Multimodal

Alibaba stellt mit Qwen3.8-Flash-Next ein offenes Multimodal-MoE-Modell vor, das die Architektur von Qwen4 ankündigt – mit nur 6B aktiven Parametern bei 125B Gesamtgröße.

Alibaba präsentiert Wan3.0, das aus Text, Bildern und PDFs Videos bis 30 Sekunden Länge generiert – ein Schlag gegen OpenAI und Runway, während der Konzern Millarden in KI-Entwicklung investiert.

Der chinesische Hersteller RayNeo präsentiert eine neue AR-Brille, die KI-Notizen und Informationen ins Sichtfeld projiziert – bewusst ohne Kamera und Lautsprecher.

DeepSeek veröffentlicht V4-Flash-Vision-Exp, ein experimentelles Modell, das Bildverstehen mit Textfähigkeiten kombiniert und bei Agent-Benchmarks mit Claudes Opus 4.8 konkurriert.

Adobe stellt seine generativen Audio-Tools in Firefly allen Nutzern zur Verfügung und integriert zusätzlich externe Modelle wie Googles Gemini, Runway und Kling.

Während Sora den Hype nicht erfüllte, entsteht um Studios wie Netflix und Start-ups wie Higgsfield ein echter KI-Videoproduktions-Markt mit Milliarden-Bewertungen.

Ein neuer Benchmark von Moonshot AI zeigt, dass kein Frontier-Modell 60 Prozent Genauigkeit beim reinen Bildlesen erreicht – viele vermeintliche Reasoning-Fehler entstehen bereits beim Sehen.

Suno baut seine KI-Musikplattform mit Studio 2.0 massiv aus: Chat-Interface für Instrumente, MIDI-Import und 32-Bit-Export für Bezahl-Abos – doch das widerspricht Sunos gerade angekündigten Download-Limits.

Eine Umfrage unter US-Radiologen zeigt: FDA-zugelassene KI-Tools zur Brustkrebserkennung erreichen in der Klinik nicht die erwarteten Verbesserungen.

Ein Creator hat 1000 Dollar in Seedance 2.5 investiert und testet das Video-Modell systematisch – mit konkreten Prompts und Erkenntnissen zum effizienten Umgang mit Credits.

Ein neues 3-Milliarden-Parameter-Modell für Vision-Aufgaben bringt erweiterte Fähigkeiten auf ressourcenschwache Geräte.

Eine technische Analyse zu Kompression, räumlicher Optimierung und Ausrichtung von Diffusions- und Multimodal-Modellen.

Meta veröffentlicht Muse Glimmer, ein 30-Milliarden-Parameter-Modell unter Apache-2.0-Lizenz, das speziell für agentenbasierte Aufgaben, zuverlässiges Tool-Use und mehrstufiges Reasoning optimiert ist.

Meta bringt mit Muse Glimmer ein 30-Milliarden-Parameter-Modell unter Apache-2.0-Lizenz zurück ins Spiel – optimiert für agentenbasierte Aufgabenvollendung, zuverlässige Tool-Nutzung und mehrstufiges Reasoning.

NVIDIA stellt Magpie TTS mit offenen Gewichten bereit – ein Text-to-Speech-Modell für latenzarme, mehrsprachige Voice-Agenten mit vollständiger Deployment-Kontrolle.

Meta bringt mit Muse Glimmer ein neues multimodales KI-Modell an den Start, das lokal läuft, agentic-Funktionen bietet und als Open Source verfügbar ist.

xAI veröffentlicht einen neuen Bildgenerator für Grok, der in Benchmarks nur hinter OpenAIs GPT-Image-2 rangiert und praktische Editing-Tools wie Magic Wand und Multi-Ref-Editing bietet.

Black Forest Labs veröffentlicht FLUX 3 Video: ein Modell für 20-sekündige Full-HD-Videos mit nativem Audio, lippensynchronen Dialogen in 14 Sprachen und gerenderter Typografie – und übertrumpft damit laut eigenen Rankings Gemini Omni Flash und Seedance 2.0.

Google trainiert humanoidale Roboter mit einem einzigen KI-Modell und veröffentlicht die Reasoning-Komponente als API – die Steuerung bleibt unter Verschluss.

Ein MLX-Port ermöglicht es, das multimodale Video-Generierungsmodell MiniMax-H3 direkt auf Apple-Chips auszuführen – erste Ergebnisse sind beeindruckend, erfordern aber Geduld.