LAION ra mắt LAION-BVD, bộ dữ liệu mở gồm 80 triệu video với tổng thời lượng 10 triệu giờ, hỗ trợ huấn luyện các mô hình đa phương thức video-âm thanh-hình ảnh hiệu suất cao.
WeChat ra mắt dòng mô hình WeMM-Embedding hỗ trợ đa dạng đầu vào từ văn bản đến video. Phiên bản 9B đã thiết lập kỷ lục SOTA mới, hiện đang được ứng dụng rộng rãi trong hệ sinh thái của WeChat.
Hướng dẫn xây dựng hệ thống RAG đa phương thức hỗ trợ hỏi đáp nội dung trên slide bằng GPT-4V, kèm theo các phương pháp triển khai và mẫu LangChain thực tế.
LangChain giới thiệu Multi-Vector Retriever, cho phép tối ưu hóa RAG trên dữ liệu hỗn hợp gồm bảng biểu, văn bản và hình ảnh, giúp nhà phát triển xây dựng hệ thống truy xuất thông minh hơn.
EchoWM là mô hình thế giới đột phá cho phép tạo đồng thời video 720p, âm thanh môi trường và giọng nói dựa trên điều hướng liên tục, hỗ trợ tương tác góc nhìn thứ nhất và thứ ba với độ chân thực cao.
Rohan Paul@rohanpaul_aiYou can teach a language model a new modality without ever touching the backbone's weights. Train …
DịchNghiên cứu mới đề xuất phương pháp chỉ huấn luyện lớp kết nối giữa encoder và mô hình ngôn ngữ, giúp bổ sung đa phương thức mà không cần tinh chỉnh toàn bộ tham số, vừa tăng tốc độ huấn luyện vừa bảo toàn hiệu suất gốc của mô hình.
TLive-Omni là mô hình AI đột phá giúp phân tích livestream bán hàng bằng cách hợp nhất dữ liệu từ video, âm thanh, hình ảnh và văn bản. Với cơ chế Per-vGrid và kỹ thuật tinh chỉnh Faithful-RFT, mô hình giúp AI hiểu ngữ cảnh và phản hồi chính xác các thông tin sản phẩm trong thời gian thực.
Alibaba Cloud@alibaba_cloudWan 3.0 is now live on @SeaArt_Ai! 🚀 More inputs. More control. More creative possibilities. Creat…
DịchWan 3.0 đã có mặt trên nền tảng SeaArt, mang đến khả năng kiểm soát sáng tạo mạnh mẽ hơn với tính năng hỗ trợ nhập liệu đa phương thức. Người dùng hiện có thể trải nghiệm mô hình này trực tiếp hoặc thông qua API từ Alibaba Cloud và Qwen Cloud.
UniSpace giới thiệu kỹ thuật Patch Reparameterization giúp các mô hình ViT giữ lại chi tiết hình ảnh tinh vi, cho phép một không gian biểu diễn duy nhất phục vụ tốt cả tác vụ hiểu, tạo và chỉnh sửa ảnh.
EviRank chuyển đổi bài toán tìm kiếm ảnh phức tạp thành dạng kiểm chứng ràng buộc, giúp phân tích chính xác các yêu cầu về thực thể và thuộc tính, từ đó cải thiện độ chính xác khi truy vấn ảnh đa phương thức.
OmniAssistBench là bộ tiêu chuẩn mới giúp đánh giá khả năng làm trợ lý video thời gian thực của các mô hình Omni-LLM, giải quyết thách thức trong việc đo lường các tương tác động mà các tập dữ liệu tĩnh hiện nay chưa đáp ứng được.
karminski@karminski3So sánh khả năng phân tích chiến thuật CS2 của DeepSeek-V4-Flash-Vision và OX-Alpha thông qua phương pháp trích xuất khung hình video, đánh giá độ chính xác trong việc nhận diện tình huống và đưa ra lời khuyên cải thiện.
Elvis Saravia@omarsar0Just made this @thinkymachines Inkling model available in our harness playground. Try it for free w…
DịchDAIR.AI vừa tích hợp mô hình MoE đa phương thức Inkling vào nền tảng playground. Người dùng có thể trải nghiệm miễn phí khả năng xử lý văn bản, hình ảnh, âm thanh với cửa sổ ngữ cảnh 1 triệu token cùng các tác nhân AI như Pi hoặc Hermes.
Hongming@hongming731DeepSeek vừa phát hành mô hình V4-Flash-Vision-Exp với khả năng xử lý hình ảnh vượt trội, cùng lúc Anthropic công bố quy trình phát triển phần mềm (SDLC) thế hệ mới dành cho AI.
Cùng sự kiện, bài đại diện «DeepSeek ra mắt mô hình đa phương thức thử nghiệm V4-Flash-Vision-Exp»
OpenRouter@OpenRouterInkling and Inkling Small are now served directly by @thinkymachines on OpenRouter, free to use insi…
DịchOpenRouter vừa tích hợp bộ mô hình Inkling và Inkling Small, hỗ trợ đa phương thức (văn bản, hình ảnh, âm thanh) với cửa sổ ngữ cảnh 1M. Người dùng có thể truy cập miễn phí khi kết nối qua các khung tác nhân AI như Claude Code hay Hermes Agent.
Elvis Saravia@omarsar0Brace yourselves. We just entered a new era of frontier multimodal models. DeepSeek-V4-Flash-Vision…
DịchDeepSeek vừa trình làng mô hình V4-Flash-Vision-Exp với khả năng xử lý văn bản, hình ảnh và video vượt trội, hỗ trợ ngữ cảnh 1 triệu token và đạt hiệu suất tiệm cận Opus-4.8 trong các tác vụ thông minh.
Thêm 1 nguồn khác đưa tinX: karminski (@karminski3)
AI Notes@AYi_AInotesOx Alpha, mô hình ẩn danh được cho là của Google, hiện cho phép sử dụng miễn phí trong một tuần với cửa sổ ngữ cảnh 1M token, hỗ trợ đa phương thức và cam kết không lưu trữ dữ liệu người dùng.
OpenRouter@OpenRouterDeepSeek V4 Flash Vision Exp is live on OpenRouter! @deepseek_ai's new model supports Image input a…
DịchDeepSeek vừa ra mắt phiên bản V4 Flash Vision hỗ trợ xử lý hình ảnh trên OpenRouter. Mô hình này duy trì mức giá cũ nhưng đạt hiệu suất vượt trội so với Opus-4.8 trong các bài kiểm tra năng lực AI chuyên sâu.
DeepSeek vừa giới thiệu phiên bản thử nghiệm DeepSeek-v4-flash-vision-exp, cho phép người dùng phân tích hình ảnh, trích xuất văn bản từ ảnh chụp màn hình và đọc hiểu biểu đồ một cách hiệu quả.
Xiaobei@frxiaobeiDeepSeek vừa trình làng mô hình thực nghiệm V4-Flash-Vision-Exp với khả năng đa phương thức vượt trội, tiệm cận hiệu suất của Opus-4.8. Người dùng hiện đã có thể trải nghiệm qua API, đồng thời kêu gọi hãng tiếp tục chính sách giảm giá.
AI Notes@AYi_AInotesDeepSeek vừa giới thiệu mô hình thử nghiệm deepseek-v4-flash-vision-exp với khả năng xử lý đa phương thức vượt trội, đạt hiệu suất tiệm cận Opus-4.8 trong khi tối ưu hóa chi phí cực thấp.
Kim@kimmonismuswtf is happening today: DeepSeek has launched DeepSeek-V4-Flash-Vision-Exp, an experimental multimod…
DịchDeepSeek vừa giới thiệu mô hình thực nghiệm V4-Flash-Vision-Exp, được tối ưu hóa cho các tác nhân AI cần khả năng xử lý thị giác và hiện đã có sẵn trên nền tảng API của hãng.
Testing Catalog@testingcatalogDeepSeek 🔥: DeepSeek-V4-Flash-Vision-Exp multimodal model is now available on the DeepSeek API Plat…
DịchDeepSeek vừa cập nhật mô hình đa phương thức deepseek-v4-flash-vision-exp lên nền tảng API, với hiệu năng xử lý văn bản tương đương bản V4-Flash và tiệm cận Claude 3 Opus 4.8.
DeepSeek@deepseek_aiDeepSeek-V4-Flash-Vision-Exp is now live on the DeepSeek API Platform! 🚀 🔹 This experimental mult…
DịchDeepSeek vừa giới thiệu mô hình đa phương thức thử nghiệm V4-Flash-Vision-Exp, sở hữu khả năng xử lý văn bản tương đương bản V4-Flash cùng các tính năng mạnh mẽ về tác tử, suy luận và kiến thức thế giới.
Tianyi Cui@tianyiDeepSeek vừa cập nhật mô hình đa phương thức mới lên nền tảng API, sở hữu khả năng xử lý văn bản tương đương V4-Flash và hiệu suất tác vụ đa phương thức tiệm cận Opus-4.8. Người dùng có thể trải nghiệm ngay thông qua DeepSeek Harness 0.1.1.
Cùng sự kiện, bài đại diện «DeepSeek ra mắt mô hình đa phương thức thử nghiệm V4-Flash-Vision-Exp»DeepSeek vừa trình làng V4-Flash-Vision-Exp, mô hình đa phương thức có khả năng xử lý hình ảnh mạnh mẽ ngang ngửa Opus-4.8. Người dùng có thể truy cập qua API với cơ chế tính phí theo token và tận dụng Files API mới để tối ưu hóa việc tải lên hình ảnh.
VA-Judger giải quyết vấn đề thiếu tính nhất quán trong tạo video-âm thanh bằng cách sử dụng tập dữ liệu VAPref-10K, giúp mô hình hiểu rõ hơn về sự đồng bộ ngữ nghĩa và cảm nhận của con người thay vì chỉ tối ưu các chỉ số rời rạc.
opencode@opencodeOx Alpha (stealth model) is free for the next week - 1M Context - Multi-modal - Zero Data Retention…
DịchOx Alpha cung cấp quyền truy cập miễn phí trong tuần này với cửa sổ ngữ cảnh 1 triệu token, khả năng đa phương thức và cam kết không lưu trữ dữ liệu người dùng.
Thêm 1 nguồn khác đưa tinX: AI Notes (@AYi_AInotes)
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wangMeta Muse Spark 1.2 vừa đạt vị trí dẫn đầu về khả năng chuyển đổi video sang website với điểm Elo ấn tượng, đồng thời thiết lập tiêu chuẩn mới về hiệu suất chi phí trong các tác vụ lập trình đa phương thức.
Alexandr Wang (Scale AI nhà sáng lập/Meta Giám đốc AI)@alexandr_wang1/ muse spark 1.2 is a very strong multimodal model-it can do visual coding, robotics planning, and …
DịchMuse Spark 1.2 là mô hình đa phương thức mạnh mẽ, tích hợp khả năng mã hóa thị giác, lập kế hoạch cho robot và hiểu sâu về âm thanh, video thông qua các công cụ tác nhân thông minh.
AI at Meta@AIatMetaMuse Spark 1.2 supports a broad range of multimodal tasks, from turning visuals into working code to…
DịchMeta vừa giới thiệu Muse Spark 1.2 với khả năng xử lý đa phương thức vượt trội, từ chuyển đổi hình ảnh sang mã nguồn đến điều khiển robot thực hiện các tác vụ phức tạp trong môi trường thực tế.
Rohan Paul@rohanpaul_aiSenseNova's full U1.5-Lite release is basically a transition from "how many things can one model do? …
DịchSenseNova giới thiệu U1.5 Lite, mô hình đa phương thức 8B tối ưu hóa khả năng hiểu, tạo và chỉnh sửa hình ảnh trong một kiến trúc duy nhất mà không cần chuyển đổi chuyên gia. Mô hình đạt hiệu suất vượt trội trong việc tuân thủ chỉ dẫn và xử lý văn bản phức tạp, tiệm cận các mô hình thương mại lớn.
SenseTime@SenseTime_AISenseNova U1.5 Lite - Sharper. More Controllable. More C…
DịchSenseTime giới thiệu SenseNova U1.5 Lite, mô hình đa phương thức 8B hỗ trợ hiểu, tạo và chỉnh sửa hình ảnh 4K với khả năng xử lý văn bản và bố cục phức tạp vượt trội so với các đối thủ cùng phân khúc.
Elvis Saravia@omarsar0dots3-note Preview is an open-weight model built for tasks that run for hours-sometimes days. → 280…
Dịchdots3-note là mô hình đa phương thức (văn bản, hình ảnh, âm thanh) với cửa sổ ngữ cảnh 512K, nổi bật nhờ khả năng tự theo dõi và đánh giá tiến độ trong các tác vụ kéo dài hàng ngày.
DeepSeek Harness vừa tung bản cập nhật RC.8, bổ sung hỗ trợ đầu vào đa phương thức, tích hợp Claude Code và Codex như các sub-agent, biến khung làm việc này thành lớp điều phối Agent thống nhất và linh hoạt hơn.
Thêm 2 nguồn khác đưa tinPandailyIT HomeDeepSeek Harness vừa cập nhật tính năng hỗ trợ đa phương thức, cho phép gửi hình ảnh kèm lệnh điều khiển và mở rộng khả năng tương tác với lịch sử hội thoại.
Bản cập nhật v0.1.0-rc.8 mang đến 14 cải tiến quan trọng, bao gồm hỗ trợ đầu vào đa phương thức, khả năng phối hợp giữa các tác nhân (subagent) và tối ưu hóa công cụ, giúp AI xử lý hình ảnh và phân tích dữ liệu hiệu quả hơn.
Cùng sự kiện, bài đại diện «DeepSeek Harness cập nhật phiên bản RC.8: Nâng cấp mạnh mẽ khả năng đa phương thức và điều phối Agent»MiniMax Design là nền tảng tích hợp mô hình đa phương thức H3, giúp tự động hóa quy trình sản xuất nội dung từ khâu xử lý tư liệu đến dựng phim hoàn chỉnh thông qua các tác nhân AI thông minh.
CardioState-JEPA là mô hình nền tảng đầu tiên hợp nhất dữ liệu ECG, PPG và PCG vào một không gian biểu diễn chung, sử dụng cơ chế căn chỉnh độ trễ để khai thác bản chất sinh lý học thay vì chỉ dựa vào hình dạng sóng tín hiệu.
Kỹ sư Yan Xin đã phát triển YRobot, robot để bàn có khả năng nghe, nhìn và trò chuyện thời gian thực nhờ mô hình MiniCPM-o 4.5 chạy cục bộ. Dự án mã nguồn mở này gây ấn tượng với hiệu suất vượt trội và khả năng xử lý đa phương thức mượt mà.