Multimodal

Apple zeigt auf der WWDC 2026 ein überarbeitetes Siri mit lizenzierten Gemini-Modellen, Vision-LLMs für Screen-Verständnis und eine neue Core AI Library für Entwickler – doch die Skepsis nach 2024 bleibt.

Lens schlägt größere Konkurrenten mit einem Fünftel des Trainingsaufwands – Erfolgsgeheimnis sind hochwertige GPT-4-generierte Bildtexte statt vager Web-Daten.

NVIDIAs neues Spracherkennungs-Modell Nemotron 3.5 ASR unterstützt multilinguales Live-Streaming, Word Boosting und automatische Sprechererkennung.

Ein neues Modell verarbeitet Sprache vollständig im Stream und entscheidet alle 0,4 Sekunden autonom, ob es antworten soll – ohne auf Sprechpausen zu warten.

Alibabas neues Frontier-Modell Qwen3.7-Plus verbindet visuelle Wahrnehmung, Bildschirmbedienung und Code-Generierung in einem agentengestützten System und baute in einer Demo autonom eine App mit über 10.000 Zeilen Code.

Nvidia stellt ein neues Sicherheitsmodell für multimodale KI-Systeme vor, das Unternehmen weltweit an ihre Anforderungen anpassen können.

xAI veröffentlicht ein Bild-zu-Video-Modell, das Standbilder per Text in filmische 720p-Videos verwandelt und verkettbar macht.

Google DeepMind veröffentlicht ein Open-Source-Modell mit Text-, Bild- und Audio-Verarbeitung, das auf handelsüblichen Laptops mit 16 GB RAM läuft.

Ideogram veröffentlicht sein Text-zu-Bild-Modell 4.0 als Open-Weight-Modell mit 2K-Auflösung und präziser Textdarstellung – führend unter offenen Systemen.

OpenAI erweitert GPT-Rosalind um spezialisierte Fähigkeiten für biologische Forschung, Medikamentenchemie und Genomik.

NVIDIA stellt Cosmos 3 vor – ein Foundation Model, das fünf verschiedene Eingabe- und Ausgabeformate verarbeitet und generiert.

Das chinesische Unternehmen MiniMax stellt M3 vor – ein offenes Modell, das Coding-Leistungen auf Spitzenniveau mit massivem Kontextfenster, Multimodalität und deutlich besserer Effizienz kombiniert.