Google DeepMind dan Android telah memperkenalkan SL2T, sebuah model terjemahan bahasa isyarat ke teks (SL2T) yang sangat multibahasa yang membawa AI bahasa isyarat ke produk konsumen untuk pertama kalinya. Teknologi ini menggerakkan dikte dari isyarat ke teks di Gboard dan Live Transcribe pada Pixel 11, dimulai dengan American Sign Language (ASL) ke bahasa Inggris.
Google Research dan Google DeepMind telah memajukan sistem AI medis penelitian mereka, AMIE, untuk mendemonstrasikan kemampuan konsultasi video klinis waktu nyata dalam sebuah studi pertama di jenisnya. Dibangun di atas Gemini dan Project Astra menggunakan arsitektur multi-agen, sistem ini menginterpretasikan isyarat visual dan auditori, memandu pemeriksaan fisik virtual, dan melakukan penalaran diagnostik secara waktu nyata.
Microsoft Research telah memperkenalkan MindTopo, sebuah benchmark baru yang dirancang untuk mengevaluasi apakah model bahasa besar multimodal memiliki intuisi topologis mengenai konektivitas, pengurungan, urutan, pemisahan, dan simpul.
Microsoft Research telah memperkenalkan CARE-X, sebuah model penelitian yang dirancang untuk mengatasi kesenjangan dalam model bahasa-visi radiologi saat ini dengan menggabungkan penulisan laporan generatif dengan prediksi diagnostik yang terkali. Sistem ini menggunakan pembelajaran penguatan (DAPO) untuk memberi hadiah pada kebenaran klinis dan memadukan model Qwen3-VL-4B-Instruct dengan alat pengukuran deterministik untuk mengevaluasi kinerja pada kondisi yang memerlukan perhitungan presisi.
Peneliti menyajikan GenRecal, sebuah kerangka kerja distilasi tujuan umum yang mentransfer pengetahuan dari model visi-bahasa besar (VLM) ke rekan yang lebih kecil dan lebih efisien. Metode ini mengatasi tantangan arsitektur VLM heterogen dengan menggunakan Re-calibrator untuk menyelaraskan dan mengadaptasi representasi fitur di antara berbagai jenis model.
Peneliti mengusulkan kerangka kerja distilasi pikir-jawab baru yang meningkatkan kemampuan model bahasa-visi kompak untuk memanfaatkan bukti visual dengan melakukan masking pada prefix penalaran yang menonjol. Pendekatan ini mengatasi masalah "pelupakan visual" yang umum terjadi pada jejak pikir-jawab panjang, di mana siswa kehilangan fokus pada petunjuk visual selama penalaran yang diperpanjang.
Peneliti di NVIDIA telah memperkenalkan Spatial-IQ, sebuah kerangka kerja diagnostik yang dirancang untuk mengurai kecerdasan spasial dari model bahasa besar multimodal (MLLM). Berbeda dengan benchmark yang ada yang memperlakukan model sebagai kotak hitam, pendekatan ini menguraikan penghitungan objek dalam struktur 3D bertumpuk menjadi sembilan sub-tugas perseptual dan kognitif yang selaras dengan tahap perkembangan manusia.
Peneliti menganalisis video gameplay dari game tembak-menembak kompetitif Delta Force untuk mengekstrak dan memahami komunikasi non-verbal yang muncul, seperti gestur dan pola pergerakan. Karya ini mengatasi kesenjangan dalam studi sebelumnya yang sebagian besar berfokus pada game MOBA atau koordinasi verbal di game tembak-menembak lainnya.
Pada Galaxy Unpacked 2026, Google mengumumkan tiga pembaruan untuk Samsung Galaxy Z Fold8 Ultra, Fold8, dan Flip8 yang baru, dengan fokus pada peluncuran Gemini Intelligence. Perusahaan ini memperluas kemampuan otomatisasi tugasnya untuk mendukung lebih dari 40 aplikasi populer dan memperkenalkan aplikasi Gemini Notebook secara langsung ke perangkat-perangkat tersebut.
Meta telah merilis Muse Glimmer, sebuah model multimodal padat dengan 30B parameter yang tersedia sebagai open source di Hugging Face Hub. Arsitekturnya terdiri dari decoder teks 28B dan Perception Encoder gaya ViT 2B untuk tugas visi.
Shieldstral adalah pengklasifikasi keamanan multimodal open-weights 3B yang membingkai moderasi konten sebagai tugas penjawab pertanyaan yang adaptif terhadap kebijakan, sehingga memungkinkan penerimaan kebijakan dalam bahasa alami pada saat inferensi tanpa pelatihan ulang. Model ini menyatukan evaluasi keamanan teks dan gambar serta memberikan skor keamanan terkalibrasi di berbagai benchmark sambil berjalan secara efisien pada satu GPU NVIDIA 16GB.
Pada 19 Juli, tim Qwen Alibaba memamerkan Qwen3.8-Max-Preview, model multimodal unggulan baru dengan 2,4 triliun parameter. Pengumuman ini disampaikan selama Konferensi AI Dunia di Shanghai, dua hari setelah Moonshot AI merilis model Kimi K3.
Para penulis menyajikan Intern-S2-Preview, serangkaian model fondasi agentic ilmiah yang dirancang untuk mendukung pemahaman ilmiah multimodal, penalaran, generasi, dan tugas jangka panjang. Pipeline pelatihan dimulai dengan pra-pelatihan multimodal ilmiah atas dokumen ilmiah yang dirender, data gambar-teks yang diselang-seling, dan korpus ilmiah yang beragam.
dots-studio telah merilis model bobot terbuka pertama dari keluarga dots3-nya, bernama dots3-note preview. Model Mixture-of-Experts ini memiliki 280B parameter total dengan 16B diaktifkan dan mendukung hingga 512K token konteks.
Liquid AI telah merilis LFM2.5-VL-3B, model visi-bahasa berparameter 3.1B yang dirancang untuk penyebaran efisien di perangkat. Model ini membaca layar digital di lingkungan seluler, web, dan desktop, menjangkar objek ke koordinat, menguraikan dokumen, dan mengeksekusi pemanggilan alat dari input teks atau gambar.
Para peneliti mengusulkan SCOUT, sebuah kerangka kerja yang meningkatkan penalaran spasial Model Bahasa-Gambar dengan menggabungkan Chain-of-Thought terstruktur dengan pembelajaran penguatan reward proses multi-tujuan. Pendekatan ini mengatasi masalah penugasan kredit pada metode RL yang ada dan mengintegrasikan persepsi kedalaman untuk pemahaman 3D yang komprehensif.
Liquid AI telah merilis LFM2.5-VL-3B, sebuah model visi-bahasa dengan 3 miliar parameter yang dirancang untuk memberikan kinerja yang lebih baik dan lebih cepat pada perangkat tepi. Model ini menggabungkan encoder visi SigLIP2 400M NaFlex dengan tulang punggung dari pendahulunya yang hanya teks, dilatih pada sekitar 34 triliun token termasuk empat kali lebih banyak data visi dibandingkan rilis sebelumnya.
LFM2.5-VL-3B adalah model visi-bahasa baru yang memberikan kinerja kompetitif dibandingkan dengan model yang lebih besar sambil mempertahankan latensi rendah untuk aplikasi waktu nyata dan di perangkat. Model ini dibangun dari rilis LFM2-VL-3B sebelumnya dengan peningkatan signifikan dalam pemahaman layar, grounding, pemanggilan fungsi, dan kemampuan input multi-gambar.
Para peneliti telah mendemonstrasikan sistem AI tingkat ahli pertama untuk konsultasi video klinis real-time menggunakan AMIE (Video), sebuah sistem multi-agen berbasis Gemini yang mengintegrasikan dialog latensi rendah dengan persepsi audio-visual real-time. Dalam studi Pemeriksaan Klinis Terstruktur Objektif acak yang melibatkan 30 dokter perawatan primer dan 100 skenario, evaluator klinis menilai sistem setara atau lebih baik daripada dokter dalam pengambilan riwayat, diagnosis, manajemen, dan observasi fisik.
Para peneliti telah mendemonstrasikan sistem AI tingkat ahli pertama untuk konsultasi video klinis secara real-time menggunakan AMIE (Video), sebuah sistem multi-agen berbasis Gemini yang mengintegrasikan dialog latensi rendah dengan persepsi audio-visual secara real-time.