O Google DeepMind e o Android apresentaram o SL2T, um modelo de tradução de língua de sinais para texto (SL2T) massivamente multilíngue que leva a IA de língua de sinais aos produtos de consumo pela primeira vez. A tecnologia alimenta a ditatação de sinais para texto no Gboard e no Live Transcribe do Pixel 11, começando com American Sign Language (ASL) para inglês.
O Google Research e o Google DeepMind avançaram sua pesquisa no sistema de IA médica AMIE para demonstrar capacidades de consulta clínica por vídeo em tempo real em um estudo inédito. Construído sobre Gemini e Project Astra usando uma arquitetura multiagente, o sistema interpreta sinais visuais e auditivos, orienta exames físicos virtuais e raciocina diagnosticamente em tempo real.
A Microsoft Research apresentou o MindTopo, um novo benchmark projetado para avaliar se modelos de linguagem multimodais de grande porte possuem intuição topológica sobre conectividade, contenção, ordem, separação e nós.
A Microsoft Research apresentou o CARE-X, um modelo de pesquisa projetado para preencher lacunas nos atuais modelos de visão e linguagem da radiologia, combinando a geração de relatórios generativos com previsões diagnósticas calibradas. O sistema utiliza aprendizado por reforço (DAPO) para recompensar a correção clínica e emparelha o modelo Qwen3-VL-4B-Instruct com ferramentas de medição determinísticas para avaliar o desempenho em condições que exigem cálculos precisos.
Pesquisadores apresentam o GenRecal, um framework de destilação de propósito geral que transfere conhecimento de grandes modelos de visão e linguagem (VLM) para contrapartes menores e mais eficientes. O método aborda o desafio das arquiteturas VLM heterogêneas usando um Recalibrator para alinhar e adaptar representações de características entre diferentes tipos de modelos.
Pesquisadores propõem um novo framework de destilação pensar-responder que melhora a capacidade de modelos visuo-linguísticos compactos de utilizar evidência visual ao mascarar prefixos de raciocínio salientes. Esta abordagem aborda o problema do "esquecimento visual" comum em rastros longos de pensar-responder, onde os estudantes perdem o foco nas pistas visuais durante o raciocínio estendido.
Pesquisadores da NVIDIA introduziram o Spatial-IQ, um framework de diagnóstico projetado para decompor a inteligência espacial de grandes modelos de linguagem multimodais (MLLMs). Diferente dos benchmarks existentes que tratam os modelos como caixas-pretas, esta abordagem decompõe a contagem de objetos em estruturas 3D empilhadas em nove sub-tarefas perceptivas e cognitivas alinhadas com estágios do desenvolvimento humano.
Pesquisadores analisam vídeos de gameplay do jogo competitivo de tiro Delta Force para extrair e compreender a comunicação não verbal emergente, como gestos e padrões de movimento. Este trabalho aborda uma lacuna em estudos anteriores que se concentraram amplamente em jogos MOBA ou coordenação verbal em outros shooters.
No Galaxy Unpacked 2026, a Google anunciou três atualizações para os novos Samsung Galaxy Z Fold8 Ultra, Fold8 e Flip8, com foco na implementação do Gemini Intelligence. A empresa está ampliando suas capacidades de automação de tarefas para suportar mais de 40 aplicativos populares e introduzindo o aplicativo Gemini Notebook diretamente nesses dispositivos.
A Meta lançou o Muse Glimmer, um modelo multimodal denso de 30B parâmetros disponível como código aberto no Hugging Face Hub. A arquitetura consiste em um decodificador de texto de 28B e um Perception Encoder estilo ViT de 2B para tarefas de visão.
O Shieldstral é um classificador de segurança multimodal de pesos abertos com 3B parâmetros que enquadra a moderação de conteúdo como uma tarefa de resposta a perguntas adaptável a políticas, permitindo aceitar políticas em linguagem natural durante a inferência sem necessidade de retreinamento. Ele unifica a avaliação de segurança de texto e imagem e fornece pontuações de segurança calibradas em diversos benchmarks enquanto opera com eficiência em uma única GPU NVIDIA de 16GB.
Em 19 de julho, a equipe Qwen da Alibaba apresentou o Qwen3.8-Max-Preview, um novo modelo multimodal principal com 2,4 trilhões de parâmetros. O anúncio foi feito durante a Conferência Mundial de IA em Xangai, chegando dois dias após a Moonshot AI lançar seu modelo Kimi K3.
Os autores apresentam o Intern-S2-Preview, uma série de modelos de base agênicos científicos projetados para apoiar a compreensão multimodal científica, raciocínio, geração e tarefas de longo prazo. O pipeline de treinamento começa com o pré-treinamento multimodal científico sobre documentos científicos renderizados, dados de imagem-texto intercalados e corpora científicos diversos.
A dots-studio lançou o primeiro modelo de pesos abertos de sua família dots3, chamado dots3-note preview. Este modelo Mixture-of-Experts possui 280B parâmetros totais com 16B ativados e suporta até 512K tokens de contexto.
A Liquid AI lançou o LFM2.5-VL-3B, um modelo de visão e linguagem com 3,1 bilhões de parâmetros projetado para implantação eficiente em dispositivos. O modelo lê telas digitais em ambientes móveis, web e desktop, localiza objetos em coordenadas, analisa documentos e executa chamadas de ferramentas a partir de entradas de texto ou imagem.
Pesquisadores propõem o SCOUT, um framework que aprimora o raciocínio espacial de Modelos Visão-Linguagem ao combinar Chain-of-Thought estruturada com aprendizado por reforço de recompensa de processo multiobjetivo. Essa abordagem aborda problemas de atribuição de crédito em métodos de RL existentes e integra percepção de profundidade para compreensão 3D abrangente.
A Liquid AI lançou o LFM2.5-VL-3B, um modelo de visão e linguagem com 3 bilhões de parâmetros projetado para oferecer desempenho melhorado e mais rápido em dispositivos de borda. O modelo combina um codificador de visão SigLIP2 400M NaFlex com a estrutura principal de sua contraparte apenas de texto, treinado em aproximadamente 34 trilhões de tokens, incluindo quatro vezes mais dados de visão do que lançamentos anteriores.
O LFM2.5-VL-3B é um novo modelo de visão e linguagem que oferece desempenho competitivo em comparação com modelos maiores, mantendo baixa latência para aplicações em tempo real e em dispositivos. Ele se baseia na versão anterior do LFM2-VL-3B com melhorias significativas na compreensão de tela, fundamentação (grounding), chamada de funções e capacidades de entrada de múltiplas imagens.
Pesquisadores demonstraram o primeiro sistema de IA de nível especialista para consultas clínicas de vídeo em tempo real usando AMIE (Video), um sistema multiagente baseado em Gemini que integra diálogo de baixa latência com percepção audiovisual em tempo real. Em um estudo randomizado de Exame Clínico Estruturado Objetivo envolvendo 30 médicos de atenção primária e 100 cenários, os avaliadores clínicos classificaram o sistema como equivalente ou superior aos médicos na coleta de histórico, diagnóstico, manejo e observação física.
Pesquisadores demonstraram o primeiro sistema de IA de nível especialista para consultas clínicas de vídeo em tempo real usando AMIE (Video), um sistema multiagente baseado no Gemini que integra diálogo de baixa latência com percepção audiovisual em tempo real.