NVIDIA는 OpenMDW-1.1 라이선스 하에 로봇택시와 자율주행을 위해 설계된 340억 파라미터의 비전-언어-액션(VLA) 모델인 Alpamayo 2 Super를 출시했습니다. 이 모델은 32B Cosmos 3 Super Reasoner 백본과 2.3B 확산 기반 액션 디코더를 결합하여 다중 카메라 영상에서 궤적, 인과 설명 및 메타 액션을 생성함으로써 롱테일 이벤트에 대응합니다.
연구자들은 Video-DeepResearch (Video-DR)를 소개했는데, 이는 정적 이미지에서 연속 비디오 스트림으로 멀티모달 에이전트를 확장하는 프레임워크로, 모달 편향과 매개변수 지식 누수를 해결합니다. 이 시스템은 웹 검색 전에 프레임 간 시각적 기반을 확립하기 위해 단계별 도구 잠금 해제와 함께 분리된 지각-탐색 파이프라인을 사용합니다.
Shieldstral은 콘텐츠 검수를 정책 적응형 질문 답변 작업으로 구성하는 3B 오픈 가중치 다중 모달 안전 분류기로, 재학습 없이 추론 시 일반 언어 정책을 받아들일 수 있습니다. 이는 텍스트와 이미지 안전 평가를 통합하고 다양한 벤치마크에서 교정된 안전 점수를 제공하며 단일 16GB NVIDIA GPU에서 효율적으로 실행됩니다.
Douyin은 대규모 대비적 사전 학습과 잠재 추론을 결합하여 강력한 판별력과 효율성을 달성한 그 다중 모션 임베딩(DME) 모델의 기술 보고서를 공개했습니다.
본 기사는 one-shot 평가 컨텍스트에서 Qwen3.8-Max의 성능을 강조하며, 복잡한 물리 시뮬레이션을 처리하는 능력을 언급합니다.
MiniMax이(가) MiniMax-H3 모델을 Hugging Face에서 공개했습니다. 이 범용 올모달 생성 시스템은 텍스트, 이미지, 비디오, 오디오로 구성된 멀티모달 컨텍스트의 통합 이해를 지원합니다.
Thinking Machines Lab은 총 2760억 개의 파라미터와 120억 개의 활성 파라미터를 가진 오픈 가중치 Mixture-of-Experts 모델인 Inkling-Small을 출시했습니다. 이 모델은 텍스트, 이미지, 오디오에 대해 네이티브 추론을 수행하도록 훈련되었으며, 1M 토큰 컨텍스트 윈도우와 조정 가능한 사고 노력을 특징으로 합니다.
최신 오픈 모델 아티팩트 요약에서는 Thinking Machines와 Tencent의 주요 릴리스와 함께 Poolside 및 DeepSeek의 업데이트가 강조됩니다.
고등학교 2학년 한유(올리비아) 유는 cs.LG 또는 cs.CV 분야의 arXiv 추천인을 찾고 있으며, 그녀의 독립적인 프리프린트 "AttnRoute-MoE: Attention-Prior Routing for Mixture-of-Experts Vision Transformers"를 업로드하려고 합니다.
llama.cpp 프로젝트는 pull request #25993을 통해 minicpmv46 다운샘플링 지원을 추가한 빌드 b10218을 출시했습니다. 이 업데이트는 4x ignore VIT merger를 도입하고 다운샘플링 모드를 GGUF 형식 내부에 배치합니다.
이번 AI 뉴스 요약은 가격 정책, 오픈 가중치 모델, 로봇공학 인프라의 주요 발전을 다룹니다. OpenAI는 GPT-5.6 비용을 공격적으로 낮추었고, Thinking Machines는 소형 멀티모달 모델을 출시했으며, Google DeepMind는 로봇공학 역량을 확장했습니다.
Microsoft는 이미지 및 비디오 이해를 위한 효율적인 4B 파라미터 멀티모달 파운데이션 모델인 Mage-VL을 출시했으며, 이는 시각적 처리를 간소화하기 위해 코덱 네이티브 접근 방식을 사용합니다. 이 시스템은 비디오 스트림을 앵커(I) 프레임과 예측(P) 프레임으로 분리하고, 코덱이 비트를 할당하는 패치만 유지하여 시각적 토큰 소비를 75% 이상 줄입니다.
NVIDIA 연구진은 다중 모달 대규모 언어 모델(MLLMs)의 공간 지능을 해체하기 위해 설계된 진단 프레임워크인 Spatial-IQ를 출시했습니다. 모델을 블랙 박스로 취급하는 기존 벤치마크와 달리, 이 접근 방식은 쌓여 있는 3D 구조에서의 객체 카운팅을 인간 발달 단계와 일치하는 아홉 가지 지각 및 인지 하위 작업으로 분해합니다.
연구자들은 ClinFusion을 소개했습니다. 이는 2D와 3D 의료 영상 이해를 통합하여 임상 현장에 AI를 배포하는 과제를 해결하도록 설계된 비전 중심 멀티모달 대규모 언어 모델입니다. 이 시스템은 Cascade Spatial-Aware Locality Fusion 연산자를 갖춘 구성적 캐스케이디드 비전 인코더를 특징으로 하며, MedIF-Bench와 관심 영역 기반 지표로 구성된 새로운 평가 프레임워크를 포함합니다.
연구자들은 ClinFusion을 소개했는데, 이는 2D와 네이티브 3D 이미지 분석을 통합하여 포괄적인 의료 이해를 위해 설계된 비전 중심 멀티모달 대규모 언어 모델입니다. 이 시스템은 이질적인 의료 영상 분석의 과제를 해결하기 위해 Cascade Spatial-Aware Locality Fusion 연산자가 포함된 구성적 캐스케이드 비전 인코더를 활용합니다.
연구자들은 경쟁 슈팅 게임 Delta Force의 게임플레이 비디오를 분석하여 제스처와 이동 패턴과 같은emergent한 비언어적 의사소통을 추출하고 이해합니다. 이 작업은 주로 MOBA 게임이나 다른 슈터 게임에서의 언어적 협조에 초점을 맞춘 기존 연구의 gap을 해결합니다.
llama.cpp 프로젝트는 MiniMax-M3 모델에 대한 초기 비전 지원을 도입하는 빌드 b10142를 출시했습니다. 이 업데이트는 기존 구성 요소를 재사용하는 텍스트 전용 포트를 구현했으며, 여기에는 헤드별 QK 정규화와 부분 회전, DeepSeek-V3 스타일 전문가, swigluoai 활성화가 포함된 GQA가 포함됩니다.
Black Forest Labs는 단일 아키텍처 내에서 이미지, 비디오, 오디오에서 학습하는 멀티모달 파운데이션 모델인 FLUX 3를 출시했습니다. 이는 하나의 가중치 세트에서 비디오, 오디오 및 액션 예측을 제공하는 최초의 FLUX 모델입니다.
Induction Labs는 액션 레이블 없이 원시 영상에서 미래 프레임을 예측하여 데스크톱 환경을 시뮬레이션하고 게임을 플레이하는 방법을 학습하는 희소 106B-A5B 혼합 전문가(MoE) 트랜스포머인 Photon-1을 출시했습니다. 이 모델은 유한 스칼라 양자화를 사용하여 각 프레임을 960개의 이산 토큰으로 압축하며, 텍스트와 레이아웃 세부 사항을 보존하면서 기존 표현 방식보다 100배 이상 뛰어난 압축률을 달성합니다.
FLUX 3는 이미지, 비디오, 오디오 및 액션 예측 작업을 처리하도록 설계된 단일 멀티모달 모델로 소개되었습니다. 이 시스템은 다양한 스타일에서 더 현실적인 창작물을 생산하는 것을 목표로 합니다.