DeepDigest
← все статьи
Multimodal

Multimodal

106 статьи по теме

QbitAI

Физический ИИ, как сказал Вонг Ин Хун, был введен в лабораторию наук о жизни этим китайским трансграничным игроком

Китайская компания Da Chi-Son запустила в Шанхае лабораторию искусственного интеллекта и представила системы ProtoPilot и BioLab Bench для проведения экспериментов в области наук о жизни. В статье также рассматривается проблема интеграции ИИ в лабораторные процессы и роль крупных игроков из Кремниевой долины в этой сфере.

LLM Research Multimodal
читать →
~18 мин 680 просмотра
Leiphone

Vidu S1, который подталкивает поколение видео к новой эре взаимодействия в реальном времени

Компания Biotech запустила модель Vidu S1 для интерактивных видеосценариев в реальном времени. Модель позволяет генерировать видео нового поколения с возможностью непрерывного взаимодействия, включая голосовое управление и видеозвонки.

LLM Multimodal Vision
читать →
~10 мин 638 просмотра
QbitAI

Карта записи Dingding A1 отмечена в отчёте Gartner о носимых ИИ-устройствах

Gartner включила карту записи Dingding A1 в отчёт о носимых устройствах с ИИ. Устройство помогает сотрудникам эффективно записывать информацию и получать аналитические данные в реальном времени. Ключевое отличие Dingding A1 — тесная интеграция с корпоративным суперприложением Dingding.

LLM Multimodal
читать →
~2 мин 693 просмотра
Leiphone

AI MediaKit от Volcano Engine: автоматизация создания видеоконтента

AI MediaKit от Volcano Engine автоматизирует создание и обработку аудио- и видеоконтента с помощью агентов. Набор инструментов объединяет множество функций (более 100) для редактирования, улучшения качества, транскодирования и других задач. Концепция «подключи и играй» упрощает разработку приложений и позволяет агентам эффективно выполнять рабочие процессы — от понимания контента до его доставки на платформы.

LLM Multimodal Business
читать →
~4 мин 648 просмотра
ITmedia AI+

Sakana Fugu: Sakana AI использует Google Cloud для мультиагентной системы

Sakana AI создала мультиагентную систему Sakana Fugu на базе платформы Gemini Enterprise Agent Platform от Google Cloud. Система включает три слоя и объединяет несколько моделей ИИ. По заявлению разработчиков, версия Fugu Ultra в некоторых задачах превосходит американские модели Claude Mythos Preview и Claude Fable 5.

LLM Multimodal
читать →
~2 мин 650 просмотра
Leiphone

Nvidia и Sharpa: почему выбрали руку Sharpa Wave на ICRA 2026

На ICRA 2026 обсудили выбор Nvidia в пользу руки Sharpa Wave для робота Isaac GR00T. Sharpa продемонстрировала высокую производительность: 22 степени свободы, тысячи тактильных датчиков и возможности работы с данными, приближенные к человеческим. Сотрудничество компаний выходит за рамки одного робота — они разрабатывают общие платформы для сбора данных и управления роботами.

Robotics LLM Multimodal
читать →
~4 мин 644 просмотра
Leiphone

Мобильные сети в эпоху физического ИИ: вызовы и решения от Huawei

Появление физического ИИ ставит перед мобильными сетями новые задачи — от расширения диапазона подключений до повышения требований к качеству связи. Huawei предлагает внедрять искусственный интеллект в структуру сети, чтобы динамически распределять ресурсы, обеспечивать автономную эксплуатацию и поддерживать сложные сценарии использования. Это приведёт к трансформации бизнес‑моделей операторов — от продажи трафика к продаже гарантии качества обслуживания.

LLM Multimodal Business
читать →
~4 мин 663 просмотра
Google AI Blog

Обновления Google в сфере ИИ: Gemini, Android 17 и другие новинки

В июне 2026 года Google представила ряд ИИ-обновлений — от новых моделей (Gemma 4 12B, Nano Banana 2 Lite, Gemini Omni Flash) до функций в Android 17 и сервисах вроде Google Finance и Gemini 3.5 Live Translate. Среди новшеств — динамик Google Home с поддержкой Gemini, обновлённый NotebookLM и учебные тетради в приложении Gemini. Также компания рассказала о проектах в сфере образования, науки и безопасности.

LLM Multimodal Research
читать →
~3 мин 1176 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

Новый тест Indi-RomCoM выявил слабые места LLM в работе со смешанным индийско‑английским языком

Создан тест Indi-RomCoM для оценки LLM на смешанных индийско‑английских инструкциях; модели плохо с ними справляются, особенно при сильном смешивании языков.

LLM Research Multimodal
читать →
~1 мин 678 просмотра
TechOrange

Ask Macy's: как Macy's с помощью ИИ повышает эффективность покупок

Macy's совместно с Google Cloud запустил сервис «Ask Macy's» — цифровой торговый помощник на базе ИИ. Система помогает покупателям быстрее находить подходящие товары, используя мультимодальный подход и виртуальную примерку. По данным бета‑тестирования, пользователи сервиса получают в 4,75 раза больше дохода за одно посещение.

Multimodal
читать →
~2 мин 406 просмотра
note.com / #AI

Veo 3 × Sora 2: из статичного изображения — в реалистичное видео

Модели ИИ Google Veo 3 и OpenAI Sora 2 позволяют создавать реалистичные видео из одного статичного изображения. Комбинированный рабочий процесс с использованием инструментов вроде CapCut и Nano Banana упрощает создание контента и помогает добиваться миллионов просмотров. Технология постепенно вытесняет традиционную фотосъёмку в маркетинге и рекламе.

LLM Vision Multimodal
читать →
~1 мин 419 просмотра
Zenn / AI

Nebula System: синхронизация эмоций NPC с Unity через LangGraph и SSE

Тиора разработал систему Nebula, которая синхронизирует мыслительный процесс ИИ с анимацией в Unity в реальном времени — благодаря этому NPC из простых текстовых ботов превращаются в эмоциональных партнёров игрока. В ходе разработки система прошла несколько этапов эволюции: от перехода на Unity и замены LangChain на LangGraph до интеграции MCP и RAG. Для решения проблемы задержек внедрена потоковая передача данных через SSE и собственный протокол передачи сигналов.

LLM Multimodal Agents
читать →
~3 мин 442 просмотра
cs.CL
arXiv
Cornell University Library
arXiv cs.CL

Модели языка жестов научились улавливать фонологические нюансы

Учёные оценили, как модели распознавания языка жестов улавливают фонологические особенности: выявлены различия между моделями на основе позы и пикселей, обнаружена частичная корреляция с восприятием человека.

Research LLM Multimodal
читать →
~1 мин 679 просмотра
Google DeepMind

Nano Banana 2 Lite и Gemini Omni Flash: новые инструменты от Google

Google выпустил модели Nano Banana 2 Lite для генерации изображений и Gemini Omni Flash для создания и редактирования видео. Первая отличается высокой скоростью и экономичностью, вторая позволяет комбинировать разные типы данных для работы с видео. Разработчики могут объединять модели в единый рабочий процесс.

LLM Multimodal
читать →
~2 мин 1180 просмотра
AI Supremacy

Neo Labs: возможности ИИ в математике и естественных науках

Статья посвящена роли ИИ в науке, в частности в математике и естественных науках. Обсуждаются новые стартапы в сфере ИИ — Neo Labs — и их вклад в развитие технологий. Также рассматривается нерешённая математическая задача, поставленная Паулем Эрдешем, и роль ИИ в её возможном решении.

LLM Research Multimodal
читать →
~2 мин 427 просмотра
cs.AI
arXiv
Cornell University Library
arXiv cs.AI

IMCBench: новый тест для ИИ в медицинских диалогах с использованием изображений

IMCBench — тест для оценки ИИ-моделей в медицинских диалогах с изображениями; тестировались Claude, GPT, Nova, Llama; лучший результат у Claude Opus 4.6 (3,61 балла).

LLM Multimodal Research
читать →
~1 мин 629 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

Новый фильтр Калмана: агенты смогут точнее оценивать данные в сложных условиях

Создан новый фильтр Калмана (CA-NKCF) для распределённой оценки данных: он эффективнее аналогов и не требует точных данных о шуме, хорошо работает в сложных условиях.

Research LLM Multimodal
читать →
~1 мин 601 просмотра
Leiphone

AXera Edge-Day: Aixin Yuanzhi представила решения для edge AI

В Шэньчжэне прошёл салон разработчиков AXera Edge-Day, организованный Aixin Yuanzhi. На мероприятии обсудили создание базы вычислительных мощностей для физического ИИ и коммерциализацию edge AI. Партнёры компании продемонстрировали реальные кейсы применения edge computing в разных сферах — от голосового взаимодействия до умной розничной торговли.

LLM Multimodal Hardware
читать →
~3 мин 678 просмотра
cs.LG
arXiv
Cornell University Library
arXiv cs.LG

ИИ научился рисовать научные схемы: представлен новый тест для оценки изображений

Представлен тест SciDraw-Bench для оценки научных рисунков, сгенерированных ИИ. Он проверяет корректность надписей, изображений и соблюдение правил. Система SciDraw AI лучше общих моделей.

Research Multimodal Vision
читать →
~1 мин 654 просмотра