DeepSeek a officiellement lancé le modèle DeepSeek-V4.1-Flash, qui est le plus petit membre de sa nouvelle famille d'architectures et présente une compréhension visuelle multimodale native. Cette nouvelle architecture est conçue pour offrir un plafond de capacité plus élevé, des vitesses d'inférence plus rapides, un débit supérieur et un meilleur potentiel de mise à l'échelle pour les modèles plus grands.
Microsoft Research a présenté Quine, un nouvel effort de recherche conçu pour créer un modèle du monde multimodal de la biologie et un harnais interactif qui relie les modèles, les outils scientifiques, la littérature et les chercheurs. Le système vise à combler le fossé entre la modélisation computationnelle et l'expérimentation réelle en permettant aux scientifiques de générer des propositions testées dans des environnements de laboratoire humide, avec des résultats qui alimentent un retour pour affiner les questions futures.
Google a introduit Gemini 3.8 Live avec Live Avatar, une fonctionnalité qui associe la génération vidéo quasi en temps réel à la parole pour créer des personnalités visuelles dynamiques pour les modèles de dialogue natifs en direct.
L'équipe Qwen d'Alibaba a publié Qwen3.8-Omni-Flash, son premier modèle omni-modal conçu autour de capacités agentic pour la compréhension audio-vidéo et l'utilisation d'outils. Le modèle accepte des entrées textuelles, images, audio et vidéo pour retourner des sorties textuelles, avec une fenêtre de contexte de 1M tokens et un appel de fonction natif.
La version v0.29.0rc2 inclut une correction de bug pour le cache du travailleur SHM afin de gérer correctement les éléments couverts par préfixe.
Le serveur llama.cpp prend désormais en charge les entrées de contenu typées (vision, audio, vidéo) pour le point de terminaison /v1/embeddings. Cette mise à jour permet des requêtes d'embedding multimodal en acceptant des tableaux de contenu enveloppés au format OpenAI, permettant ainsi de traiter ensemble les parties texte et image_url.
Un étudiant de premier cycle sur les forums Hugging Face discute de l'application des concepts du papier VAPO au modèle Qwen 2.5 Omni 3B pour résoudre les problèmes d'hallucination lors de la transcription audio avec un contexte de diapositives.
Liquid AI a publié LFM2.5-VL-3B-DSpark, un modèle d'ébauche expérimental de décodage spéculatif pour son modèle vision-langue LFM2.5-VL-3B. L'ébaucheur ajoute environ 280M de paramètres et accélère la génération de tokens sans modifier la distribution de sortie du modèle.
Liquid AI a publié le modèle brouillon LFM2.5-VL-DSpark, un drafter de décodage spéculatif conçu pour accélérer l'inférence du modèle vision-langage LFM2.5-VL-3B. Le drafter capture les états cachés des couches fixes du modèle cible pour générer des tokens candidats, n'ajoutant que 280M de paramètres (surcharge de 8,9 %) tout en maintenant une dimensionalité identique entre les modalités.
Liquid AI a publié un modèle brouillon expérimental DSpark pour son modèle de vision-langage LFM2.5-VL-3B, permettant un décodage plus rapide sur les appareils edge et les GPU sans changer la qualité de sortie.
Apple a lancé LensVLM-9B, un Modèle de Langage Visuel de 9 milliards de paramètres conçu pour traiter plus efficacement des images de texte compressées. Le modèle scanne ces entrées compressées et utilise des outils appris pour étendre sélectivement uniquement les pages pertinentes à leur forme non compressée.
Alibaba Cloud a présenté Qwen3.8-Omni-Flash, un modèle agentique multimodal natif conçu pour les tâches de productivité du monde réel qui améliore substantiellement la compréhension et le raisonnement multimodaux par rapport aux modèles omni précédents.
L'équipe Qwen d'Alibaba a publié Qwen3.8-LiveTranslate, un modèle d'interprétation simultanée en temps réel de nouvelle génération qui écoute la parole en direct et renvoie du texte et de l'audio traduits pendant que l'orateur parle encore. Cette publication introduit une nouvelle architecture Interleave conçue pour réduire la latence et améliorer la qualité de la traduction.
inclusionAI a publié le système Realtime-Venus sur Hugging Face, avec deux points de contrôle : Realtime-Venus-Omni et Realtime-Venus-Audio. Le point de contrôle Omni est un modèle d'interaction audio-visuelle de 9 milliards de paramètres adapté de MiniCPM-o 4.5 qui observe et écoute en continu pour décider quand répondre.
DeepSeek a publié DeepSeek-V4.1-Flash, un modèle Mixture-of-Experts multimodal conçu pour répondre aux coûts élevés du calcul de contexte long et des grands caches KV dans les charges de travail d'agents.
Tencent a lancé WeVisDoc, un analyseur de documents de bout en bout pour les images de pages, affiné à partir des modèles Qwen3-VL. Le système convertit les images de pages en Markdown structuré, incluant des formules LaTeX et des tableaux HTML.
Tencent a lancé WeVisDoc-4B, un analyseur de documents de bout en bout pour les images de pages qui convertit les pages en Markdown structuré avec des formules LaTeX et des tableaux HTML. Fine-tuné à partir de Qwen3-VL-4B-Instruct, le modèle atteint un score global de 95,38 sur OmniDocBench v1.6 et se classe premier parmi les analyseurs comparés dans les quatre configurations rapportées.
Intern Large Models a lancé le modèle Intern-S2-397B, disponible sur Hugging Face. Le lancement inclut un support de jour 0 de vLLM pour exécuter le modèle.
InternLM a présenté Intern-S2-397B, un modèle fondamental multimodal de 397 milliards de paramètres conçu pour l'intelligence scientifique et les agents à long terme. Le modèle s'étend sur le pré-entraînement, la couverture des tâches d'apprentissage par renforcement et les environnements d'agents interactifs afin d'améliorer le raisonnement général et les capacités agentic.
IBM et NASA ont ouvert en open source le modèle de base lunaire NASA-IBM Lunar Foundation Model, un système d'IA qui consolide des décennies de données lunaires multimodales provenant de missions américaines et japonaises en une seule représentation. Construit sur l'architecture TerraMind d'IBM, le modèle intègre des observations à différentes échelles et angles de vue pour relever des défis tels que l'éclairage complexe et la résolution des données.