Multimodal

MiniMax' neues H3-Modell erzeugt 15-Sekunden-Videoclips aus Text, Bildern, Audio und Video – und läuft jetzt über MLX auch auf M-Series-MacBooks.

MiniMax hat sein Videomodell H3 als Open Source freigegeben und setzt sich damit erstmals mit einem offenen Modell an die Spitze von Video-Editing-Rankings.

Anthropics neuester Spitzenchip Claude Opus 5 erzeugt spielbare Browser-Games (Shooter, Kart-Racer, Minecraft-Varianten) vollständig aus Prompts – ohne externe Assets, mit Code-generierten Geometrien, Texturen und Physik.

ByteDance stellt Seedance 2.5 vor – ein Videomodell, das Video und Audio in einem Schritt erzeugt und damit dreimal längere Sequenzen als Googles Gemini schafft.

Google DeepMind präsentiert Gemini Robotics 2, ein Vision-Language-Action-Modell, das Roboter verschiedenster Bauformen – von Tischgeräten bis zu humanoiden Ganzkörperrobotern – einheitlich steuern kann.

Ein Prompt, vier Thumbnails und ein Video-Clip: Claude Code mit Higgsfield-Integration erstellt ein komplettes Visual-Package für YouTube direkt vom Projektordner aus.

Google veröffentlicht Lyria 3.5 und integriert das verbesserte Musikgenerierungsmodell in Google Flow Music mit neuer Editierfunktion für einzelne Song-Abschnitte.

NVIDIA zeigt, wie generative Video-Simulationen chirurgische Roboterarme trainieren und in Echtzeit steuern können.

Opus 5 treibt die KI-Intelligenz voran, Atom-Roboter bringen KI in die physische Welt, und Infrastruktur-, Finanzierungs- und Sicherheitsfragen prägen die Woche.

Anthropics neues Spitzenmodell Opus 5 und ein KI-gestütztes Notiz-Device von Genspark sind parallel gestartet, dazu neue Benchmark-Ergebnisse und Debatten über KI-Bewusstsein.

Anthropic erweitert Claudes Sprachmodus um direkten Zugriff auf Gmail, Google Calendar und Slack – ein Wettbewerbsvorteil gegenüber OpenAI und Google.

Black Forest Labs hat FLUX 3 angekündigt, ein multimodales Modell, das laut eigenen Angaben Sora 2.0, Gemini Omni und Grok Imagine übertreffen soll – mit Video-Action-Robotik-Variante.

Black Forest Labs präsentiert mit Flux 3 ein neues Foundation-Modell, das Bilder, Videos und Audio gleichzeitig verarbeitet und Videos mit natürlichem Sound generiert.

Moonshot AI stellt Kimi K3 mit 2,8 Billionen Parametern vor – Chinas größtes Open-Weight-Modell tritt gegen westliche Frontier-Modelle an.

Alibaba stellt Qwen-Image-3.0 vor, einen Text-gesteuerten Bildgenerator, der komplexe Layouts mit winzigen, lesbaren Schriftzügen und mehrsprachiger Unterstützung erzeugen kann.

Alibabas neues TTS-Modell erreicht Top-Platzierung in der Speech Arena Leaderboard mit 16 Sprachen und Stilsteuerung – allerdings mit langsamer Generierungsgeschwindigkeit.

Neill Blomkamp hat mit „Nightborne" einen 13-minütigen Sci-Fi-Horrorfilm komplett mit KI-Videogenerierung erstellt und gründete sein eigenes KI-Filmstudio Barley Studios.

Alibaba kontert Chinas KI-Rennen mit Qwen3.8, einem multimodalen Modell, das laut eigenem Benchmarking nur von Fable 5 geschlagen wird.

Mira Muratis Thinking Machines Lab hat mit Inkling ein multimodales Open-Source-Modell mit 975 Milliarden Parametern veröffentlicht – eine starke Basis für Feinabstimmung, nicht für absolute Leistung.

Ein Entwickler zeigt, wie man mit GPT und Bild-Generierung eigene animierte Desktop-Figuren für Codex erschaffen kann – ein unterhaltsames Beispiel für kreative KI-Nutzung.