أعلنت جوجل ديب مايند وأندرويد عن إطلاق SL2T، وهو نموذج ترجمة ضخم متعدد اللغات من لغة الإشارة إلى النص (SL2T)، يُدخل ذكاء اصطناعي خاصًا بلغة الإشارة إلى المنتجات الاستهلاكية لأول مرة. تعمل هذه التقنية على إملاء تحويل الإشارات إلى نص في Gboard وLive Transcribe على أجهزة Pixel 11، بدءًا من لغة الإشارة الأمريكية (ASL) إلى الإنجليزية.
قدمت Google Research وGoogle DeepMind تقدمًا في نظام الذكاء الاصطناعي الطبي الخاص بها للبحث، AMIE، لإظهار قدرات الاستشارة السريرية بالفيديو في الوقت الفعلي في دراسة من نوعها لأول مرة. تم بناء النظام على Gemini وProject Astra باستخدام بنية متعددة الوكلاء، حيث يفسر الإشارات البصرية والسمعية، ويوجه الفحوصات الجسدية الافتراضية، ويقوم بالاستدلال التشخيصي في الوقت الفعلي.
أطلقت أبحاث مايكروسوفت معيار MindTopo، وهو معيار جديد صُمّم لتقييم ما إذا كانت النماذج اللغوية الكبيرة متعددة الوسائط تمتلك حدساً طوبولوجياً فيما يتعلق بالاتصال، والإحاطة، والترتيب، والفصل، والعقد.
قدمت أبحاث مايكروسوفت CARE-X، وهو نموذج بحثي مصمم لسد الفجوات في نماذج الرؤية واللغة الحالية في مجال الأشعة من خلال الجمع بين كتابة التقارير التوليدية والتنبؤات التشخيصية المعايرة. يستخدم النظام التعلم التعزيزي (DAPO) لمكافأة الدقة السريرية، ويقوم بربط نموذج Qwen3-VL-4B-Instruct بأدوات قياس حتمية لتقييم الأداء على الحالات التي تتطلب حسابات دقيقة.
يقدم الباحثون GenRecal، وهو إطار عمل لتقطير الأغراض العامة ينقل المعرفة من نماذج الرؤية واللغة الكبيرة (VLM) إلى نظائرها الأصغر والأكثر كفاءة. تتناول الطريقة تحدي معماريات VLM غير المتجانسة باستخدام مُعيد معايرة لمحاذاة وتكييف تمثيلات الميزات عبر أنواع النماذج المختلفة.
يقترح الباحثون إطار عمل جديد لتقطير التفكير-الإجابة يحسن قدرة النماذج اللغوية البصرية المدمجة على استخدام الأدلة المرئية من خلال قناع بادئات الاستدلال البارزة. يعالج هذا النهج مشكلة "النسيان البصري" الشائعة في مسارات التفكير-الإجابة الطويلة، حيث يفقد الطلاب التركيز على الإشارات المرئية أثناء الاستدلال المطول.
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.
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.
في حدث Galaxy Unpacked 2026، أعلنت جوجل عن ثلاث تحديثات لهواتف Samsung Galaxy Z Fold8 Ultra وFold8 وFlip8 الجديدة، والتي تركز على إطلاق Gemini Intelligence. تقوم الشركة بتوسيع قدراتها في أتمتة المهام لدعم أكثر من 40 تطبيقًا شائعًا، وتقدم تطبيق Gemini Notebook مباشرة إلى هذه الأجهزة.
أطلقت ميتا نموذج Muse Glimmer، وهو نموذج متعدد الوسائط كثيف يحتوي على 30 مليار معلمة، متاحًا كمصدر مفتوح على Hugging Face Hub. يتكون الهيكل من فك تشفير نصي بحجم 28 مليار ومعرف إدراك (Perception Encoder) على طراز ViT بحجم 2 مليار لمهام الرؤية.
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.
في 19 يوليو، استعرض فريق Qwen التابع لأليباबा النسخة الأولية من Qwen3.8-Max-Preview، وهو نموذج جديد رائد متعدد الوسائط يحتوي على 2.4 تريليون معلمة. أُعلن عن ذلك خلال مؤتمر الذكاء الاصطناعي العالمي في شنغهاي، وذلك بعد يومين من إطلاق Moonshot AI لنموذج Kimi K3.
يقدم المؤلفون Intern-S2-Preview، وهو سلسلة من النماذج الأساسية العلمية ذات الوكلاء مصممة لدعم الفهم متعدد الوسائط العلمي، والاستدلال، والتوليد، والمهام طويلة المدى. تبدأ خط أنابيب التدريب بالتدريب المسبق متعدد الوسائط العلمي على المستندات العلمية المُصاغة، والبيانات المتداخلة للصور والنصوص، ومجموعات البيانات العلمية المتنوعة.
أطلقت dots-studio أول نموذج بأوزان مفتوحة في عائلة dots3 الخاصة بها، باسم dots3-note preview. يتميز هذا النموذج Mixture-of-Experts بـ 280 مليار معلمة إجمالاً مع تفعيل 16 مليار منها ويدعم ما يصل إلى 512 ألف رمز للسياق.
أطلقت Liquid AI نموذج LFM2.5-VL-3B، وهو نموذج رؤية ولغة يحتوي على 3.1 مليار معامِل صُمّم لنشره بكفاءة على الأجهزة الطرفية. يقرأ النموذج الشاشات الرقمية عبر بيئات الهاتف المحمول والويب وسطح المكتب، ويربط الكائنات بإحداثياتها، ويحلل المستندات، وينفذ استدعاءات الأدوات من مدخلات نصية أو صور.
يقترح الباحثون إطار عمل SCOUT الذي يعزز الاستدلال المكاني لنماذج اللغة والرؤية من خلال دمج التفكير المتسلسل المهيكل مع التعلم التعزيزي متعدد الأهداف والمشرف على العملية. يتناول هذا النهج مشكلات تعيين الائتمان في طرق التعلم التعزيزي الحالية ودمك إدراك العمق لفهم شامل للبيئة ثلاثية الأبعاد.
أطلقت Liquid AI نموذج LFM2.5-VL-3B، وهو نموذج لغوي-رؤية يحتوي على 3 مليارات معلمة، صُمم لتقديم أداء محسّن وأسرع على أجهزة الحافة. يجمع النموذج بين مشفر رؤية SigLIP2 400M NaFlex مع العمود الفقري لنسخته النصية فقط، وتم تدريبه على حوالي 34 تريليون رمز، بما في ذلك أربعة أضعاف بيانات الرؤية مقارنة بالإصدارات السابقة.
يُعد LFM2.5-VL-3B نموذجًا جديدًا للغة والرؤية يقدم أداءً تنافسيًا أمام النماذج الأكبر مع الحفاظ على زمن استجابة منخفض لتطبيقات الوقت الحقيقي والأجهزة الطرفية. وهو يعتمد على الإصدار السابق LFM2-VL-3B مع تحسينات كبيرة في فهم الشاشة، والتأريض، واستدعاء الوظائف، وقدرات الإدخال متعدد الصور.
أظهر الباحثون أول نظام ذكاء اصطناعي على مستوى الخبراء للاستشارات السريرية بالفيديو في الوقت الفعلي باستخدام AMIE (Video)، وهو نظام متعدد الوكلاء يعتمد على Gemini يدمج الحوار منخفض التأخير مع الإدراك السمعي البصري في الوقت الفعلي. في دراسة فحص سريري موضوعي عشوائية شملت 30 طبيب رعاية أولية و100 سيناريو، قيّم المقيّمون السريريون النظام بأنه يعادل أو يتفوق على الأطباء في أخذ التاريخ المرضي، والتشخيص، والإدارة، والملاحظة الجسدية.
أظهر الباحثون أول نظام ذكاء اصطناعي على مستوى الخبراء للاستشارات السريرية عبر الفيديو في الوقت الفعلي باستخدام AMIE (Video)، وهو نظام متعدد الوكلاء يعتمد على Gemini يدمج الحوار منخفض التأخير مع الإدراك السمعي البصري في الوقت الفعلي.