Para conmemorar su 25.º aniversario, Google lanza un rediseñado y navegable espacio principal para Google Images junto con nuevas capacidades de generación de imágenes dentro de AI Overviews.
Investigadores de NVIDIA han presentado Spatial-IQ, un marco de diagnóstico diseñado para descomponer la inteligencia espacial de los grandes modelos de lenguaje multimodales (MLLMs). A diferencia de las evaluaciones existentes que tratan a los modelos como cajas negras, este enfoque descompone el conteo de objetos en estructuras 3D apiladas en nueve sub-tareas perceptivas y cognitivas alineadas con las etapas del desarrollo humano.
Los investigadores analizan videos del juego competitivo Delta Force para extraer y comprender la comunicación no verbal emergente, como gestos y patrones de movimiento. Este trabajo aborda una laguna en estudios previos que se han centrado principalmente en juegos MOBA o en la coordinación verbal en otros shooters.
En Galaxy Unpacked 2026, Google anunció tres actualizaciones para los nuevos Samsung Galaxy Z Fold8 Ultra, Fold8 y Flip8, centradas en el despliegue de Gemini Intelligence. La empresa está ampliando sus capacidades de automatización de tareas para admitir más de 40 aplicaciones populares e introduciendo la aplicación Gemini Notebook directamente en estos dispositivos.
Los investigadores desarrollaron una tarea inmersiva de realidad virtual para evaluar la detección y evitación de colisiones peatonales en individuos con impedimento visual cerebral (IVT) en comparación con participantes de control. El estudio rastreó la mirada ocular, respuestas locomotoras y conductuales mientras los sujetos caminaban por un centro comercial simulado poblado con multitudes de diversas densidades.
Shieldstral es un clasificador de seguridad multimodal de pesos abiertos de 3B que enmarca la moderación de contenido como una tarea de respuesta a preguntas adaptable a políticas, lo que le permite aceptar políticas en lenguaje natural durante la inferencia sin necesidad de reentrenamiento. Unifica la evaluación de seguridad de texto e imágenes y proporciona puntuaciones de seguridad calibradas en diversos benchmarks mientras se ejecuta de manera eficiente en una única GPU NVIDIA de 16GB.
El 19 de julio, el equipo Qwen de Alibaba anticipó Qwen3.8-Max-Preview, un nuevo modelo multimodal insignia con 2,4 billones de parámetros. El anuncio se realizó durante la Conferencia Mundial de IA en Shanghái, llegando dos días después de que Moonshot AI lanzara su modelo Kimi K3.
Thinking Machines ha lanzado Inkling, un gran modelo de lenguaje multimodal de código abierto disponible en Hugging Face que procesa nativamente entradas de texto, imagen y audio. El modelo cuenta con aproximadamente 1 billón de parámetros totales y 41 mil millones de parámetros activos, entrenado con 45 billones de tokens para apoyar el razonamiento entre modalidades.
Thinking Machines Lab ha lanzado Inkling, un nuevo modelo de mezcla de expertos multimodal diseñado para el razonamiento eficiente en tokens y la comprensión nativa de entradas de texto, imagen y audio. Together AI está poniendo el modelo disponible en su plataforma de inferencia con acceso desde el día cero.
Tencent Robotics X, Futian Laboratory y Tencent Hunyuan han publicado el informe técnico, el código de inferencia y los pesos de Hy-Embodied-RxBrain-1.0, un modelo base multimodal unificado de ~6.2B parámetros para la cognición encarnada.
Tencent ha lanzado Hy-Embodied-VLM-1.0, un modelo base eficiente de visión y lenguaje basado en Mixture-of-Experts diseñado para agentes encarnados que operan en el mundo físico. El modelo activa solo aproximadamente 3 mil millones de parámetros por token de un total de 30 mil millones, con el objetivo de equilibrar una alta eficiencia de inferencia con una sólida comprensión del mundo físico.
NVIDIA ha lanzado Alpamayo 2 Super, un modelo de visión-lenguaje-acción (VLA) de 34 mil millones de parámetros diseñado para robotaxis y conducción autónoma bajo la licencia OpenMDW-1.1. El modelo aborda eventos de cola larga combinando una base Cosmos 3 Super Reasoner de 32B con un decodificador de acciones basado en difusión de 2.3B para generar trayectorias, explicaciones causales y meta-acciones a partir de video multicámara.
Los investigadores presentan Video-DeepResearch (Video-DR), un marco que extiende los agentes multimodales desde imágenes estáticas a flujos de video continuos, abordando el sesgo de modalidad y la fuga de conocimiento paramétrico. El sistema emplea una pipeline de percepción-exploración desacoplada con desbloqueo progresivo de herramientas para garantizar la fundamentación visual entre fotogramas antes de la recuperación web.
Douyin ha publicado el informe técnico de su modelo de Incrustación Multimodal (DME), que combina preentrenamiento contrastivo a gran escala con razonamiento latente para lograr una fuerte discriminación y eficiencia.
El artículo destaca el rendimiento de Qwen3.8-Max en un contexto de evaluación one-shot, señalando su capacidad para manejar simulaciones físicas complejas.
MiniMax ha puesto su modelo MiniMax-H3 disponible en Hugging Face. Este sistema generativo omnimodal de propósito general admite la comprensión unificada de contextos multimodales compuestos por texto, imágenes, video y audio.
Thinking Machines Lab ha lanzado Inkling-Small, un modelo Mixture-of-Experts de pesos abiertos con 276 mil millones de parámetros totales y 12 mil millones de parámetros activos. El modelo está entrenado para razonar nativamente sobre texto, imágenes y audio, cuenta con una ventana de contexto de 1M tokens y esfuerzo de pensamiento ajustable.
La última recopilación de artefactos de modelos abiertos destaca lanzamientos significativos de Thinking Machines y Tencent, junto con actualizaciones de Poolside y DeepSeek.
Hanyu (Olivia) Yu, una estudiante de segundo año de secundaria, está buscando un endosante de arXiv en cs.LG o cs.CV para subir su preprint independiente titulado "AttnRoute-MoE: Attention-Prior Routing for Mixture-of-Experts Vision Transformers."
El proyecto llama.cpp lanzó la compilación b10218, que incluye la adición del soporte de downsample para minicpmv46 a través del pull request #25993. Esta actualización introduce un merger VIT 4x ignore y coloca el modo downsample dentro del formato GGUF.