Multimodal

Runway's neues Weltmodell GWM-1 erzeugt Videos in Echtzeit – Nutzer sehen das Ergebnis während des Promptings statt auf fertige Clips zu warten.

Microsoft und die University of Illinois stellen StudentSim vor – ein System, das synthetische Schülersimulationen erzeugt, um KI-Tutoren schneller und kostengünstiger zu trainieren.

Alibabas Qwen-Modell verarbeitet Audio und Video gleichzeitig, nutzt Werkzeuge eigenständig und bietet dabei deutlich besseres Preis-Leistungs-Verhältnis als Googles Gemini Flash.

Google Deepmind startet zwei neue Audio-Modelle für Sprach-Konversationen – die Extended-Thinking-Variante führt Benchmarks an und kostet deutlich weniger als OpenAIs Konkurrenzprodukt.

OpenAIs GPT-6 Astra zeigt beeindruckende Fähigkeiten beim räumlichen Verständnis und löst als erstes Modell komplexe Robotik-Tasks mit zweiarmigen Systemen.

DeepSeek stellt ein großes neues Sprachmodell mit Multimodal-Fähigkeiten und innovativer Architektur vor – ein bedeutender Release chinesischer KI-Forschung.

OpenAI integriert sein Voice-Modell GPT-Live-1 in die API: Echtzeit-Duplexgespräche, bessere Befehlsverständigung, Custom Voices und Telefonie-Support.

GPT-6 Astra demonstriert beeindruckende Multimodal- und räumliche Fähigkeiten, indem es ein detailliertes 3D-Kirchenmodell aus natürlichsprachlicher Beschreibung generiert.

OpenAIs neue Astra begeistert mit Fähigkeiten in Computersteuerung und 3D-Modellierung, wirft aber Fragen zu ihrem tatsächlichen Mehrwert auf – ein Modell, das die Grenzen verschiebt statt bestehende Workflows zu optimieren.

Suno launcht drei neue Musikmodell-Varianten in v6, entwickelt mit Warner, BMG und Believe – doch Universal und Sony klagen weiter, während Suno über die Trainingsdaten schweigt.

Drei bedeutende Produktreleases in einer Woche: Meta stellt Muse Spark vor, World Labs zeigt Atlas, Google bringt Gemini 3.8 Flash.

Eine Demonstration zeigt, wie das Multimodal-Modell GPT-6 Astra eigenständig 3D-Komponenten in der CAD-Software FreeCAD entwerfen kann.

OpenAI stellt ChatGPT Images 2.5 vor, ein Update für bessere Kontrolle über die Bildgenerierung aus Ideen, Skizzen und Referenzfotos.

Alibabas neues Fahrerassistenz-KI-Modell verbindet Umwelterfassung und Fahrtplanung, doch seine Begründungen für Manöver stimmen nicht immer.

Google Research und DeepMind präsentieren WeatherNext 3: ein KI-Modell, das aus Satellitendaten lernt und Vorhersagen mit 5-km-Auflösung in stündlichen Intervallen liefert – fünfmal detaillierter als der Vorgänger.

Google bringt sein Musikgenerierungsmodell Lyria 3.5 direkt in die Gemini-App und API – mit verbessertem Gesang, reicheren Arrangements und Zugang über mehrere Google-Plattformen.

Metas „Muse Voice Transcribe" transkribiert Sprache in Echtzeit mit Sprecher-Unterscheidung und könnte die Basis für Assistenten bilden, die dauerhaft über Kameras wie der Meta-Brille mithören.

OpenAI stellt das neue Flaggschiff-Modell GPT-6 Astra vor, das mit verbessertem Prompt-Verständnis und besonders starken Fähigkeiten beim Generieren von 3D-Modellen punktet.

Ein neues Modell kombiniert Multimodal-Verarbeitung mit nativer Mehrsprachigkeit und optimierter Effizienz für globale Anwendungen.

Ein Finanz-Audit-Workflow zeigt, wie GPT-6 Astra in Minutenschnelle Dokumentenprüfungen bewältigt und dabei versteckte Fehler zuverlässig erkennt.