Tới nội dung
#Đa phương thức
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.

8 tháng 11Chủ Nhật
  1. Recode China AI22

    Apple thử nghiệm Qwen trong Apple Intelligence tại Trung Quốc khi Tencent bổ sung khả năng thị giác cho Hy4

    Apple đã bắt đầu thử nghiệm dành cho nhà phát triển đối với Qwen bên trong Apple Intelligence tại Trung Quốc trong tuần này, trước kế hoạch triển khai vào tháng 12 cùng iOS 27.3, đưa Qwen vào Siri, Writing Tools và Visual Intelligence theo hình thức người dùng tự chọn tham gia. Bản phát hành Hy4 ngày 4 tháng 11 của Tencent bổ sung suy luận thị giác và sử dụng máy tính, trong khi Baidu, Moonshot, Ant và Meituan cũng đã công bố hoặc ra mắt các mô hình mới.

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. Artificial Analysis Articles40

    VIALS-AA: Những con đường khác nhau để suy luận hình ảnh khoa học

    VIALS-AA phân tích cách 19 mô hình suy luận trên hình ảnh khoa học, phân loại 9.177 lần chạy thử của các lệnh gọi công cụ. Xem hình ảnh chiếm 38,3% số lệnh gọi và chuẩn bị hoặc đo lường hình ảnh chiếm 47,3%, trong khi đo lường hình ảnh chỉ chiếm 5–6% số lệnh gọi đối với GPT-6 Astra (max) và GPT-6.1 Sol (max), so với 25–27% đối với Claude Opus 5.5 (max) và Claude Sonnet 5.5 (max). Gemini 3.8 Flash (high) tạo ra 86,7% số lệnh gọi bình luận/không thao tác của nhóm, và chi phí cho mỗi tác vụ thay đổi gần 100 lần giữa các mô hình.

  6. 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.

12 tháng 10Thứ Hai
  1. Import AI38

    Import AI 476: Sáng tạo và RSI, các mô hình open weight tệ hơn Trung Quốc, và AI trong không gian

    Import AI 476 đề cập đến một benchmark mới cho thấy các LLM tiên tiến vẫn kém con người về suy luận thị giác trực quan, với GPT 6 Astra đạt 53,6 pass@1 so với mức cơ sở của con người là 93,1. Nội dung cũng thảo luận về việc các hệ thống AI đang cải thiện "gu nghiên cứu" thông qua benchmark TasteVal, và lập luận rằng AI có thể tăng tốc công nghiệp hóa không gian và tạo ra lợi thế người đi trước tích lũy.

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.

19 tháng 9Thứ Bảy
  1. One Useful Thing50

    Khoảng cách chưa khai thác: GPT-6 Astra và Fable 5.1 cho thấy năng lực chưa được tận dụng của AI

    Ethan Mollick lập luận rằng các mô hình hiện có như GPT-6 Astra và Fable 5.1 đã có thể làm được khối lượng công việc của con người trong nhiều tuần nếu được hướng dẫn đúng cách, nhưng năng lực của chúng vẫn hầu như chưa được sử dụng. Ông chứng minh điều này bằng cách để GPT-6 Astra biến trò chơi phiêu lưu văn bản Zork năm 1977 thành một trò chơi hành động 3D có thể chơi được và để Fable 5.1 tái tạo thư viện của Umberto Eco trong không gian 3D, đặt khoảng 5.000 cuốn sách đã được nhận diện vào 27.000 ô kệ. Mollick gọi khoảng cách này là "capability overhang" (khoảng cách năng lực chưa khai thác) và nói rằng người dùng nên kết hợp AI với kiến thức chuyên sâu, kiến thức rộng, gu thẩm mỹ và khả năng hành động.

18 tháng 9Thứ Sáu
  1. Every42

    Vibe Check: GPT-6 Astra có phải là bước đột phá cho các nhà làm phim độc lập?

    Studio sáng tạo Afterimage đã thử nghiệm GPT-6 Astra trên các cảnh quay từ những buổi quay thực tế để xem liệu kỹ năng Blender 3D của nó có chuyển sang được công việc hiệu ứng hình ảnh hay không. Astra đã xử lý các tác vụ từ việc thay một chiếc đĩa trong một cú lia máy đang di chuyển đến việc thêm một tòa nhà vào một con phố ở Brooklyn và làm cho một chiếc xe diễu hành khổng lồ xuất hiện bên ngoài cửa sổ trong cảnh quay bằng iPhone cầm tay. Một số cảnh quay thành công và một số thì không, nhưng cuối cùng nhóm đã mơ ra những hiệu ứng mà trước đây họ chưa từng thử làm.

13 tháng 8Thứ Năm
  1. MiniMax Blog71

    MiniMax phát hành Music 3.0, mô hình tạo nhạc trọng số mở cho các bài hát đầy đủ dài tới năm phút

    MiniMax giới thiệu Music 3.0, một mô hình tạo nhạc trọng số mở có khả năng sáng tác, phối khí và sản xuất một bài hát hoàn chỉnh dài tới năm phút từ một ý tưởng sáng tạo và phần lời tùy chọn trong một lần tạo. Pipeline kết hợp một Global LLM 8B được khởi tạo từ Qwen3.5-8B với một Local LLM 0.6B, hợp nhất các trạng thái ẩn liên tục của chúng để điều kiện hóa một mô-đun flow-matching 2.4B và một Flow-VAE 123M, đồng thời sử dụng RVQ tám lớp cùng Structured Captions mô tả cảm xúc, nhạc cụ và cách thể hiện giọng hát theo thời gian. MiniMax cho biết điều này mang lại khả năng diễn giải ý định sáng tạo chính xác hơn, phối khí đầy đủ hơn và giọng hát rõ ràng, tự nhiên hơn.

    Vì sao đáng chú ý: Phân tích kiến trúc của MiniMax cho thấy cách một Global LLM 8B kết hợp với một mô hình cục bộ 0.6B và ngăn xếp flow-matching nhắm giải quyết vấn đề mạch lạc của bài hát dài.

31 tháng 7Thứ Sáu
  1. MiniMax Blog82

    MiniMax ra mắt H3, mô hình tạo đa phương thức tổng quát với video âm thanh nổi gốc ở độ phân giải 2K

    MiniMax đã ra mắt H3, một mô hình tạo đa phương thức tổng quát có khả năng hiểu văn bản, hình ảnh, video và âm thanh như một ngữ cảnh thống nhất, đồng thời tạo video với âm thanh nổi gốc dài tối đa 15 giây ở độ phân giải 2K. Công ty cho biết chi phí đầu ra 2K thấp hơn một phần ba so với các mô hình chủ lưu tính theo giây, và dự kiến sẽ mở trọng số mô hình trong những ngày tới, tuân theo các luật và quy định hiện hành. H3 được xây dựng trên Contextual Omni Representation, H3-VAE, H3-Omni Transformer và In-Context Regeneration, và MiniMax cho biết báo cáo kỹ thuật đầy đủ sẽ sớm được công bố.

    Vì sao đáng chú ý: H3 của MiniMax hợp nhất việc tạo văn bản, hình ảnh, video và âm thanh trong một mô hình và tuyên bố mức giá 2K thấp hơn một phần ba so với các mô hình chủ lưu, với trọng số được hứa hẹn sẽ sớm phát hành.

24 tháng 7Thứ Sáu
  1. One Useful Thing62

    Hướng dẫn mang tính quan điểm của Ethan Mollick về việc nên dùng AI nào cho công việc thực tế

    Ethan Mollick đã công bố một hướng dẫn mang tính quan điểm, lập luận rằng dùng AI hiện nay đồng nghĩa với việc vận hành các hệ thống agentic kết hợp một mô hình với các công cụ, chứ không chỉ trò chuyện với chatbot. Ông khuyến nghị ChatGPT (chế độ Work và Codex) hoặc Claude (chế độ Cowork và Code) với giá 20 USD/tháng cho công việc thực tế, bắt đầu với GPT-5.6 Sol hoặc Fable/Opus ở mức High thinking, và giữ bật các lời nhắc phê duyệt để phòng chống prompt injection. Ông cũng nói rằng Google hiện không có mô hình tiên phong dẫn đầu hay tương đương Codex/Code, mặc dù Gemini Notebook và Gemini Omni vẫn hữu ích cho nghiên cứu và chỉnh sửa video.

15 tháng 7Thứ Tư
  1. Modal Blog60

    Mô hình đa phương thức Inkling của Thinking Machines hiện đã có trên Modal

    Thinking Machines đã phát hành Inkling, một mô hình đa phương thức đa dụng nhận đầu vào văn bản, hình ảnh và âm thanh và xuất ra văn bản, và Modal cung cấp nó ngay từ ngày đầu tiên dưới dạng Managed Endpoint với giá theo token. Inkling là một transformer hỗn hợp chuyên gia với tổng cộng 975B tham số, 41B hoạt động, cửa sổ ngữ cảnh 1M token và âm thanh cùng thị giác gốc, sử dụng năm lớp attention cửa sổ trượt cho mỗi lớp attention đầy đủ. Trên các khối lượng công việc tác tử với 8x B200, speculator DFlash tùy chỉnh của Modal đạt 250 token mỗi giây mỗi người dùng ở 2,5M TPM thông lượng mỗi GPU, tương tác nhanh hơn 67% so với đường speculative tích hợp sẵn của mô hình ở cùng thông lượng.

    Vì sao đáng chú ý: Endpoint ngày đầu tiên của Modal cho Inkling 975B tham số của Thinking Machines cho thấy cách một speculator DFlash tùy chỉnh nâng tương tác lên 67% so với đường speculative tích hợp sẵn của mô hình.

1 tháng 6Thứ Hai
  1. MiniMax Blog87

    MiniMax M3 ra mắt với ngữ cảnh 1M, lập trình tiên tiến và đa phương thức gốc

    MiniMax đã phát hành M3, một mô hình trọng số mở mà họ nói là mô hình đầu tiên kết hợp hiệu năng lập trình và tác nhân tiên tiến, cửa sổ ngữ cảnh 1 triệu token, và đầu vào hình ảnh và video gốc. M3 sử dụng kiến trúc chú ý thưa MSA mới của MiniMax, mà công ty báo cáo cắt giảm tính toán mỗi token ở ngữ cảnh 1M xuống còn 1/20 so với thế hệ trước và tăng tốc prefill hơn 9 lần và giải mã hơn 15 lần. Nó đạt 59,0% trên SWE-Bench Pro, 66,0% trên Terminal-Bench 2.1 và 74,2% trên MCP Atlas, và có sẵn thông qua MiniMax Code, Token Plan và API, với trọng số và báo cáo kỹ thuật được hứa hẹn trong vòng 10 ngày.

    Vì sao đáng chú ý: MiniMax M3 kết hợp ngữ cảnh 1 triệu token, điểm số lập trình và tác nhân tiên tiến, và đầu vào hình ảnh và video gốc trong một mô hình trọng số mở, với MSA cắt giảm tính toán mỗi token ở ngữ cảnh dài.

4 tháng 5Thứ Hai
  1. Modal Blog36

    Modal tăng hiệu suất suy luận đa phương thức của SGLang hơn 10% nhờ bộ đệm dict Python

    Modal đã phân tích bộ lập lịch của SGLang trên một khối lượng công việc đa phương thức và thay thế việc ghi sổ lặp lại các handle CUDA IPC bằng một bộ đệm dict Python đơn giản, nâng thông lượng 16,2% và giảm TTFT trung bình 13,2% cùng TPOT 17,2% trên Qwen2.5-VL-3B-Instruct chạy trên H100. Bản sửa lỗi đã được hợp nhất trong SGLang v0.5.10.

23 tháng 5, 2025Thứ Sáu
  1. Vapi Blog18

    Narakeet: Biến văn bản thành giọng nói tự nhiên

    Narakeet chuyển đổi kịch bản viết thành giọng thuyết minh sống động như thật, cung cấp hơn 600 giọng nói trên hơn 70 ngôn ngữ và hỗ trợ hơn 140 ngôn ngữ và phương ngữ. Nền tảng này đồng bộ lời thuyết minh với PowerPoint, Google Slides và tệp Markdown, tạo phụ đề và chú thích, đồng thời cung cấp API cho nhà phát triển với xử lý hàng loạt. Các gói bắt đầu từ khoảng 5 đô la mỗi tháng, có gói miễn phí.

24 tháng 9, 2024Thứ Ba
  1. Modal Blog22

    Tìm kiếm kết hợp trên nhúng vệ tinh California với Modal, MongoDB và Clay

    Một ứng dụng demo thực hiện tìm kiếm kết hợp trên toàn bang California bằng dấu thời gian, dữ liệu định vị địa lý và nhúng ảnh vệ tinh từ mô hình nền tảng Clay v1. Modal điều phối các truy vấn API Sentinel hàng ngày, lưu trữ MongoDB Atlas và suy luận nhúng trên GPU A10, với giao diện frontend Alpine JS nhỏ được phục vụ qua FastAPI.