أطلقت إنفيديا Alpamayo 2 Super، وهو نموذج رؤية-لغة-فعل (VLA) بـ34 مليار معلمة مصمم لتاكسيات الروبوت والقيادة الذاتية بموجب ترخيص OpenMDW-1.1. يستهدف النموذج الأحداث ذات الذيل الطويل من خلال دمج العمود الفقري Cosmos 3 Super Reasoner المكون من 32 مليار معلمة مع فاعل انتشار مبني على الانتشار بحجم 2.3 مليار معلمة لتوليد المسارات، والتفسيرات السببية، والإجراءات الوصفية من مقاطع الفيديو متعددة الكاميرات.
يقدم الباحثون Video-DeepResearch (Video-DR)، وهو إطار عمل يمدد الوكلاء متعددي الوسائط من الصور الثابتة إلى تدفقات الفيديو المستمرة، مما يعالج تحيز الوسائط وتسرب المعرفة البارامترية. يعتمد النظام على خط أنابيب لفصل الاستكشاف عن الإدراك مع فتح الأدوات تدريجيًا لضمان التأسيس البصري عبر الإطارات قبل البحث في الويب.
يُعد Shieldstral مصنف أمان متعدد الوسائط مفتوح الأوزان بحجم 3 مليار معلمة، يصوّر وسيط المحتوى كمهمة إجابة على أسئلة تتكيف مع السياسات، مما يتيح له قبول سياسات بلغة طبيعية أثناء الاستدلال دون الحاجة إلى إعادة التدريب. يُوحد تقييم أمان النصوص والصور ويقدّم درجات أمان معايرة عبر معايير متنوعة بينما يعمل بكفاءة على بطاقة NVIDIA GPU واحدة بسعة 16GB.
أصدرت دويين التقرير التقني لنموذج التضمين متعدد الوسائط (DME)، الذي يجمع بين التدريب المسبق التبايني واسع النطاق والاستنتاج الضمني لتحقيق تمييز وكفاءة قويين.
تسلط المقالة الضوء على أداء Qwen3.8-Max في سياق تقييم one-shot، مشيرةً إلى قدرته على التعامل مع المحاكاة الفيزيائية المعقدة.
أصدرت MiniMax نموذجها MiniMax-H3 على Hugging Face. يدعم هذا النظام التوليدي متعدد الوسائط الشامل الفهم الموحد للسياقات متعددة الوسائط المكونة من النص والصور ومقاطع الفيديو والصوت.
أطلق مختبر الآلات المفكرة (Thinking Machines Lab) نموذج Inkling-Small، وهو نموذج مزيج من الخبراء (Mixture-of-Experts) بوزن مفتوح يحتوي على إجمالي 276 مليار معلمة و12 مليار معلمة نشطة. تم تدريب النموذج على الاستدلال بشكل أصلي عبر النصوص والصور والصوت، ويتميز بنافذة سياق تتكون من مليون رمز (token) وجهد تفكير قابل للتعديل.
يبرز أحدث ملخص لنتائج النماذج المفتوحة الإصدارات المهمة من Thinking Machines وTencent، بالإضافة إلى التحديثات من Poolside وDeepSeek.
تبحث هانيو (أوليفيا) يو، طالبة في الصف العاشر، عن موثق لـ arXiv في تخصص cs.LG أو cs.CV لتحميل مسودتها المستقلة بعنوان "AttnRoute-MoE: Attention-Prior Routing for Mixture-of-Experts Vision Transformers."
أصدر مشروع llama.cpp الإصدار b10218، والذي يتضمن إضافة دعم downsample لـ minicpmv46 عبر طلب السحب #25993. يقدم هذا التحديث دمج VIT 4x ignore ويضع وضع downsample داخل تنسيق GGUF.
تغطي هذه الجولة من أخبار الذكاء الاصطناعي تطورات كبيرة في التسعير والنماذج مفتوحة الأوزان والبنية التحتية للروبوتات. خفضت OpenAI تكاليف GPT-5.6 بشكل عدواني، بينما أطلقت Thinking Machines نموذجاً متعدد الوسائط مضغوطاً، ووسّعت Google DeepMind قدراتها في مجال الروبوتات.
أطلقت مايكروسوفت Mage-VL، وهو نموذج أساسي متعدد الوسائط بكفاءة عالية يحتوي على 4 مليار معلمة لفهم الصور والفيديو، يعتمد على نهج مشفر أصلي لتبسيط المعالجة البصرية. يفصل النظام تدفقات الفيديو إلى إطارات مرجعية (I) وإطارات متوقعة (P)، مع الاحتفاظ فقط بالبقع التي تخصص لها المشفر بتات لتقليل استهلاك الرموز البصرية بنسبة تزيد عن 75%.
أطلق باحثو إنفيديا إطار Spatial-IQ التشخيصي المصمم لتحليل الذكاء المكاني للنماذج اللغوية الكبيرة متعددة الوسائط (MLLMs). وعلى عكس المقاييس الحالية التي تعامل النماذج كصناديق سوداء، يقوم هذا النهج بتحليل عدّ الأجسام في الهياكل ثلاثية الأبعاد المتراكمة إلى تسعة مهام فرعية إدراكية ومعرفية متوافقة مع مراحل النمو البشري.
يقدم الباحثون ClinFusion، وهو نموذج لغوي متعدد الوسائط كبير يركز على الرؤية، مصمم لمعالجة تحديات نشر الذكاء الاصطناعي في الممارسة السريرية من خلال توحيد فهم الصور الطبية ثنائية وثلاثية الأبعاد. يتميز النظام بمُشفِّر رؤية متدرج مركب يتضمن عامل دمج محلي مكاني متسلسل واعٍ، ويتضمن إطار تقييم جديدًا يتكون من MedIF-Bench ومقاييس مبنية على منطقة الاهتمام.
يقدم الباحثون ClinFusion، وهو نموذج لغوي كبير متعدد الوسائط يركز على الرؤية ومصمم للفهم الطبي الشامل الذي يوحّد تحليل الصور ثنائية الأبعاد والصور ثلاثية الأبعاد الأصلية. يستخدم النظام مشفر رؤية متدرج مركب مع عامل دمج محلي مكاني متسلسل لمعالجة تحديات التصوير الطبي غير المتجانس.
يقوم الباحثون بتحليل مقاطع فيديو اللعب من لعبة التصويب التنافسية دلتا فورس لاستخراج وفهم التواصل غير اللفظي الناشئ، مثل الإيماءات وأنماط الحركة. يتناول هذا العمل فجوة في الدراسات السابقة التي ركزت بشكل كبير على ألعاب MOBA أو التنسيق اللفظي في ألعاب التصويب الأخرى.
أصدر مشروع llama.cpp الإصدار b10142، الذي يقدم دعماً أولياً للرؤية لنموذج MiniMax-M3. يطبق هذا التحديث نسخة تعتمد على النص فقط وتعيد استخدام المكونات الموجودة من MiniMax-M2، بما في ذلك GQA مع تطبيع QK لكل رأس ودوران جزئي، وخبراء بأسلوب DeepSeek-V3، وتنشيط swigluoai.
أطلقت Black Forest Labs FLUX 3، وهو نموذج أساسي متعدد الوسائط يتعلم من الصور ومقاطع الفيديو والصوت ضمن بنية واحدة. إنه أول نموذج FLUX يُصدر التنبؤ بالفيديو والصوت والحركة من مجموعة واحدة من الأوزان.
أطلقت مختبرات الحث (Induction Labs) نموذج فوتون-1، وهو محوّل مزيج خبراء متناثر بحجم 106B-A5B يتعلّم محاكاة بيئات سطح المكتب ولعب الألعاب من خلال التنبؤ بالإطارات المستقبلية من الفيديو الخام دون تسميات الإجراءات. يستخدم النموذج الكمّنة القياسية المحدودة لضغط كل إطار إلى 960 رمزاً منفصلاً، محقّقاً ضغطاً أفضل بمئة مرة مقارنةً بالتمثيلات الحالية مع الحفاظ على تفاصيل النص والتنسيق.
تم تقديم FLUX 3 كنموذج متعدد الوسائط مصمم للتعامل مع مهام الصور والفيديو والصوت والتنبؤ بالحركة. يهدف النظام إلى إنتاج إبداعات أكثر واقعية عبر أنماط مختلفة.