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.
أعلنت أبحاث مايكروسوفت عن إطلاق Quine، وهو جهد بحثي جديد مصمم لإنشاء نموذج عالمي متعدد الوسائط للأحياء وأداة تفاعلية تربط بين النماذج والأدوات العلمية والأدبيات البحثية والباحثين. يهدف النظام إلى سد الفجوة بين النمذجة الحاسوبية والتجارب الواقعية من خلال تمكين العلماء من توليد مقترحات تُختبر في بيئات المختبرات الرطبة، مع تغذية النتائج مرة أخرى لتحسين الأسئلة المستقبلية.
أطلقت جوجل Gemini 3.8 Live مع ميزة Live Avatar، وهي سمة تدمج توليد الفيديو شبه الفوري مع الكلام لإنشاء شخصيات بصرية ديناميكية لنماذج الحوار المباشر الأصلية.
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.
يتضمن الإصدار v0.29.0rc2 إصلاحًا للخطأ في ذاكرة التخزين المؤقتة لعميل SHم للتعامل بشكل صحيح مع العناصر المغطاة بالسابقة.
يدعم خادم llama.cpp الآن إدخال محتوى مtyped (رؤية، صوت، فيديو) لنقطة النهاية /v1/embeddings. يتيح هذا التحديث طلبات تضمين متعددة الوسائط عن طريق قبول مصفوفات المحتوى المغلفة على طراز OpenAI، مما يسمح بمعالجة أجزاء النص وimage_url معًا.
يناقش طالب جامعي على منتديات Hugging Face تطبيق مفاهيم من ورقة VAPO على نموذج Qwen 2.5 Omni 3B لمعالجة مشاكل الهلوسة أثناء نسخ الصوت مع سياق الشرائح.
أطلقت Liquid AI نموذج LFM2.5-VL-3B-DSpark، وهو نموذج مسوّق تجريبي لفك التشفير التخميني الخاص بنموذجها اللغوي-البصري LFM2.5-VL-3B. يضيف المسوّق حوالي 280 مليون معامل ويسرّع توليد الرموز دون تغيير توزيع مخرجات النموذج.
أطلقت Liquid AI نموذج LFM2.5-VL-DSpark المسود، وهو مُعدّ للفك التأملي مصمم لتسريع الاستدلال لنموذج الرؤية واللغة LFM2.5-VL-3B. يلتقط المُعدّ الحالات المخفية من الطبقات الثابتة للنموذج المستهدف لتوليد رموز مرشحة، مضيفاً فقط 280M معامل (فائض بنسبة 8.9%) مع الحفاظ على أبعاد متطابقة عبر الوسائط.
أطلقت Liquid AI نموذج DSpark الأولي التجريبي لنموذج الرؤية واللغة الخاص بها LFM2.5-VL-3B، مما يتيح فك تشفير أسرع على الأجهزة الطرفية ووحدة المعالجة الرسومية دون تغيير جودة الإخراج.
أطلقت أبل LensVLM-9B، وهو نموذج لغة مرئي يحتوي على 9 مليارات معلمة مصمم لمعالجة صور النص المضغوطة بكفاءة أكبر. يقوم النموذج بمسح هذه المدخلات المضغوطة ويستخدم أدوات تم تعلمها لتوسيع الصفحات ذات الصلة فقط بشكل انتقائي إلى شكلها غير المضغوط.
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 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.