#多模态

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.

Một nhân vật do AI tạo ra và mở công khai: Claudia, ca sĩ của mười video âm nhạc Claude

Một nhân vật mở tên Claudia, ca sĩ nhạc pop do AI tạo ra với mái tóc bob đen và một lọn màu cam đất, đứng đầu mười video âm nhạc được làm bằng Claude trong khoảng tháng 9 đến tháng 11 năm 2026. Bản phát hành công bố mọi hình ảnh của cô, các thước phim và mọi thứ cần thiết để tự tái tạo cô. Các video được dựng bằng prompt Midjourney, clip Seedance 2.5 và bài hát Suno v6.

Show HN: MuzeGen AI – Tạo nhạc AI với tách stem và xuất MIDI

MuzeGen AI là một dự án Show HN tạo ra các bài hát gốc, miễn phí bản quyền từ một cảm xúc được mô tả, một phong cách được chọn hoặc lời bài hát được dán vào. Nó cũng cung cấp tính năng tách stem và xuất MIDI cho các bản nhạc được tạo.

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.

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.

Show HN: Trình tạo video giải thích theo phong cách Rick and Morty do một lập trình viên xây dựng

Một lập trình viên đã ra mắt công cụ Show HN có thể biến bất kỳ trang web, bài viết hoặc kịch bản nào thành video giải thích theo phong cách Rick and Morty với hội thoại, cảnh quay và hành động. Người dùng nhấn tạo để chuyển kịch bản thành storyboard có thể xem lại, sau đó nhấn tạo lần nữa để có video cuối cùng; video cuối cùng là trả phí vì công cụ sử dụng AI video ở bên dưới.

Zipzi ra mắt công cụ mã nguồn mở thay thế Live2D Cubism Editor với tính năng đồng chỉnh sửa bằng AI agent

Zipzi đã phát hành phiên bản alpha của trình biên tập mô hình và hoạt hình 2D mã nguồn mở, được định vị là giải pháp thay thế cho Live2D Cubism Editor, xây dựng bằng Rust với GPUI cho macOS và Windows. Một SDK Python (CPython 3.14) cho phép coding agent kiểm tra lưới, hiển thị lớp phủ wireframe và áp dụng chỉnh sửa trong cùng tài liệu với người dùng, với lịch sử hoàn tác dùng chung. Dự án đang trong giai đoạn phát triển sớm, chưa có bản phát hành ổn định, SDK dùng giấy phép MIT trong khi các thành phần của trình biên tập dùng GPL-3.0-only.

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.

Nhà kiến tạo thế giới mà các phòng thí nghiệm AI vẫn chưa gọi đến

Bài viết đặt câu hỏi vì sao Eiichiro Oda, tác giả One Piece, chưa được các phòng thí nghiệm AI tiên phong xây dựng world model tham vấn. Bài viết lập luận rằng chuyên môn của ông về tính nhất quán không gian và tính liên tục của logic nội tại có thể hỗ trợ cho phương tiện truyền thông tạo sinh, phong cách hóa trò chơi và mô phỏng, dù vật lý và hình học ở tầng thấp vẫn thuộc lĩnh vực của các mô hình đã được huấn luyện như Marble của World Labs.

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

Google giới thiệu Gemini 4 Hydrogen, một mô hình được xây dựng để thực thi nhanh trong lập trình hàng ngày và các quy trình tác tử, được triển khai trên toàn cầu qua Gemini API, AI Studio, Gemini cho doanh nghiệp, ứng dụng Gemini, Google Search và Google Antigravity.

Cùng sự việc; tuyển chọn có“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”

World Labs mở Atlas world model cho mọi người

World Labs đã mở Atlas, thế hệ world model tiếp theo của mình, cho mọi người, cho phép người dùng tạo và tái tạo các thế giới 3D có thể khám phá. Atlas Build bắt đầu từ ảnh hoặc hình ảnh được tạo, trong đó Viewfinder tái tạo cảnh và cho phép di chuyển camera, còn Chisel phác thảo cấu trúc cảnh và cập nhật mọi góc nhìn camera. Các thế giới có thể được chuyển đổi từ splats sang meshes với hình học thực để sử dụng trong game, mô phỏng, Blender và các công cụ 3D khác, và các khả năng của Atlas cũng có sẵn thông qua API dành cho nhà phát triển.

AxiomStory: Studio kể chuyện AI giữ nhân vật và thế giới nhất quán xuyên suốt văn bản, hình ảnh và video

AxiomStory là một studio kể chuyện AI mới, đọc từng chương của bản thảo và đánh dấu các lỗi liên tục, chẳng hạn như màu mắt của nhân vật thay đổi giữa các chương. Nó xây dựng một trang wiki cho mỗi nhân vật và địa điểm, đồng thời tái sử dụng một diện mạo và giọng nói đã được phê duyệt cho mỗi nhân vật trên các hình ảnh và video được tạo. Gói miễn phí cung cấp khoảng 30.000 từ hỗ trợ AI; các gói trả phí từ $16 đến $160 mỗi tháng.

Google phát hành Gemini 4 Hydrogen, đạt điểm cao hơn Argon lớn hơn bốn tuần sau khi Argon ra mắt

Google đã phát hành Gemini 4 Hydrogen, một mô hình đa dụng nhanh dành cho nhà phát triển và người dùng hàng ngày, với giá 1,50 USD mỗi triệu token đầu vào và 7,50 USD mỗi triệu token đầu ra cùng cửa sổ ngữ cảnh một triệu token. Google cho biết Hydrogen đạt 51 điểm trên Chỉ số Trí tuệ Artificial Analysis ở mức suy luận cao mặc định và 54 điểm ở mức xhigh mới, so với 50 điểm của Gemini 4 Argon lớn hơn. Kiểm thử độc lập của Artificial Analysis cho thấy Hydrogen gần tương đương Claude Sonnet 5.5 ở mức suy luận tối đa, nhưng yếu hơn ở công việc terminal tác tử, đạt 54 phần trăm trên Terminal-Bench 4.0 so với 64 phần trăm của Claude Sonnet 5.5.

Cùng sự việc; tuyển chọn có“Google DeepMind releases Gemini 4 Hydrogen, a faster Gemini 4 model for coding and agentic workflows”

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%.

Kính thông minh chạy Gemini của Google ra mắt qua Gentle Monster và Warby Parker, từ 395 USD

Kính thông minh chạy Gemini của Google hiện đã có thể đặt trước qua Gentle Monster và Warby Parker, với giá khởi điểm 395 USD cho gọng kính Warby Parker và 449 USD cho các mẫu Gentle Monster. Các thiết bị này là sản phẩm hợp tác trong đó Samsung cung cấp phần cứng máy tính bên trong gọng kính và Google cung cấp phần mềm, và Google đang nhấn mạnh quyền riêng tư khi quay trở lại với kính thông minh sau kỷ nguyên Google Glass. Ba mẫu gọng kính của Warby Parker gồm Alden, Reid và Wren, có các màu Pine, Saddle và Jet Black với tròng kính quang học hoặc kính râm tiêu chuẩn và chỉ được bán tại Mỹ, trong khi Gentle Monster cung cấp sáu kiểu dáng với màu đỏ sẫm, hồng, xám và vàng cùng tròng kính trong suốt, nhuộm màu, xanh dương hoặc nâu tại Mỹ và Hàn Quốc.

Những câu chuyện khởi nguồn tiếp theo của ngành game: AI tăng tốc các nhà phát triển độc lập, nhà sản xuất công cụ và studio xây dựng thế giới như thế nào

Theo Anish, Jon của a16z và tác giả, AI có thể tăng tốc cả ba nguyên mẫu cốt lõi của ngành game — nhà phát triển độc lập, nhà sản xuất công cụ tiên phong và studio xây dựng thế giới — thay vì thay thế họ. Các tác nhân lập trình giờ đây giúp nhà phát triển độc lập thu hẹp khoảng cách kỹ năng: một tác nhân đã xây dựng một cửa hàng băng đĩa lấy cảm hứng từ Habbo Hotel trong Blender và một engine, sau đó thêm cơ chế nhận nuôi thú cưng và giữ cho codebase tương thích ngược. Jon đã dùng ChatGPT và Codex để xây dựng một bản mod Minecraft lấy cảm hứng từ Ghost of Tsushima cho con trai tám tuổi của mình.

Mariko Mori dùng Claude để viết mã cho hoạt ảnh trong triển lãm hồi tưởng "All That Shines"

Nghệ sĩ Mariko Mori đã dùng Claude để viết mã cho một hoạt ảnh do máy tính tạo ra, được trình chiếu như một tác phẩm sắp đặt video mới trong triển lãm hồi tưởng "Mariko Mori: All That Shines" của cô. Tác phẩm được chiếu trên màn hình rộng bảy mét trong phòng trưng bày cuối cùng, nơi một đường chân trời mở ra một thế giới ánh sáng rực rỡ. Triển lãm diễn ra từ ngày 31 tháng 10 năm 2026 đến ngày 28 tháng 3 năm 2027 tại Bảo tàng Nghệ thuật Mori ở Tokyo.

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.

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.

Google phát hành API mô hình quyết định Gemini Decision 1 với đầu vào đa phương thức

Google đã phát hành Gemini Decision 1, một API mô hình quyết định hỗ trợ các câu hỏi có/không, lựa chọn và chấm điểm theo tiêu chí, gia nhập nhóm mô hình quyết định cùng với Jev và OpenAI. Giá là 10 xu cho mỗi triệu token đầu vào với đầu ra miễn phí, và khác với đầu vào chỉ văn bản của Jev, nó chấp nhận văn bản, hình ảnh, âm thanh, video và PDF. Trong một thử nghiệm trên video robot, Gemini trả về các xác suất như 0.9234 cho robot và 0.0498 cho rồng thay vì 1.0 hoặc 0.0 như Jev và OpenAI trả về.

Google ra mắt API Gemini Decisions với Gemini Decision 1 ở mức 0,10 USD/1 triệu token

Google đã ra mắt API Gemini Decisions, được vận hành bởi một mô hình mới có tên Gemini Decision 1 (gemini-decision-1), mô hình này không sinh văn bản mà chấm điểm tối đa 1.000 câu hỏi có kiểu dữ liệu xác định dựa trên một đầu vào chung và trả về xác suất đã hiệu chỉnh. Nó đọc văn bản, hình ảnh, âm thanh, video và PDF trong một lượt prefill duy nhất, hỗ trợ các loại câu hỏi có/không, lựa chọn và điểm số, và có giá 0,10 USD/1 triệu token đầu vào với không tính phí token đầu ra. Google báo cáo ngữ cảnh 262.144 token, độ trễ end-to-end 150-250 ms và ECE top-1 là 0,0250, khoảng một nửa so với TypeSafe Jev 1.14, mặc dù nó kém Jev trên benchmark When2Call (79,9% so với 82,0%) và tốn nhiều chi phí hơn trên mỗi token (0,10 USD so với 0,042 USD).

Google DeepMind ra mắt API Gemini Decisions và mô hình Gemini Decision 1

Google DeepMind đã giới thiệu API Gemini Decisions, được xây dựng cho các quyết định đóng như câu hỏi có/không, trắc nghiệm và đánh giá theo thang điểm, với mô hình nền tảng Gemini Decision 1 xử lý tới 1.000 câu hỏi độc lập trong một lần chạy trên văn bản, hình ảnh, âm thanh, video và PDF. Nó trả về xác suất kèm giá trị độ tin cậy trong 150 đến 250 mili giây và có giá 0,10 USD trên một triệu token đầu vào, không tính phí token đầu ra, mà Google cho biết rẻ hơn khoảng năm lần so với Gemini 3.5 Flash-Lite. API hiện đã có sẵn thông qua Google AI Studio, với các tích hợp cho OpenRouter, LangChain và Vercel đang được triển khai, và Google cho biết họ đã sử dụng nó nội bộ cho định tuyến mô hình trong Gemini Notebook, tạo mẫu thiết kế trong Stitch và kiểm tra an toàn trong Google Search.

Cùng sự việc; tuyển chọn có“Google launches Gemini Decisions API and Gemini Decision 1 model for fast closed-set decisions”

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.

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.

Adobe công bố các thử nghiệm AI biến ảnh thành cảnh 3D và cho phép bạn phỏng vấn nhân vật

Adobe đã công bố các công cụ AI thử nghiệm tại hội nghị Max thường niên, bao gồm Project Screen Test để đạo diễn nhân vật AI thông qua hội thoại, Project Sight Span để biến ảnh phẳng thành cảnh 3D có thể điều hướng, và Project Sound Bender để trộn hiệu ứng âm thanh trên một bảng âm thanh vuông. Project Rinse Repeat sao chép các chỉnh sửa và áp dụng chúng cho các đối tượng khác trong cùng bức ảnh bằng các công cụ gốc của Photoshop. Những "sneak" này là bản xem trước công nghệ có thể sẽ đến với Creative Cloud hoặc Firefly, nhưng không đảm bảo sẽ ra mắt.

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.

MBZUAI的IFM发布PAN 2，一个面向物理AI的开放29B世界模型

MBZUAI的基础模型研究所发布了PAN 2，这是一个29B参数的开源世界模型，接收场景加文本动作，并将结果模拟为视频，权重、训练代码和推理代码均以Apache 2.0许可发布。它将一个编写结构化JSON世界状态的LLM规划器与一个29B MMDiT扩散Transformer配对，后者由冻结的Qwen3.5-9B编码器条件化，IFM报告在100个多步任务上全计划完成率为34.0%，领先于MiniMax-H3的32.50%，但在单动作和人类偏好上落后于MiniMax-H3（Elo 1595对1620）。IFM的消融实验显示，移除LLM规划器会使全计划完成率降至0.0%，步骤完成率从75.1%降至8.7%。

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.

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.

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.

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.

Simon Willison thử nghiệm Gemini 4 Carbon trong Antigravity IDE khi Google mở quyền truy cập cho tất cả người dùng

Gemini 4 Carbon, được công bố cách đây hai tuần cho một nhóm chuyên gia phòng thủ không gian mạng, hiện đã có sẵn cho mọi người với giá 2 USD/triệu token đầu vào và 10 USD/triệu token đầu ra, với mức giá dự kiến sẽ tăng gấp đôi lên 4/20 USD vào ngày 1 tháng 12. Simon Willison đã thử nghiệm nó trong Antigravity IDE của Google, tạo ra một hoạt ảnh Three.js về một mech giẫm đạp khắp Thành phố New York bằng dữ liệu OpenStreetMap, và ghi nhận rằng CEO Google Sundar Pichai đã nhấn mạnh tính năng /swarm của Antigravity xây dựng một trò chơi 3D thế giới mở với tài nguyên Blender, shader WebGL và nhạc Lyria.

Cùng sự việc; tuyển chọn có“Google DeepMind releases Gemini 4 Carbon for agentic coding, cybersecurity and scientific reasoning”

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.

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.

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.

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.

Anthropic phát hành Claude Fable 5.2 cho các công việc kỹ thuật đầy tham vọng

Anthropic đã phát hành Claude Fable 5.2, một mô hình được thiết kế cho những thách thức kỹ thuật khó khăn nhất và các dự án mở rộng đầy tham vọng, với những cải tiến về lập trình, suy luận và thị giác. Công ty khuyến nghị bắt đầu với Opus 5.5 cho hầu hết các tác vụ lập trình và tri thức; Fable 5.2 hiện đã có sẵn trên các gói Pro, Max, Team và Enterprise.

Google DeepMind và Artificial Analysis ra mắt benchmark MKA cho công việc tri thức dạng tác tử trên các tệp hình ảnh phức tạp

Google DeepMind đã hợp tác với Artificial Analysis để ra mắt benchmark Multimodal Knowledge Agent (MKA), giao cho các tác tử nhiệm vụ xem xét các tệp dự án hình ảnh dày đặc như bản vẽ kiến trúc, sơ đồ kỹ thuật và hình ảnh quét lâm sàng để tạo ra slide, bảng tính, PDF, tài liệu Word và hình ảnh có chú thích.

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.

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.