DeepSeek telah secara resmi merilis model DeepSeek-V4.1-Flash, yang merupakan anggota terkecil dari keluarga arsitektur barunya dan memiliki pemahaman visual multimodal asli. Arsitektur baru ini dirancang untuk memberikan batas kemampuan yang lebih tinggi, kecepatan inferensi yang lebih cepat, throughput yang lebih tinggi, dan potensi skalabilitas yang lebih baik untuk model yang lebih besar.
Microsoft Research telah memperkenalkan Quine, upaya penelitian baru yang dirancang untuk membuat model dunia multimodal tentang biologi dan harness interaktif yang menghubungkan model, alat ilmiah, literatur, dan peneliti. Sistem ini bertujuan menjembatani kesenjangan antara pemodelan komputasi dan eksperimen dunia nyata dengan memungkinkan ilmuwan menghasilkan proposal yang diuji di lingkungan laboratorium basah, dengan hasil yang memberikan umpan balik untuk menyempurnakan pertanyaan selanjutnya.
Google telah memperkenalkan Gemini 3.8 Live dengan Live Avatar, sebuah fitur yang menggabungkan generasi video hampir waktu nyata dengan suara untuk menciptakan persona visual dinamis bagi model dialog langsung asli.
Tim Qwen dari Alibaba telah merilis Qwen3.8-Omni-Flash, model omni-modal pertamanya yang dirancang seputar kemampuan agentic untuk pemahaman audio-video dan penggunaan alat. Model ini menerima input teks, gambar, audio, dan video untuk menghasilkan output teks, dengan jendela konteks 1M token dan pemanggilan fungsi asli.
Rilis v0.29.0rc2 menyertakan perbaikan bug untuk cache pekerja SHM agar dapat menangani item yang dicakup awalan dengan benar.
Server llama.cpp kini mendukung input konten bertipe (vision, audio, video) untuk endpoint /v1/embeddings. Pembaruan ini memungkinkan permintaan embedding multimodal dengan menerima array konten terbungkus bergaya OpenAI, sehingga bagian teks dan image_url dapat diproses bersama.
Seorang mahasiswa sarjana di forum Hugging Face membahas penerapan konsep dari makalah VAPO ke model Qwen 2.5 Omni 3B untuk mengatasi masalah halusinasi selama transkripsi audio dengan konteks slide.
Liquid AI telah merilis LFM2.5-VL-3B-DSpark, model draf dekoding spekulatif eksperimental untuk model visi-bahasa LFM2.5-VL-3B-nya. Drafter ini menambahkan sekitar 280M parameter dan mempercepat generasi token tanpa mengubah distribusi keluaran model.
Liquid AI telah merilis model draf LFM2.5-VL-DSpark, sebuah drafter decoding spekulatif yang dirancang untuk mempercepat inferensi bagi model visi-bahasa LFM2.5-VL-3B. Drafter ini menangkap keadaan tersembunyi dari lapisan tetap pada model target untuk menghasilkan token kandidat, hanya menambahkan 280M parameter (overhead 8,9%) sambil mempertahankan dimensi yang identik di seluruh modalitas.
Liquid AI telah merilis model draf eksperimental DSpark untuk model visi-bahasanya LFM2.5-VL-3B, memungkinkan decoding yang lebih cepat pada perangkat edge dan GPU tanpa mengubah kualitas output.
Apple telah merilis LensVLM-9B, sebuah Model Bahasa Visual dengan 9 miliar parameter yang dirancang untuk memproses gambar teks terkompresi lebih efisien. Model ini memindai input terkompresi tersebut dan menggunakan alat-alat yang dipelajari untuk secara selektif memperluas hanya halaman-halaman relevan ke bentuk tidak terkompresinya.
Alibaba Cloud telah memperkenalkan Qwen3.8-Omni-Flash, sebuah model agentic multimodal asli yang dirancang untuk tugas produktivitas dunia nyata yang secara substansial meningkatkan pemahaman dan penalaran multimodal dibandingkan dengan model omni sebelumnya.
Tim Alibaba Qwen telah merilis Qwen3.8-LiveTranslate, model interpretasi simultan waktu nyata generasi berikutnya yang mendengarkan pidato langsung dan mengembalikan teks serta audio terjemahan sementara pembicara masih berbicara. Rilis ini memperkenalkan arsitektur Interleave baru yang dirancang untuk mengurangi latensi dan meningkatkan kualitas terjemahan.
inclusionAI telah merilis sistem Realtime-Venus di Hugging Face, dengan dua checkpoint: Realtime-Venus-Omni dan Realtime-Venus-Audio. Checkpoint Omni adalah model interaksi audio-visual 9B yang diadaptasi dari MiniCPM-o 4.5 yang terus-menerus mengamati dan mendengarkan untuk memutuskan kapan harus merespons.
DeepSeek telah merilis DeepSeek-V4.1-Flash, sebuah model Mixture-of-Experts multimodal yang dirancang untuk mengatasi biaya tinggi komputasi konteks panjang dan cache KV besar dalam beban kerja agen.
Tencent telah merilis WeVisDoc, parser dokumen end-to-end untuk gambar halaman yang di-fine-tune dari model Qwen3-VL. Sistem ini mengonversi gambar halaman menjadi Markdown terstruktur, termasuk rumus LaTeX dan tabel HTML.
Tencent telah merilis WeVisDoc-4B, sebuah parser dokumen end-to-end untuk gambar halaman yang mengonversi halaman menjadi Markdown terstruktur dengan rumus LaTeX dan tabel HTML. Difo-tune dari Qwen3-VL-4B-Instruct, model ini mencapai skor keseluruhan 95.38 di OmniDocBench v1.6 dan berada di peringkat pertama di antara parser yang dibandingkan dalam semua empat pengaturan yang dilaporkan.
Intern Large Models telah merilis model Intern-S2-397B, yang tersedia di Hugging Face. Rilis ini mencakup dukungan hari-0 dari vLLM untuk menjalankan model.
InternLM telah memperkenalkan Intern-S2-397B, sebuah model fondasi multimodal dengan 397 miliar parameter yang dirancang untuk kecerdasan ilmiah dan agen jangka panjang. Model ini diskalakan melintasi pra-pelatihan, cakupan tugas penguatan-pembelajaran, dan lingkungan agen interaktif untuk meningkatkan penalaran umum dan kemampuan agentic.
IBM dan NASA telah membuka model dasar bulan NASA-IBM Lunar Foundation Model sebagai open source, sebuah sistem AI yang mengonsolidasikan puluhan tahun data bulan multimodal dari misi AS dan Jepang menjadi satu representasi. Dibangun di atas arsitektur TerraMind milik IBM, model ini mengintegrasikan pengamatan pada berbagai skala dan sudut pandang untuk mengatasi tantangan seperti pencahayaan kompleks dan resolusi data.