Multimodal

Nvidia veröffentlicht Nemotron 3.5 Transcribe, ein offenes Sprachmodell, das Transkription, Übersetzung und Sprechererkennung mit deutlich weniger Parametern als Konkurrenten schafft.

NVIDIA erweitert seine Nemotron-Modelle um spezialisierte Transkriptionstools für mehrsprachige Sprache mit anpassbaren Prompts.

Ein neuer Ansatz ermöglicht es, spezialisierte Multimodal-Modelle effizienter zu erstellen und anzupassen.

Google Deepminds neues Weltmodell Genie 4 erzeugt interaktive Simulationen mit Audio und sprechenden Charakteren, während Gemini-Modelle im Hintergrund die Szenarios planen.

Block präsentiert Dessa, ein Sprachmodell, das Audio ohne Umweg über Text direkt verarbeitet und dabei Emotionen, Sarkasmus und Pausen in Echtzeit erfasst.

Neues State-of-the-Art-Modell verwandelt Satellitenaufnahmen in nutzbare Vektoren für Umweltmonitoring und Kartographierung.

IBM präsentiert Granite Speech 5.0 mit höherer Genauigkeit und schnellerer Verarbeitung für Sprache-zu-Text und mehrsprachige Übersetzung.

NVIDIA präsentiert ein generatives Simulationsmodell für klinische Chirurgie-Szenarien, das realistische Trainingsumgebungen durch KI schaffen soll.

Mistral AI stellt mit Voxtral 3 eine neue Modell-Familie für Echtzeit-Sprachagenten vor, die 50+ Sprachen unterstützt und Tools während laufender Gespräche nutzen kann.

Inceptions neues Diffusion-LLM Mercury 3 soll über 1.000 Token pro Sekunde verarbeiten – ein Hands-on-Test zeigt, wie es gegen etablierte Modelle abschneidet und wie schnell die Technologie wirklich ist.

Kling AI 4.0 erweitert seinen Videogenerator auf 30 Sekunden und 10 Keyframes, bleibt aber bei Konkurrenten wie Wan und Runway gleichauf statt voranzugehen.

Gemini 4 Argon kann Videos analysieren und daraus automatisch Code generieren – schneller und günstiger als Claude Opus, dafür mit gelegentlichen Fehlern.

Eine praktische Demonstration zeigt, wie Claude Code für die automatisierte Generierung von Motion Graphics mit KI-Bildern eingesetzt werden kann.

Google Gemini 4 Argon hat offenbar einen funktionierenden Klon des Spiels Fall Guys entwickelt – ein beeindruckendes Beispiel für KI-generierte Anwendungen.

IBM präsentiert Granite Switch 4.1, ein Multimodal-Modell, das Chat, Reasoning und Speech-Verarbeitung aus einem einzigen Endpunkt bereitstellt.

Meta startet mit „Muse Spark Open" ein Open-Weight-Modell mit 816 Mrd. Parametern zurück – multimodal, eine Million Token Kontext, optimiert für lokales Lernen auf Apples M5 Ultra.

Nvidia veröffentlicht Nemotron 3.5 Super VL – ein offenes multimodales 120-Milliarden-Parameter-Modell für Unternehmensagenten plus kompakte Bolt-Varianten für lokale Hardware.

Googles neues Robotik-Modell Gemini 4 Argon soll Roboter steuern, Simulationen aus Bildern und Skizzen erstellen und Trainingsvideos bewerten, erreicht aber im eigenen Benchmark nur mit erheblichem Prompt-Engineering seine Ergebnisse.

Meta veröffentlicht Muse Spark Open als quelloffenes multimodales Mixture-of-Experts-Modell für die breite Nutzung.

Google stellt Gemini 4 Argon vor, das bei Knowledge-Work-Benchmarks glänzt, aber bei Coding je nach Test sehr unterschiedlich abschneidet.