AI Research Blog30

    Meta hỗ trợ nghiên cứu AI tại năm trường đại học Hoa Kỳ để thúc đẩy các đột phá y học và khoa học

    Meta đang hỗ trợ nghiên cứu tại năm trường đại học Hoa Kỳ — Caltech, Ohio State University College of Medicine, Louisiana State University, Indiana University và UTHealth Houston — thông qua việc cấp quyền truy cập các mô hình Muse mới nhất, hợp tác với nhà nghiên cứu và tài trợ. Các nhà nghiên cứu sẽ sử dụng Muse Spark Open, Muse Wonder, Muse Spark, Muse Glimmer 30B trọng số mở, cùng với SAM, V-JEPA, DINO, UMA và SeamlessM4T. Các dự án trải rộng trên y học, vật lý, hóa học, sinh học, khoa học máy tính và toán học, với việc các trường đại học giữ quyền kiểm soát toàn bộ dữ liệu bệnh nhân và lâm sàng.

27 tháng 10Thứ Ba
  1. Apple Newsroom58

    Apple Creator Studio bổ sung trợ lý AI, hỗ trợ MCP và MotionVFX trong Final Cut Pro

    Apple đã giới thiệu các bản cập nhật cho Apple Creator Studio, mang đến một trợ lý thông minh được xây dựng trên các mô hình của Apple và bên thứ ba cho Keynote, Pages và Numbers, cùng với hỗ trợ Model Context Protocol để các tác nhân AI bên ngoài có thể đọc nội dung và thực hiện chỉnh sửa trong các ứng dụng đó. Final Cut Pro cho Mac hiện bao gồm MotionVFX tích hợp sẵn và video kho Content Hub, Logic Pro có thêm trợ lý bản beta và Stem Splitter tách trống, và Pixelmator Pro bổ sung Generate Fill cho chỉnh sửa hình ảnh bằng ngôn ngữ tự nhiên. Các bản cập nhật sẽ có mặt trên App Store vào tháng 11 này, miễn phí cho người đăng ký hiện tại, với đăng ký mới ở mức 12,99 đô la Mỹ mỗi tháng hoặc 129 đô la Mỹ mỗi năm.

24 tháng 10Thứ Bảy
  1. Google Research58

    Google Research phác thảo cách AI sàng lọc bệnh lao của mình chuyển từ đánh giá chuẩn mực sang triển khai lâm sàng được chứng nhận

    Google Research đã trình bày tại IDWeek 2026 về cách các mô hình sàng lọc bệnh lao qua X-quang ngực của mình tiến triển từ một đánh giá chuẩn mực trên Radiology năm 2019 thành một công cụ được chứng nhận CE MDR Class IIb, được đối tác Nexus AI triển khai tại khoảng 40 cơ sở y tế trên sáu quốc gia. Hơn 90 bác sĩ lâm sàng đã đánh giá hơn 25.000 phim X-quang ngực, rút ngắn thời gian xử lý từ vài tuần xuống dưới 45 giây, và công cụ này cũng đã được triển khai ngoại tuyến ở độ sâu bốn kilômét dưới lòng đất tại Mỏ vàng Mponeng của Nam Phi. Google đã mã nguồn mở các embedding X-quang ngực và MedSigLIP thông qua HAI-DEF và phát hành MedGemma, mà họ cho biết đã vượt 10 triệu lượt tải xuống, trong khi Bộ Y tế Indonesia đang tinh chỉnh cả hai mô hình trên phim X-quang trong nước cho một chương trình sàng lọc quốc gia.

23 tháng 10Thứ Sáu
  1. Amazon Science40

    TTS có thể điều khiển của Audible mang đến giọng nói nhân vật riêng biệt cho sách nói

    Nhóm công nghệ của Audible đang sử dụng chuyển văn bản thành giọng nói có thể điều khiển để mang lại cho các nhân vật trong sách nói những giọng nói riêng biệt, nhất quán, được hướng dẫn bởi các mô tả bằng ngôn ngữ tự nhiên về cách truyền đạt lời thoại. Một thành phần BookLLM lập hồ sơ nhân vật và xác định lời thoại của họ với độ chính xác 97% trong tiếng Anh và 94% trong tiếng Tây Ban Nha, trong khi một quy trình dữ liệu tổng hợp huấn luyện mô hình trên lời nói có phụ đề. Việc phân biệt lời thoại được cải thiện 3,7 điểm trên bài kiểm tra MUSHRA, với mức tăng trải nghiệm nghe có ý nghĩa thống kê đối với tám trong số mười giọng nói trong các bài kiểm tra tiếng Anh và tiếng Tây Ban Nha.

22 tháng 10Thứ Năm
  1. Ai2 · Allen Institute for AI58

    Ai2 phát hành mô hình embedding vệ tinh OlmoEarth v1.3 với embedding toàn cầu tính sẵn và công cụ khám phá trên trình duyệt

    Ai2 đã phát hành OlmoEarth v1.3, một mô hình embedding vệ tinh chuyển chuỗi thời gian một năm của Sentinel-1, Sentinel-2 và Landsat thành một vector 128 chiều cho mỗi pixel 10 mét, với 64 chiều đầu tiên có thể dùng như một embedding nhỏ hơn. Ai2 đã tính sẵn embedding hằng năm cho toàn bộ hành tinh và công bố trên Source Cooperative, và embedding 128 chiều của mô hình đạt điểm cao nhất trong 20 trên 27 đánh giá so với AlphaEarth Foundations và Tessera v2, bao gồm một benchmark cây trồng nhiệt đới mới có tên PLANTEUR. Bản phát hành cũng bao gồm OlmoEarth Embeddings Explorer, một công cụ trình duyệt không cần đăng nhập để so sánh các năm, tìm những nơi tương tự và huấn luyện các bộ phân loại nhỏ ngay tại chỗ, với dữ liệu toàn cầu năm 2025, 2024 và 2023 và giai đoạn 2017 đến 2022 bao phủ một số quốc gia được chọn; trọng số, dữ liệu tiền huấn luyện và mã nguồn đều mở.

  2. Google Research58

    Mô hình AI của Google Research đạt độ chính xác tương đương chuyên gia siêu âm trong việc xác định tuổi thai từ siêu âm quét mù

    Google Research đã công bố một nghiên cứu tiến cứu đa trung tâm trên JAMA Network Open cho thấy mô hình AI của họ ước tính tuổi thai từ siêu âm quét mù với sai số tuyệt đối trung bình là 4,18 ngày, so với 4,48 ngày của các chuyên gia siêu âm sử dụng phương pháp đo sinh trắc học tiêu chuẩn. Mô hình được tinh chỉnh tối thiểu trên 120 người tham gia tại Chicago và được kiểm tra mà không có bất kỳ tối ưu hóa cục bộ nào tại Nairobi, nơi nó đạt MAE 4,27 ngày, so với 4,10 ngày tại Chicago. Nghiên cứu hướng đến chăm sóc sức khỏe bà mẹ tuyến đầu, nơi WHO ước tính có hơn 250.000 ca tử vong liên quan đến thai kỳ có thể phòng ngừa được xảy ra hàng năm và hai phần ba số người thiếu khả năng tiếp cận chẩn đoán hình ảnh.

15 tháng 10Thứ Năm
  1. Meta AI Research Blog88

    Meta phát hành Muse Spark Open, mô hình đa phương thức trọng số mở 816B chạy trên hai Mac Studio

    Meta đã phát hành trọng số cho Muse Spark Open, một mô hình đa phương thức gốc với trọng số mở có tổng cộng 816B tham số (42B hoạt động) và cửa sổ ngữ cảnh 1M token, định hướng cho công việc lập trình và tác tử. Đây là mô hình đầu tiên trong phân khúc của nó chạy trên máy tính để bàn bằng hai Apple M5 Ultra Mac Studio với framework MLX, và có sẵn thông qua các đối tác API bao gồm Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter và Together AI, với trọng số trên Hugging Face, Amazon SageMaker AI, Google Cloud Model Garden và Microsoft Foundry Models. Meta cho biết mô hình đi kèm với các kernel GPU Helion có thể tự động tinh chỉnh trong SGLang, mang lại tốc độ tăng tốc cấp kernel từ 1,03-3,95 lần trên GPU NVIDIA và AMD và tăng tốc end-to-end 3% trên AMD MI350.

    Vì sao đáng chú ý: Meta phát hành trọng số mở cho một mô hình đa phương thức 816B tham số chạy trên hai Mac Studio, mang đến cho nhà phát triển một lựa chọn cục bộ cho các tác vụ lập trình và tác tử dài hạn.

6 tháng 10Thứ Ba
  1. Mistral AI82

    Mistral ra mắt bản xem trước Mistral Large 4, mô hình đa phương thức 1T tham số với trọng số dự kiến trong tháng này

    Mistral đã ra mắt bản xem trước công khai của Mistral Large 4, một mô hình đa phương thức gốc với 1 nghìn tỷ tham số và 52 tỷ tham số hoạt động, hiện có sẵn qua API Mistral Studio. Mistral cho biết mô hình này cạnh tranh với các mô hình mã nguồn mở mạnh nhất và vượt trội so với các mô hình trọng số mở khác từ Mỹ và châu Âu, đạt 82% trên bài kiểm tra tái tạo và vá lỗ hổng của Artificial Analysis Cyber Index và 49,8% trên Coding Agent Index tổng hợp của mình. Trọng số dự kiến sẽ được phát hành vào cuối tháng này, sau khi red-team với các đối tác an ninh mạng và cơ quan chức năng; Mistral cho biết mô hình được huấn luyện từ đầu trên 3.800 GPU NVIDIA Grace Blackwell trong các trung tâm dữ liệu châu Âu của riêng mình.

    Vì sao đáng chú ý: Mô hình lớn nhất của Mistral đến nay tuyên bố dẫn đầu về trọng số mở trong an ninh mạng và lập trình tác tử, với trọng số được hứa hẹn vào cuối tháng.