أعلنت Alibaba Cloud عن إطلاق Qwen3.8-Omni-Flash، وهو نموذج متعدد الوسائط أصليًا مصمم لمهام الإنتاجية في العالم الحقيقي، والذي يحسّن بشكل كبير الفهم والاستدلال متعدد الوسائط مقارنة بالنماذج السابقة.
أطلق فريق علي بابا كوين نموذج Qwen3.8-LiveTranslate، وهو نموذج ترجمة متزامنة فورية من الجيل التالي يستمع إلى الكلام الحي ويعيد النص المترجم والصوت أثناء استمرار المتحدث في الحديث. يُقدّم هذا الإصدار بنية Interleave جديدة مصممة لتقليل زمن الانتظار وتحسين جودة الترجمة.
أطلقت إينكلوجن AI نظام Realtime-Venus على منصة Hugging Face، والذي يتضمن نقطتي فحص: Realtime-Venus-Omni وRealtime-Venus-Audio. يُعد نقطة Omni نموذج تفاعل صوتي بصري بحجم 9B مُعدّل من MiniCPM-o 4.5، يراقب ويستمع باستمرار ليقرر متى يستجيب.
أطلقت فريق Qwen التابع لشركة أليبا الإصدار Qwen3.8-Omni-Flash، وهو أول نموذج متعدد الوسائط مصمم حول القدرات الذاتية للاستخدام في فهم الصوت والفيديو واستخدام الأدوات. يقبل النموذج مدخلات نصية وصورًا وصوتًا وفيديو لإرجاع مخرجات نصية، ويتميز بنافذة سياق تتسع لـ 1 مليون رمز ودعم استدعاء الوظائف بشكل أصلي.
أطلقت DeepSeek نموذج DeepSeek-V4.1-Flash، وهو نموذج Mixture-of-Experts متعدد الوسائط مصمم لمعالجة التكاليف العالية لحساب السياق الطويل والذاكرة المؤقتة الكبيرة KV في أعباء العمل الوكيلية.
أطلقت تينسنت WeVisDoc، وهو محلل مستندات من البداية إلى النهاية لصور الصفحات، تم ضبطه بدقة من نماذج Qwen3-VL. يحول النظام صور الصفحات إلى تنسيق Markdown هيكلي، بما في ذلك معادلات LaTeX وجداول HTML.
أطلقت تيانتينغ WeVisDoc-4B، وهو محلل مستندات من البداية للنهاية لصور الصفحات يحول الصفحات إلى Markdown هيكلي مع صيغ LaTeX وجداول HTML. تم ضبطه بدقة من Qwen3-VL-4B-Instruct، حقق النموذج درجة إجمالية تبلغ 95.38 على OmniDocBench v1.6 ويتصدر المراكز بين محللات المستندات المقارنة في جميع الإعدادات الأربعة المذكورة.
أطلقت Intern Large Models نموذج Intern-S2-397B، المتاح على Hugging Face. يتضمن الإصدار دعمًا من اليوم الأول من vLLM لتشغيل النموذج.
أعلنت InternLM عن إطلاق Intern-S2-397B، وهو نموذج أساسي متعدد الوسائط يحتوي على 397 مليار معلمة، صُمم خصيصاً للذكاء العلمي والوكلاء ذوي الأفق الزمني الطويل. يمتد نطاق النموذج عبر التدريب المسبق وتغطية مهام التعلم المعزز وبيئات الوكلاء التفاعلية لتعزيز قدرات الاستدلال العام والوكيل.
أطلقت IBM وNasa نموذج القمر الأساسي NASA-IBM Lunar Foundation Model كمصدر مفتوح، وهو نظام ذكاء اصطناعي يدمج عقوداً من البيانات القمرية متعددة الوسائط من المهمات الأمريكية واليابانية في تمثيل واحد. بُني النموذج على بنية TerraMind الخاصة بشركة IBM، ودمج الملاحظات بمقاييس وزوايا رؤية مختلفة لمعالجة تحديات مثل الإضاءة المعقدة ودقة البيانات.
أطلقت DeepSeek نموذجها الجديد DeepSeek V4-1 Flash. إنه نموذج Mixture-of-Experts (MoE) متعدد الوسائط يتميز بهيكل أساسي يحتوي على 552 مليار معلمة.
أطلقت ديب سيك رسميًا نموذج DeepSeek-V4.1-Flash، والذي يعتبر أصغر عضو في عائلة المعماريات الجديدة ويتميز بالفهم البصري متعدد الوسائط الأصلي. تم تصميم هذه المعمارية الجديدة لتقديم سقف قدرة أعلى، وسرعات استنتاج أسرع، وإنتاجية أعلى، وإمكانية توسع أفضل للنماذج الأكبر.
أطلقت inclusionAI نموذج المصدر المفتوح Ling-3.0-flash-VL، الذي يوسع قدرات اللغة والاستدلال لسلفه من خلال الفهم الأصلي للصور والفيديو.
فتحت ديبسيك الاختبار التجريبي الداخلي لإصدار وسيط من نموذجها DeepSeek V4.1 Flash، والذي أصبح الآن متاحًا عبر واجهة برمجة التطبيقات.
أطلقت جوجل الفهم الواعي للفيديو عبر نماذج Gemini Flash الخاصة بها، مستبدلةً طريقة المعالجة الثابتة السابقة بنظام يتنقل في خطوط الزمن الفيديوية عند الطلب. يتيح هذا التغيير للنموذج أن يقرر ما يشاهده، وبأي معدل إطارات، وعن طريق أي وسيط، بدلاً من استيعاب خط الزمن بأكمله بمعدل ثابت قدره إطار واحد في الثانية.
يقدم إصدار llama.cpp 0.4.0 دعمًا أوليًا للهيكلية لنموذجي Qwen3.8-Flash-Next و NVIDIA Nemotron-3-Puzzle-75B-A9B، جنبًا إلى جنب مع تحديث مكتبة ggml الأساسية إلى الإصدار 0.23.0.
يعد Ling-3.0-flash-VL نموذجًا جديدًا مبنيًا على بنية Ling-3.0-flash والذي يقدم قدرات الفهم المرئي ووكيل الرؤية.
يقدم الباحثون VisCAD، وهي مجموعة نماذج أساسية مصممة لتقديم تعميم واسع وقدرة قوية لتصميم المنتجات الصناعية الواقعية. تتناول المجموعة تحديات توليد الأجزاء من مدخلات متنوعة مثل الصور المولدة والنصوص، وكذلك التوليد على مستوى التجميع الذي يتضمن أجزاءً متفاعلة.
يقدم الباحثون NeoMME، وهو مجموعة من المشفرات متعددة الوسائط متعددة اللغات بحجم 260M و800M تعالج النص ومقاطع الصور الخام باستخدام محوّل ثنائي الاتجاه واحد. وعلى عكس نماذج اللغة البصرية التوليدية، لا يعتمد NeoMME على أبراج رؤية مُدرَّبة مسبقاً بشكل منفصل أو فكوك سببية، بل يتم تدريب النموذج بأكمله من الصفر باستخدام هدف الانتشار المنفصل المقنع.
يتضمن الإصدار v0.29.0rc2 إصلاحًا للخطأ في ذاكرة التخزين المؤقتة لعميل SHم للتعامل بشكل صحيح مع العناصر المغطاة بالسابقة.