Multimodal

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.

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.