Multimodal

Google fügt KI-Bildgenerierung direkt in die Suche ein und erzeugt automatisch Bilder zu Suchanfragen, wenn das Web keine passenden Ergebnisse liefert.

Anthropic zeigt in einer neuen Studie, dass Claudes Werte und Tonalität je nach Sprache systematisch variieren – ein Befund mit Konsequenzen für KI-Bias und globale Fairness.

OpenAI rüstet die Sprachfunktion von ChatGPT mit einem neuen, deutlich leistungsstärkeren Modell auf und ermöglicht intelligentes Delegieren an GPT-5.5 für komplexe Aufgaben.

Mit GPT-Live führt OpenAI Full-Duplex-Sprachkommunikation ein und delegiert komplexe Fragen an GPT-5.5, um die Antwortqualität zu verbessern.

Mistral lanciert Robostral Navigate, ein spezialisiertes 8B-Modell, das Roboter allein per RGB-Kamera durch unbekannte Umgebungen lenkt – ein Einstieg in ein neues Anwendungsfeld für den französischen KI-Konzern.

OpenAI präsentiert eine neue Generation von Sprachmodellen, die natürlichere Mensch-KI-Interaktion ermöglicht und ChatGPT Voice antreibt.

Baidus Unlimited OCR kann Dutzende Dokumentseiten in einem Durchgang erfassen – ein großer Sprung gegenüber bisherigen Systemen, die kaum zehn Seiten bewältigen.

Gemma 4 wird für Sprachverarbeitung in Echtzeit optimiert und ebnet den Weg für nahtlose Voice-AI-Anwendungen.

Google hat Gemini 3.1 Flash Lite Image veröffentlicht – ein optimiertes Bildgenerator-Modell, das für Geschwindigkeit und Skalierbarkeit ausgelegt ist.

Google veröffentlicht zwei neue Modelle: Nano Banana 2 Lite generiert Bilder in vier Sekunden für 0,034 Dollar pro Bild, Gemini Omni Flash bringt Videogenerierung erstmals in die API.

Googles neues Spitzenmodell Gemini Omni Flash ist über eine API verfügbar und ermöglicht Entwicklern die Integration von Video-Verarbeitungs- und Conversational-Fähigkeiten in ihre Anwendungen.

Google stellt Gemini Omni Flash vor – ein Video-Modell, das Echtzeit-Konversation und interaktives Video-Editing in einem ermöglicht.

Das neue Video-KI-Tool Seedance 2.0 erzeugt native 4K-Videos ohne Hochskalierung – ein praktisches Tutorial zeigt, wie man dabei Kosten spart.

Das Frontier-Modell Qwen integriert embodied-AI-Fähigkeiten und erweitert damit seinen Einsatzbereich deutlich.

ByteDance stellt sein verbessertes Videomodell Seedance 2.5 vor, das Videos von bis zu 30 Sekunden Länge erzeugen kann – ein Meilenstein im Wettbewerb um Text-to-Video-KI.

Google DeepMind gründet eine langfristige Forschungspartnerschaft mit dem Filmstudio A24 und investiert knapp 75 Millionen Dollar in das Unternehmen.

OpenAI macht mit GPT-5.5 Instant grosse Fortschritte bei medizinischen Fragen und behauptet, dass ChatGPT Ärzte beim Thema Genauigkeit und Verständlichkeit übertrifft – mit einer um 71 Prozent gesunkenen Fehlerrate.

Google Gemma 4 12B versteht Text, Bilder und Audio – läuft kostenlos offline auf dem eigenen Rechner und wird von der Community gefeiert.

Ein neues Modell kombiniert Sprachverständnis mit 3D-Bewegungsvorhersage und kann komplexe menschliche Bewegungen aus natürlichsprachlichen Beschreibungen vorhersagen.

Microsoft-Forschung zeigt, wie Video-Modelle räumliche Szenen im latenten Raum speichern können – effizienter und stabiler als bisherige Ansätze.