Ce résumé des actualités IA pour les 3 et 4 août 2026 couvre les sorties majeures de modèles d'Alibaba Qwen, NVIDIA, Mistral AI et Black Forest Labs, ainsi que des avancées dans le routage des agents, l'infrastructure et la cybersécurité.
MiniMax a publié MiniMax H3, un modèle de génération multimodale polyvalent qui unifie le texte, l'image, la vidéo et l'audio dans un seul contexte pour produire des clips vidéo 2K d'une durée maximale de 15 secondes avec du son stéréo natif. Contrairement aux précédentes architectures reposant sur des modèles experts distincts pour des tâches spécifiques, H3 permet aux utilisateurs d'exprimer des relations de référence et d'édition via des invites en langage naturel.
xAI a mis à jour son modèle Imagine Video 1.5 pour prendre en charge les références textuelles, image et voix, permettant aux utilisateurs de générer des vidéos jusqu'à une résolution de 1080p. La mise à jour permet la cohérence des personnages en verrouillant les visages et les voix entre les scènes, avec prise en charge de jusqu'à sept références par génération.
MiniMax a lancé MiniMax H3, un modèle de génération multimodale à usage général qui comprend le contexte unifié entre le texte, les images, la vidéo et l'audio. Le modèle génère de la vidéo avec du son stéréo natif d'une durée allant jusqu'à 15 secondes et une résolution 2K.
NVIDIA a présenté Cosmos-H-Dreams, un simulateur génératif conditionné par l'action et en temps réel pour la robotique chirurgicale, qui condense les capacités de son Cosmos-H-Surgical-Simulator dans un modèle étudiant causal. Pris en charge par la bibliothèque FlashDreams de NVIDIA dédiée au streaming accéléré d'inférence, le système permet un contrôle interactif par une personne ou une politique apprise en boucle fermée.
Black Forest Labs a publié FLUX 3, un modèle fondamental multimodal qui apprend à partir d'images, de vidéos et d'audio au sein d'une seule architecture. C'est le premier modèle FLUX à proposer la prédiction de vidéos, d'audio et d'actions à partir d'un seul ensemble de poids.
Black Forest Labs a lancé FLUX 3, une famille de modèles de flux multimodal incluant des capacités de génération vidéo avec audio natif. Le lancement présente également FLUX-mimic, une variante conçue pour les applications de robotique d'action vidéo.
NVIDIA et Hugging Face ont intégré NVIDIA NeMo Automodel à la bibliothèque 🤗 Diffusers pour fournir un entraînement distribué de qualité production pour les modèles de diffusion open-source. Cette collaboration permet aux utilisateurs de fine-tuner n'importe quel modèle au format Diffusers sur le Hub Hugging Face sans nécessiter de conversion de checkpoints ni de réécriture du code du modèle.
Google a déployé deux nouvelles mises à jour pour Google Vids : l'intégration de Gemini Omni pour la génération et l'édition de vidéos basées sur du texte, ainsi qu'une fonctionnalité permettant aux utilisateurs de créer des avatars numériques personnels. Ces outils visent à simplifier la création vidéo en permettant aux utilisateurs de générer des extraits à partir de prompts en langage naturel et de références image, tout en apparaissant dans des vidéos sans enregistrement physique.
Une vidéo virale générée en utilisant Kimi K3 comme fournisseur de modèle a été partagée, mettant en évidence ses capacités dans les tâches créatives. Le créateur note que la qualité de sortie semble nettement meilleure que les exemples précédents utilisant GLM 5.2.
Les chercheurs présentent un cadre conscient de la structure pour la génération de danse pilotée par la musique, qui modélise la chorégraphie comme une séquence de mouvements atomiques plutôt que des signaux continus.
Un agent IA d'analyse vidéo capable de percevoir, de raisonner et d'agir sur d'énormes quantités d'images doit être intégré aux flux de travail existants pour être utile. Ces flux de travail incluent les systèmes de gestion de contenu, les plateformes de messagerie, les bases de données, les files d'attente de tickets et les chemins d'escalade.
Les chercheurs présentent Text2Sign, un modèle de diffusion conditionné par du texte conçu pour générer de courts extraits de langue des signes sur un seul GPU NVIDIA L4, afin de réduire les coûts élevés associés à l'entraînement et à l'évaluation des modèles de diffusion vidéo. Le système combine un encodeur de texte vision-langue figé avec un encodeur-décoder 3D et une attention spatio-temporelle factorisée pour diminuer les exigences computationnelles tout en préservant la cohérence du mouvement.
Les développeurs qui créent des applications d'analyse vidéo sur de grands espaces doivent suivre le même objet lorsqu'il se déplace entre les vues des caméras. Le suivi 2D par caméra unique manque d'informations de profondeur fiables et perd généralement l'objet lorsqu'il sort du cadre, limitant ainsi des applications telles que la sécurité des entrepôts, l'analyse du détail et la surveillance des bâtiments intelligents.
Les chercheurs identifient le "fossé de sérialité" dans les modèles de diffusion vidéo, où la performance se dégrade à mesure que les chaînes causales s'allongent lors des simulations de dynamique de sphères dures multi-balles. Des expériences contrôlées montrent que cette dégradation est causée par des structures d'événements dépendants plutôt que par la longueur de la vidéo, car elle disparaît dans les contrôles à une seule balle sans interactions.
NVIDIA démontre que l'utilisation d'agents IA autonomes pour coder le modèle de raisonnement visuel Cosmos 3 en post-entraînement peut pousser la précision au-delà de 90 % avec un effort manuel minimal.
Les chercheurs ont présenté Wan-Dancer, un cadre hiérarchique qui génère des vidéos de danse de longue durée et haute définition synchronisées avec la musique. Le système surmonte la limitation typique de 20 secondes des modèles de diffusion en découpant la génération en planification globale de clés (keyframes) et en raffinement temporel local.
Le développeur MorphLand a publié un titre Steam gratuit appelé "Simulation Simulator", qui intègre un grand modèle de langage local pour servir de NPC dans le jeu. Le jeu est une expérience de conversation libre où les joueurs tentent de convaincre leur compagnon IA que la réalité est une simulation.