تغطي جولة أخبار الذكاء الاصطناعي هذه للأيام 3-4 من أغسطس 2026، إصدارات نماذج مهمة من Alibaba Qwen وNVIDIA وMistral AI وBlack Forest Labs، إلى جانب تطورات في توجيه الوكلاء والبنية التحتية والأمن السيبراني.
أطلقت مينيماكس MiniMax H3، وهو نموذج توليد متعدد الوسائط للأغراض العامة يدمج النص والصورة والفيديو والصوت في سياق واحد لإنتاج مقاطع فيديو بدقة 2K تصل مدتها إلى 15 ثانية مع صوت ستيريو أصلي. وعلى عكس المجموعات السابقة التي تعتمد على نماذج خبراء منفصلة لمهام محددة، يتيح H3 للمستخدمين التعبير عن علاقات المرجعية والتحرير من خلال مطالبات باللغة الطبيعية.
قامت xAI بتحديث نموذج Imagine Video 1.5 لدعم المراجع النصية والصور والصوت، مما يتيح للمستخدمين إنشاء مقاطع فيديو بدقة تصل إلى 1080p. يسمح التحديث بثبات الشخصيات عن طريق قفل الوجوه والأصوات عبر المشاهد، مع دعم ما يصل إلى سبع مراجعات لكل عملية توليد.
أطلقت مينimax نموذج MiniMax H3، وهو نموذج توليد متعدد الوسائط للأغراض العامة يفهم السياق الموحد عبر النص والصور والفيديو والصوت. يولد النموذج فيديو بصوت ستيريو أصلي لمدة تصل إلى 15 ثانية ودقة 2K.
أعلنت إنفيديا عن إطلاق Cosmos-H-Dreams، وهو محاكٍ مولّد يعمل في الوقت الفعلي ومشروط بالإجراءات للجراحة الروبوتية، يستخلص قدرات نموذج Cosmos-H-Surgical-Simulator الخاص بها ليحوّلها إلى نموذج طالب سببي. يُقدّم النظام عبر مكتبة إنفيديا FlashDreams المُسرّعة للاستنتاج بالتدفق، مما يتيح التحكم التفاعلي من قبل شخص أو سياسة مُتعلَّمة في حلقة مغلقة.
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 Black Forest Labs نموذج FLUX 3، وهو عائلة من نماذج التدفق متعددة الوسائط تتضمن قدرات توليد الفيديو مع الصوت الأصلي. يتضمن الإصدار أيضًا FLUX-mimic، وهو متغير مصمم لتطبيقات الروبوتات الخاصة بحركة الفيديو.
قامت NVIDIA وHugging Face بدمج NVIDIA NeMo Automodel مع مكتبة 🤗 Diffusers لتوفير تدريب موزع من الدرجة الإنتاجية لنماذج الانتشار مفتوحة المصدر. يتيح هذا التعاون للمستخدمين ضبط أي نموذج بتنسيق Diffusers على Hugging Face Hub دون الحاجة إلى تحويل نقاط التفتيش أو إعادة كتابة كود النموذج.
أطلقت جوجل تحديثين جديدين لـ Google Vids: دمج Gemini Omni لتوليد وتحرير الفيديو القائم على النص، وميزة تسمح للمستخدمين بإنشاء أفاتارات رقمية شخصية. تهدف هذه الأدوات إلى تبسيط إنشاء الفيديو من خلال تمكين المستخدمين من توليد مقاطع من مطالبات اللغة الطبيعية وإشارات الصور، وكذلك الظهور في الفيديوهات دون الحاجة للتصوير الفعلي.
تم مشاركة فيديو viral تم إنشاؤه باستخدام Kimi K3 كموفر للنموذج، مما يُظهر قدراته في المهام الإبداعية. يشير الخالق إلى أن جودة المخرجات تبدو أفضل بشكل ملحوظ من الأمثلة السابقة التي استخدمت GLM 5.2.
يقدم الباحثون إطار عمل واعياً بالهيكل لتوليد الرقص المدفوع بالموسيقى، حيث يتم نمذجة الرقص كسلسلة من الحركات الذرية بدلاً من الإشارات المستمرة.
يجب دمج وكيل تحليل الفيديو المدعوم بالذكاء الاصطناعي القادر على الإدراك والاستدعاء والتصرف في كميات هائلة من لقطات الفيديو مع سير العمل الحالي ليصبح مفيدًا. وتشمل هذه سير العمل أنظمة إدارة المحتوى، ومنصات المراسلة، وقواعد البيانات، وطوابير التذاكر، ومسارات التصعيد.
يقدم الباحثون Text2Sign، وهو نموذج انتشار مشروط بالنص مصمم لتوليد مقاطع قصيرة من لغة الإشارة على وحدة معالجة رسومات NVIDIA L4 واحدة، مما يعالج التكاليف المرتفعة المرتبطة بتدريب وتقييم نماذج الانتشار المرئية. يجمع النظام بين مُشفّر نصي للرؤية واللغة مجمّد مع مُشفّر-مُفكّك ثلاثي الأبعاد وانتباه مكاني-زمني مُفكّك لتقليل المتطلبات الحسابية مع الحفاظ على تماسك الحركة.
يجب على المطورين الذين يبنيون تطبيقات تحليل الفيديو عبر مساحات كبيرة تتبع نفس الكائن أثناء انتقاله بين مشاهد الكاميرا. يفتقر التتبع ثنائي الأبعاد بكاميرا واحدة إلى معلومات عمق موثوقة ويفقد عادةً تتبع الكائن عندما يغادر الإطار، مما يحد من التطبيقات مثل سلامة المستودعات وتحليل التجزئة ومراقبة المباني الذكية.
يحدد الباحثون "فجوة التسلسل" في نماذج الانتشار المرئي، حيث تتدهور الأداء مع طول سلاسل السببية أثناء محاكاة ديناميكيات الكرات الصلبة متعددة الكرات. تظهر التجارب الخاضعة للرقابة أن هذا التدهور ناتج عن هياكل الأحداث المعتمدة بدلاً من طول الفيديو، حيث يختفي في ضوابط الكرة الواحدة بدون تفاعلات.
تُظهر NVIDIA أن استخدام وكلاء الذكاء الاصطناعي البرمجية المستقلة لتدريب نموذج الاستدلال البصري Cosmos 3 بعد التدريب يمكن أن يدفع الدقة إلى ما فوق 90% بحد أدنى من الجهد اليدوي.
قدم الباحثون Wan-Dancer، وهو إطار عمل هرمي يولد مقاطع فيديو رقص طويلة وعالية الدقة متزامنة مع الموسيقى. يتغلب النظام على القيود النموذجية البالغة 20 ثانية لنماذج الانتشار من خلال فصل التوليد إلى تخطيط الإطاح الرئيسية العالمية والتحسين الزمني المحلي.
أطلق المطور MorphLand عنوان Steam المجاني المسمى "Simulation Simulator"، والذي يدمج نموذجًا لغويًا كبيرًا محليًا ليعمل كشخصية غير لاعبة داخل اللعبة. اللعبة هي تجربة محادثة حرة حيث يحاول اللاعبون إقناع رفيقهم بالذكاء الاصطناعي بأن الواقع هو محاكاة.