Multimodal

Google hat Gemini 4 Argon veröffentlicht – eine neue Frontier-Variante mit erweiterten Fähigkeiten für Code, Multimediales und Agenten.

Higgsfield nutzt neue OpenAI-Modelle (GPT-6 Astra, GPT-Image-2.5, GPT-Live), um längere KI-Videos und Live-Voice-Filmmaking zu ermöglichen.

Pollo AI nutzt neueste OpenAI-Modelle, um Creatives schnell hochwertige Bilder und Video-Anzeigen zu generieren.

Neue effiziente Decision-Modelle für dezentrale Systeme ermöglichen KI-Verarbeitung direkt auf Endgeräten ohne Cloud-Abhängigkeit.

Google veröffentlicht EmbeddingGemma 2, ein offenes Embedding-Modell mit 740 Millionen Parametern, das auf dem Gerät läuft und dabei größere Konkurrenzmodelle übertrifft.

Google veröffentlicht Nano Banana 2.1, ein neues Bildgenerierungsmodell, das in Benchmarks stärker abschneidet als sein Pro-Vorgänger und dabei nur die Hälfte kostet.

Das neue Modell Holo4 vereint drei Fähigkeiten in einem: Es kann Oberflächen klicken, Code schreiben und MCP-Tools aufrufen – und entscheidet selbst, welches Werkzeug wann passt.

Reka AI zeigt mit Rho-1 ein 19-Milliarden-Parameter-Modell, das Text, Bilder, Videos und Robotersteuerung vereint und dabei nur einen Bruchteil der üblichen Trainingsressourcen benötigte.

Ein neuer Benchmark misst, wie gut KI-Agenten einzelne Fotos in editierbaren 3D-Szenen-Code rekonstruieren – GPT-6 Astra führt mit 53 Prozent Genauigkeit.

Der KI-Musikgenerator Suno erweitert sein Angebot um eine neue Funktion namens Speech, die gesprochene Texte mit passender Hintergrundmusik zu einer einzigen Audiospur verbindet.

Ein Tutorial zeigt, wie spezialisierte Vision-Modelle RPA-Systemen helfen, Formulare, Scans und Screenshots automatisch auszuwerten – statt nur vordefinierte Schritte zu folgen.

Microsoft AI veröffentlicht MAI-Transcribe-2-Streaming, ein neues Modell für Echtzeit-Transkription, das nach Microsofts Angaben bei Artificial Analysis die höchste Genauigkeit erreicht.

Black Forest Labs zeigt mit Flux 3 Image ein neues Generierungsmodell, das präzise mehrstufige Bildbearbeitungen ermöglicht – ohne unerwünschte Änderungen in anderen Bereichen.

Das Startup Tavus präsentiert mit Griffin ein KI-Modell, das in Echtzeit-Videogesprächen Mimik, Tonfall und Gesten so natürlich verarbeitet, dass 48 Prozent der Test-Teilnehmer es für einen Menschen hielten.

Ideogram 4.5 ermöglicht präzise KI-Bildbearbeitung, bei der nur gewünschte Bereiche verändert werden – und der Rest des Bildes stabil bleibt.

Ein neues, skalierbares Evaluierungs-Framework ermöglicht standardisierte Benchmarks für Text-to-Speech-Systeme und Voice-Cloning-Technologien über mehrere Sprachen hinweg.

Der Chipkonzern AMD übernimmt das Weltmodell-Startup World Labs und sichert sich damit eine eigene Forschungseinheit für physische KI-Modelle unter Leitung der ImageNet-Pionierin Fei-Fei Li.

ElevenLabs launcht Eleven v4 mit verbesserter Umsetzung von Sprechanweisungen und Echtzeit-Latenz für Voice-Agenten.

Claude Opus 5.5 zeigt eine seltene Fähigkeit beim Erstellen von Explainer-Videos.

Google stellt Gemini Live Avatars allgemein zur Verfügung – KI-Charaktere, die in 97 Sprachen mit Nutzern sprechen und sogar miteinander diskutieren können.