A DeepSeek lançou oficialmente o modelo DeepSeek-V4.1-Flash, que serve como o menor membro de sua nova família de arquiteturas e apresenta compreensão visual multimodal nativa. Esta nova arquitetura é projetada para fornecer um teto de capacidade mais alto, velocidades de inferência mais rápidas, maior throughput e melhor potencial de escalabilidade para modelos maiores.
A Microsoft Research apresentou o Quine, um novo esforço de pesquisa projetado para criar um modelo de mundo multimodal da biologia e uma plataforma interativa que conecta modelos, ferramentas científicas, literatura e pesquisadores. O sistema visa preencher a lacuna entre a modelagem computacional e a experimentação do mundo real, permitindo que cientistas gerem propostas que são testadas em ambientes de laboratório úmido, com os resultados retroalimentando para refinar perguntas futuras.
A Google apresentou o Gemini 3.8 Live com Live Avatar, um recurso que combina geração de vídeo quase em tempo real com fala para criar personas visuais dinâmicas para modelos nativos de diálogo ao vivo.
A equipe Qwen da Alibaba lançou o Qwen3.8-Omni-Flash, seu primeiro modelo omni-modal projetado em torno de capacidades agênticas para compreensão áudio-vídeo e uso de ferramentas. O modelo aceita entradas de texto, imagens, áudio e vídeo para retornar saídas de texto, apresentando uma janela de contexto de 1M de tokens e chamada nativa de funções.
A versão v0.29.0rc2 inclui uma correção de bug para o cache do worker SHM para lidar corretamente com itens cobertos por prefixo.
O servidor llama.cpp agora suporta entrada de conteúdo tipado (visão, áudio, vídeo) para o endpoint /v1/embeddings. Esta atualização permite solicitações de embedding multimodais ao aceitar arrays de conteúdo embrulhados no estilo OpenAI, permitindo que partes de texto e image_url sejam processadas juntas.
Um estudante de graduação nos fóruns do Hugging Face discute a aplicação de conceitos do artigo VAPO ao modelo Qwen 2.5 Omni 3B para abordar problemas de alucinação durante a transcrição de áudio com contexto de slides.
A Liquid AI lançou o LFM2.5-VL-3B-DSpark, um modelo de rascunho experimental para decodificação especulativa do seu modelo de visão e linguagem LFM2.5-VL-3B. O draftspeculator adiciona aproximadamente 280M parâmetros e acelera a geração de tokens sem alterar a distribuição de saída do modelo.
A Liquid AI lançou o modelo em rascunho LFM2.5-VL-DSpark, um drafter de decodificação especulativa projetado para acelerar a inferência do modelo de visão e linguagem LFM2.5-VL-3B. O drafter captura estados ocultos de camadas fixas do modelo alvo para gerar tokens candidatos, adicionando apenas 280M parâmetros (sobrecarga de 8,9%) enquanto mantém a dimensionalidade idêntica entre as modalidades.
A Liquid AI lançou um modelo rascunho experimental DSpark para seu modelo de visão e linguagem LFM2.5-VL-3B, permitindo decodificação mais rápida em dispositivos edge e GPUs sem alterar a qualidade de saída.
A Apple lançou o LensVLM-9B, um Modelo de Linguagem Visual com 9 bilhões de parâmetros projetado para processar imagens de texto comprimidas de forma mais eficiente. O modelo escaneia essas entradas comprimidas e usa ferramentas aprendidas para expandir seletivamente apenas as páginas relevantes para sua forma não comprimida.
A Alibaba Cloud apresentou o Qwen3.8-Omni-Flash, um modelo agêntico multimodal nativo projetado para tarefas de produtividade do mundo real que melhora substancialmente a compreensão e o raciocínio multimodal em comparação com os modelos omni anteriores.
A equipe Qwen da Alibaba lançou o Qwen3.8-LiveTranslate, um modelo de interpretação simultânea em tempo real de próxima geração que ouve fala ao vivo e retorna texto e áudio traduzidos enquanto o falante ainda está falando. O lançamento introduz uma nova arquitetura Interleave projetada para reduzir a latência e melhorar a qualidade da tradução.
A inclusionAI lançou o sistema Realtime-Venus no Hugging Face, com dois checkpoints: Realtime-Venus-Omni e Realtime-Venus-Audio. O checkpoint Omni é um modelo de interação áudio-visual de 9B adaptado do MiniCPM-o 4.5 que observa e ouve continuamente para decidir quando responder.
A DeepSeek lançou o DeepSeek-V4.1-Flash, um modelo Mixture-of-Experts multimodal projetado para abordar os altos custos de computação de contexto longo e grandes caches KV em cargas de trabalho de agentes.
A Tencent lançou o WeVisDoc, um analisador de documentos de ponta a ponta para imagens de páginas, ajustado finamente a partir dos modelos Qwen3-VL. O sistema converte as imagens das páginas em Markdown estruturado, incluindo fórmulas LaTeX e tabelas HTML.
A Tencent lançou o WeVisDoc-4B, um analisador de documentos de ponta a ponta para imagens de páginas que converte páginas em Markdown estruturado com fórmulas LaTeX e tabelas HTML. Fine-tuned a partir do Qwen3-VL-4B-Instruct, o modelo alcança uma pontuação geral de 95.38 no OmniDocBench v1.6 e ocupa o primeiro lugar entre os analisadores comparados em todas as quatro configurações relatadas.
A Intern Large Models lançou o modelo Intern-S2-397B, disponível no Hugging Face. O lançamento inclui suporte de dia 0 do vLLM para executar o modelo.
O InternLM apresentou o Intern-S2-397B, um modelo de base multimodal com 397 bilhões de parâmetros, projetado para inteligência científica e agentes de longo alcance. O modelo escala em pré-treinamento, cobertura de tarefas de reforço-aprendizado e ambientes de agentes interativos para aprimorar o raciocínio geral e as capacidades agênticas.
A IBM e a NASA tornaram código aberto o modelo base lunar NASA-IBM Lunar Foundation Model, um sistema de IA que consolida décadas de dados lunares multimodais de missões dos EUA e do Japão em uma única representação. Construído sobre a arquitetura TerraMind da IBM, o modelo integra observações em diferentes escalas e ângulos de visão para enfrentar desafios como iluminação complexa e resolução de dados.