Nghiên cứu phân tích cách ánh mắt phản ánh sự hiểu biết chung trong các nhiệm vụ hợp tác. Kết quả cho thấy khi người tham gia đạt được sự đồng thuận, ánh mắt tập trung nhiều hơn vào nhiệm vụ và ít hướng về đối phương hơn.
FLAT là khung tiền huấn luyện đột phá giúp đồng bộ hóa hình ảnh và văn bản vào không gian chuỗi 1D thống nhất, tối ưu hóa khả năng truy xuất và tạo nội dung với độ dài linh hoạt.
ModelBest OpenBMB@OpenBMB🤖 What if an AI agent could keep seeing, listening, talking, and working - all at the same time? D…
DịchGander là trợ lý AI đột phá tích hợp khả năng nghe nhìn liên tục và phản hồi thời gian thực, cho phép thực hiện các tác vụ phức tạp mà không cần tách biệt giữa giao tiếp giọng nói và hành động.
Nghiên cứu chứng minh rằng khả năng học trong ngữ cảnh (ICL) không chỉ giới hạn ở ngôn ngữ mà còn xuất hiện đồng nhất trên sáu phương thức khác nhau, củng cố giả thuyết về sự hội tụ trong cách các mô hình AI tiếp nhận và xử lý quy luật trừu tượng.
Hongming@hongming731Jensen Huang đề xuất kiểm soát an toàn AI thông qua kỹ thuật, bao gồm phân tích nguyên nhân gốc rễ và giám sát liên tục. Cùng lúc đó, Gemini 3.8 Live chính thức ra mắt với khả năng xử lý đa phương thức thời gian thực.
Cùng sự kiện, tinh chọn hiển thị «Google DeepMind ra mắt Gemini 3.8 Live và bản Extended Thinking: Đột phá mới cho trợ lý giọng nói»Dynin-Robotics sử dụng mô hình khuếch tán đa phương thức để dự đoán mục tiêu và động lực học, giúp robot thực hiện hành động chính xác hơn thông qua việc hiểu ngôn ngữ và quan sát hình ảnh.
Realtime-Venus là hệ thống tương tác đa phương thức sử dụng mô hình 9B, cho phép duy trì hội thoại liên tục trong khi thực hiện các tác vụ phức tạp ở chế độ nền nhờ cơ chế ủy quyền bất đồng bộ.
Thêm 1 nguồn khác đưa tinAnt Group inclusionAI: GitHub kho mã mớiBVB (Blender-VideoBench) là bộ tiêu chuẩn mới yêu cầu AI tái tạo video thực thành hoạt cảnh Blender. Kết quả cho thấy dù mô hình có thể mô phỏng hình ảnh tốt, chúng vẫn gặp khó khăn lớn trong việc duy trì tính chính xác của các sự kiện theo thời gian.
LLaDA-UI là tác nhân AI đa phương thức sử dụng kiến trúc khuếch tán khối (block-wise diffusion) với 16,7 tỷ tham số, giúp tăng tốc độ phản hồi thời gian thực khi tương tác với giao diện máy tính và di động.
Nghiên cứu từ MMLab NTU phân tích sâu về sự tương tác giữa khả năng hiểu và tạo hình ảnh trong các mô hình đa phương thức thống nhất (UMM), làm rõ liệu chúng thực sự bổ trợ hay gây xung đột về tài nguyên học tập.
SenseTime@SenseTime_AICapturing AI's Next Wave: From Model Intelligence to Ag…
DịchTại hội nghị chiến lược mùa thu 2026, SenseTime đã vạch ra ba thay đổi cốt lõi trong ngành AI: chuyển dịch từ đơn phương thức sang đa phương thức, từ tiêu thụ token sang tập trung vào kết quả nhiệm vụ, và từ mô hình đơn lẻ sang hệ thống toàn diện.
Nghiên cứu này đề xuất phương pháp đánh giá mới cho Image Tokenizer thông qua việc theo dõi tổn thất (loss) trong quá trình huấn luyện đa phương thức, giúp hiểu rõ cách các token thị giác và văn bản tương tác để tối ưu hóa hiệu suất mô hình.
Artificial Analysis@ArtificialAnlysLing-3.0-flash-VL, Ant Group's new flash tier open weights model, scores 25 on the Artificial Analys…
DịchAnt Group vừa công bố mô hình suy luận đa phương thức Ling-3.0-flash-VL với mã nguồn mở, đạt 25 điểm trên bảng xếp hạng Artificial Analysis nhờ hiệu suất tối ưu giữa trí tuệ và tham số hoạt động.
Nghiên cứu chỉ ra rằng các hệ thống liên kết thực thể thường thất bại với các thực thể hiếm. Tác giả đề xuất khung làm việc không cần huấn luyện, sử dụng mô hình ngôn ngữ-hình ảnh để suy luận và truy xuất dữ liệu từ Wikipedia nhằm cải thiện độ chính xác.
OpenRouter@OpenRouterLing 3.0 Flash VL is live on OpenRouter, served by @novita_labs. A 124B MoE with 5.5B active params…
DịchLing 3.0 Flash VL, mô hình MoE 124B với khả năng xử lý hình ảnh và video chuyên sâu, đã được tích hợp lên OpenRouter thông qua Novita Labs. Người dùng hiện có thể trải nghiệm miễn phí các tính năng như suy luận hỗn hợp và gọi công cụ trực tiếp trên nền tảng.
SenseNova-U1.5 là mô hình đa phương thức hợp nhất kiến trúc 8B-MoT, loại bỏ bộ mã hóa và VAE để tối ưu hóa khả năng hiểu, suy luận, tạo và chỉnh sửa hình ảnh trực tiếp.
Tencent WorkBuddy@WorkBuddy_AINow live on WorkBuddy ⚡ DeepSeek V4.1-Flash, free to try for 2 weeks.
DịchNền tảng WorkBuddy vừa cập nhật mô hình DeepSeek V4.1-Flash với khả năng xử lý đa phương thức nguyên bản, người dùng có thể trải nghiệm miễn phí trong vòng 14 ngày.
Cùng sự kiện, tinh chọn hiển thị «DeepSeek ra mắt DeepSeek-V4.1-Flash: Cửa sổ 1M token, tối ưu bộ nhớ KV Cache cực đỉnh»
X.PIN@thexpinDeepSeek has unified its Fast, Expert and Image Recognition modes, removing the standalone Expert op…
DịchDeepSeek tích hợp các chế độ chuyên gia và nhận diện hình ảnh vào một mô hình duy nhất, dự kiến ra mắt V4.1 Flash vào ngày 10/9 và ngừng hỗ trợ V4 Pro từ ngày 14/9.
DeepSeek vừa trình làng V4.1 Flash, mô hình MoE 552 tỷ tham số với kiến trúc Causal-Encoder-Decoder mới, hỗ trợ đa phương thức và đạt kết quả benchmark ấn tượng hơn cả bản V4 Pro.
Cùng sự kiện, tinh chọn hiển thị «DeepSeek ra mắt V4.1-Flash: Mô hình đa phương thức nhỏ gọn với giá API siêu rẻ»DeepSeek vừa trình làng V4.1-Flash, phiên bản nhỏ nhất trong dòng kiến trúc mới với khả năng hiểu hình ảnh vượt trội và hiệu suất ấn tượng trên các bài kiểm tra chuyên sâu, đi kèm chính sách giảm giá API.
Diễn biến sự kiện · 4 bài →Thêm 2 nguồn khác đưa tinIT HomeWeChat: DeepSeekDeepSeek trình làng V4.1 Flash, mô hình MoE 552 tỷ tham số với cấu trúc Causal-Encoder-Decoder mới, hỗ trợ đa phương thức và vượt trội hơn cả bản Pro trong các bài kiểm tra hiệu năng.
Cùng sự kiện, tinh chọn hiển thị «DeepSeek ra mắt V4.1-Flash: Mô hình đa phương thức nhỏ gọn với giá API siêu rẻ»
Ant Ling@AntLingAGINow you can play with the VL model of Ling on Hugging Face with our day0 partner @novita_labs
DịchAnt Ling-3.0-flash-VL, mô hình đa phương thức 124B tham số với khả năng hiểu hình ảnh và video chuyên sâu, đã chính thức có mặt trên nền tảng Novita thông qua Hugging Face với ưu đãi dùng thử miễn phí 14 ngày.
Ant Ling@AntLingAGIThanks to our day0 partner @novita_labs for the continued support, this time with the "eyes" of the …
DịchAnt Ling vừa trình làng mô hình đa phương thức Ling-3.0-flash-VL, đồng thời hợp tác với Novita để cung cấp trải nghiệm miễn phí trong 14 ngày cho người dùng.
Cùng sự kiện, bài đại diện «Ant Group ra mắt mô hình đa phương thức Ling-3.0-flash-VL với khả năng phản hồi thị giác»Phiên bản Spark V2.5 thể hiện khả năng xử lý đa phương thức ấn tượng, từ việc tạo hình ảnh hạt phức tạp đến khả năng đọc hiểu và tìm lỗi sai trong các báo cáo tài chính dài.
Alibaba Cloud@alibaba_cloudStop renting intelligence. Power your coding & multi-agent workflows with Alibaba Qwen3.8-Max's 2.4T…
DịchAlibaba Cloud chính thức phát hành Qwen3.8-Max, mô hình 2.4T tham số hỗ trợ cửa sổ ngữ cảnh 1M token và khả năng đa phương thức gốc, tối ưu cho lập trình và tác vụ đa tác nhân. Người dùng có thể nhận 70 triệu token miễn phí trên Qwen Cloud và Model Studio ngay hôm nay.
Ant Ling@AntLingAGIThanks @sgl_project community! The Ling series finally have eyes and we appreciate our day0 partners…
DịchAnt Group vừa trình làng Ling-3.0-flash-VL, mô hình MoE hỗ trợ hiểu hình ảnh và video chuyên sâu với cửa sổ ngữ cảnh lên tới 1 triệu token, đồng thời được SGLang hỗ trợ ngay từ ngày đầu ra mắt.
Cùng sự kiện, bài đại diện «Ant Group ra mắt mô hình đa phương thức Ling-3.0-flash-VL với khả năng phản hồi thị giác»Alibaba Cloud@alibaba_cloud🎬 Multimodal creation is now live on QwenWork. Drop in a few product images and tell QwenWork what …
DịchQwenWork vừa tích hợp khả năng đa phương thức, cho phép người dùng biến hình ảnh sản phẩm thành video quảng cáo, poster và nhạc nền chỉ trong một lần hội thoại mà không cần chuyển đổi công cụ.
Yonglong Tian, cựu chuyên gia OpenAI về thị giác máy tính và mô hình tạo sinh, đã chính thức đảm nhận vị trí lãnh đạo mảng mô hình đa phương thức tại Tencent Hunyuan.
Nghiên cứu giới thiệu Causal Visual Recurrent Reasoning (CVRR), phương pháp buộc mô hình AI phải sử dụng các trạng thái ẩn để suy luận hình ảnh thay vì dựa vào các chuỗi suy nghĩ văn bản, giúp tăng độ chính xác và tính minh bạch trong xử lý đa phương thức.
Ant Ling@AntLingAGIToday, we're open-sourcing Ling-3.0-flash-VL in BF16 and FP8. FP4 and INT4 are coming soon. Beyond …
DịchAnt Group vừa công bố mã nguồn mở Ling-3.0-flash-VL, mô hình đa phương thức mạnh mẽ có khả năng hiểu sâu về hình ảnh, video, tài liệu và giao diện người dùng, đồng thời hỗ trợ suy luận và sử dụng công cụ chuyên sâu.
DeepSeek vừa khởi động thử nghiệm phiên bản V4.1 Flash với kiến trúc mô hình cải tiến, mang lại khả năng xử lý đa phương thức mạnh mẽ hơn cùng tốc độ vượt trội và chi phí tối ưu.
Thêm 6 nguồn khác đưa tinX: X.PIN (@thexpin)X: Gabriel (@gabriel1)PandailyTechNodeX: Kim (@kimmonismus)JiqizhixinWeChat vừa công bố mã nguồn mở cho mô hình WeMM-Embedding với các phiên bản 2B, 4B và 9B, hỗ trợ xử lý linh hoạt văn bản, hình ảnh, video và tài liệu thị giác, vốn đã được ứng dụng thực tế với quy mô 1 tỷ lượt gọi mỗi ngày.
VoiceMem giới thiệu hệ thống bộ nhớ đa phương thức giúp AI không chỉ hiểu ngữ cảnh mà còn ghi nhớ cảm xúc và âm thanh, biến trợ lý ảo thành người bạn đồng hành thực thụ thay vì chỉ là công cụ vô tri.
Elvis Saravia@omarsar0Khả năng xử lý đa phương thức của GPT-6 Astra gây ấn tượng mạnh khi tự động tạo ra các đoạn phim hoạt họa toán học phức tạp chỉ với một câu lệnh duy nhất.
TFO là giải pháp plug-and-play cho phép tích hợp khả năng hiểu âm thanh vào các mô hình VLM đóng băng mà không cần thay đổi kiến trúc hay huấn luyện lại, giúp bảo toàn nguyên vẹn năng lực suy luận thị giác ban đầu.
HiDream.ai vừa công bố HiDream-O1-Embodied, mô hình thế giới tích hợp công nghệ đa phương thức nguyên bản, đánh dấu bước tiến quan trọng trong việc hiện thực hóa trí tuệ nhân tạo cho robot và các hệ thống tự hành.
H Company giới thiệu dòng NeoMME (260M/800M) sử dụng kiến trúc Transformer đơn tháp để xử lý đồng thời văn bản và hình ảnh, loại bỏ bộ giải mã nhân quả giúp tăng hiệu quả trong các tác vụ đa phương thức.
Các startup đang tập trung phát triển khả năng học trong ngữ cảnh (ICL) cho robot, giúp chúng xử lý dữ liệu đa phương thức dài hơn để thực hiện các tác vụ phức tạp.
Last Translation Benchmark sử dụng các mẫu dữ liệu đa phương thức (văn bản, hình ảnh, âm thanh, video) được con người kiểm duyệt khắt khe để thử thách và tìm ra điểm yếu của các mô hình dịch thuật AI hiện nay.
WeChat vừa ra mắt mô hình đa phương thức WeMM-Embedding hỗ trợ xử lý văn bản, hình ảnh và video. Phiên bản 9B hiện đang dẫn đầu bảng xếp hạng MMEB-v2 và đã được ứng dụng thực tế trong hệ thống gợi ý của WeChat với hơn 1 tỷ lượt gọi mỗi ngày.