К своему 25-летнему юбилею Google запускает переработанную, удобную для навигации главную страницу Google Images наряду с новыми возможностями генерации изображений в AI Overviews.
Исследователи NVIDIA представили Spatial-IQ — диагностическую систему, предназначенную для деконструкции пространственного интеллекта мультимодальных больших языковых моделей (MLLMs). В отличие от существующих бенчмарков, которые рассматривают модели как чёрные ящики, этот подход разбивает подсчёт объектов в стопках 3D-структур на девять перцептивных и когнитивных подзадач, согласованных с этапами человеческого развития.
Исследователи анализируют видео игрового процесса соревновательного шутера Delta Force, чтобы извлечь и понять возникающую невербальную коммуникацию, такую как жесты и паттерны перемещения. Эта работа восполняет пробел в предыдущих исследованиях, которые в значительной степени фокусировались на MOBA-играх или вербальной координации в других шутерах.
На Galaxy Unpacked 2026 Google объявил о трех обновлениях для новых Samsung Galaxy Z Fold8 Ultra, Fold8 и Flip8, сосредоточившись на внедрении Gemini Intelligence. Компания расширяет свои возможности автоматизации задач для поддержки более чем 40 популярных приложений и представляет приложение Gemini Notebook непосредственно на этих устройствах.
Исследователи разработали иммерсивную задачу виртуальной реальности для оценки обнаружения и избегания пешеходных столкновений у лиц с церебральной визуальной impairment (CVI) по сравнению с контрольной группой. В ходе исследования отслеживались движения глаз, локомоторные реакции и поведенческие ответы, когда субъекты проходили через смоделированный торговый центр с толпами разной плотности.
Shieldstral — это 3B модель с открытыми весами, являющаяся мультимодальным классификатором безопасности, которая рассматривает модерацию контента как задачу ответа на вопросы, адаптируемую к политике, что позволяет ей принимать политики на естественном языке во время вывода без переобучения. Она объединяет оценку безопасности текста и изображений и предоставляет калиброванные оценки безопасности по различным бенчмаркам, эффективно работая на одном GPU NVIDIA с 16 ГБ памяти.
19 июля команда Qwen из Alibaba представила предварительную версию Qwen3.8-Max-Preview, новую флагманскую мультимодальную модель с 2,4 триллиона параметров. Объявление было сделано во время Всемирной конференции по искусственному интеллекту в Шанхае, спустя два дня после того, как Moonshot AI выпустила свою модель Kimi K3.
Компания Thinking Machines выпустила Inkling, большую модель с открытым исходным кодом для обработки мультимодальных данных, доступную на Hugging Face, которая нативно обрабатывает текстовые, визуальные и аудиовходы. Модель имеет около 1 триллиона общих параметров и 41 миллиард активных параметров, обучена на 45 триллионах токенов для поддержки рассуждений между модальностями.
Thinking Machines Lab выпустила Inkling, новую мультимодельную смесь экспертов (MoE), предназначенную для токено-эффективного рассуждения и нативного понимания текстовых, изображенийных и аудио входных данных. Together AI делает модель доступной на своей платформе инференса с нулевым днем доступа.
Компании Tencent Robotics X, Futian Laboratory и Tencent Hunyuan опубликовали технический отчет, код для вывода (inference) и веса модели Hy-Embodied-RxBrain-1.0 — унифицированной мультимодальной базовой модели с ~6.2B параметров для воплощенного познания.
Tencent выпустила Hy-Embodied-VLM-1.0, эффективную базовую зрительно-языковую модель на основе Mixture-of-Experts, предназначенную для воплощённых агентов, работающих в физическом мире. Модель активирует лишь около 3 миллиардов параметров на токен из общего числа в 30 миллиардов, стремясь сбалансировать высокую эффективность вывода с сильным пониманием физического мира.
NVIDIA выпустила Alpamayo 2 Super, 34-миллиардную модель vision-language-action (VLA), предназначенную для роботакси и автономного вождения под лицензией OpenMDW-1.1. Модель ориентирована на обработку редких событий за счёт объединения бэкбона Cosmos 3 Super Reasoner на 32B с диффузионным декодером действий на 2.3B, который генерирует траектории, каузальные объяснения и мета-действия из видео с нескольких камер.
Исследователи представляют Video-DeepResearch (Video-DR), фреймворк, расширяющий возможности мультимодальных агентов со статических изображений на непрерывные видеопотоки, решая проблемы модальности и утечки параметрических знаний. Система использует разделенный конвейер восприятия и исследования с поэтапным разблокированием инструментов для обеспечения перекрестного визуального обоснования между кадрами перед поиском в веб-сети.
Douyin опубликовала технический отчет о своей модели мультимодального встраивания (DME), которая сочетает крупномасштабное контрастное предобучение с латентным рассуждением для достижения высокой дискриминации и эффективности.
В статье отмечается производительность Qwen3.8-Max в контексте оценки one-shot, подчеркивая ее способность обрабатывать сложные физические симуляции.
MiniMax сделала свою модель MiniMax-H3 доступной на Hugging Face. Эта универсальная омнимодальная генеративная система поддерживает единое понимание мультимодальных контекстов, состоящих из текста, изображений, видео и аудио.
Thinking Machines Lab выпустила Inkling-Small, модель Mixture-of-Experts с открытыми весами, имеющую 276 миллиардов общих параметров и 12 миллиардов активных параметров. Модель обучена нативному рассуждению над текстом, изображениями и аудио, обладает контекстным окном на 1M токенов и регулируемым усилием размышления.
Последний обзор артефактов открытых моделей выделяет значительные релизы от Thinking Machines и Tencent, а также обновления от Poolside и DeepSeek.
Ханью (Оливия) Ю, ученица 10-го класса, ищет рецензента arXiv в категориях cs.LG или cs.CV для загрузки своей независимой препринта под названием "AttnRoute-MoE: Attention-Prior Routing for Mixture-of-Experts Vision Transformers."
Проект llama.cpp выпустил сборку b10218, которая включает добавление поддержки даунсемпла minicpmv46 через pull request #25993. Это обновление вводит 4x ignore VIT merger и помещает режим даунсемпла внутрь формата GGUF.