Kürzlich wurde die Modelers-Community (魔乐社区) offiziell mit Step-Video und Step-Audio, zwei Open-Source-Multimodal-Großsprachemodellen, die von Step-Video entwickelt wurden, ins Leben gerufen. Diese beiden Modelle werden jeweils für die Videogenerierung und die Sprachinteraktion verwendet und sollen Entwicklern und Unternehmen leistungsstärkere KI-Tools bieten. Das Step-Video-Modell trägt den vollständigen Namen Step-Video-T2V und ist mit 300 Milliarden Parametern das weltweit größte Open-Source-Videogenerierungsmodell. Das Modell kann direkt 20...

Hedra ha presentado Character-3 y Hedra Studio, dos innovaciones que marcan un hito en la tecnología de avatares digitales. Estos avances permiten la inferencia conjunta de imagen, texto y audio, abriendo nuevas posibilidades para la creación de experiencias inmersivas y realistas en diversas aplicaciones.

3月6日、北京智源人工知能研究院は、マルチモーダルベクトルモデルBGE-VLをオープンソース化すると発表しました。この成果は、マルチモーダル検索分野における新たなブレークスルーを意味します。BGE-VLモデルは、画像テキスト検索、複合画像検索などのマルチモーダル検索タスクにおいて最良の結果を達成し、マルチモーダル検索のパフォーマンスを大幅に向上させました。

Am 3. März gab die Shanghaier Firma Secret Network Technology Co., Ltd. die Erweiterung ihrer KI-Suchfunktion um einen Video-Suchmodul bekannt. Dies erweitert die Abdeckung multimodaler Daten. Die neue Funktion basiert auf der Analyse und dem Verständnis von Hunderten Millionen von Videos und hilft Nutzern, effizienter die gewünschten Lern- und Unterhaltungsvideos zu finden.

Die Baidu-Gesellschaft hat die Veröffentlichung ihres neuesten großen Sprachmodells Wenxin 4.5 für den 16. März angekündigt. Wenxin ist ein wichtiger Bestandteil von Baidus Aktivitäten im Bereich der künstlichen Intelligenz und hat seit seiner ersten Veröffentlichung vor zwei Jahren weltweit große Auswirkungen gezeigt.

Baidu bereitet die Veröffentlichung seines nächsten KI-Modells intensiv vor. Die Version ERNIE 4.5 soll voraussichtlich Mitte März offiziell erscheinen. Insidern zufolge wird die neue Version in mehreren Kernbereichen, darunter die Inferenz, erhebliche Leistungsverbesserungen aufweisen. Dies markiert einen weiteren wichtigen Durchbruch für Baidu im Bereich der KI-Technologie.

Microsoft hat Phi-4 vorgestellt, ein vielversprechendes multimodales Mini-Modell, das die Verarbeitung von Sprache, Bildern und Text auf ein neues Level hebt. Dieses innovative Modell bietet verbesserte Leistung und Effizienz bei der Bearbeitung verschiedener Datenmodalitäten.

Microsoft hat „Magma“, einen Open-Source Multimodal AI Agent, veröffentlicht. Dieser Agent bietet neue Möglichkeiten im Bereich Shopping und Robotik, indem er verschiedene Modalitäten wie Sprache und Bilder verarbeitet.

Microsoft hat kürzlich auf seiner Website ein neues, quelloffenes, multimodales KI-Agenten-Basismodell namens „Magma“ veröffentlicht. Dieses neue KI-System ist in der Lage, sowohl die digitale als auch die physische Welt zu durchdringen und gleichzeitig verschiedene Datentypen wie Bilder, Videos und Texte zu verarbeiten. Im Gegensatz zu herkömmlichen KI-Assistenten zeichnet sich Magma durch seine Fähigkeit zur Verhaltensprognose aus, wodurch es die Absichten und das zukünftige Verhalten von Personen oder Objekten in Videos genauer verstehen kann. Magma bietet ein breites Anwendungsspektrum und kann von Nutzern für diverse Zwecke eingesetzt werden.

Am 25. Februar kündigte SenseTime auf der Global Developer Pioneer Conference 2025 ein umfassendes Upgrade seiner KI-Produktivitätstools – der Xiao Huan Xiong Familie – an. Die verbesserte Multimodalität beschleunigt die Implementierung von KI-Anwendungen und fördert die Entwicklung hin zu KI-Agenten. Dieses Upgrade steigert nicht nur die Leistung der Tools, sondern bringt KI auch zu ihrer ursprünglichen Aufgabe zurück: Ein leistungsstarkes Produktivitätstool zu sein.

Ovis2 ist die neueste Version der Ovis-Modellreihe des internationalen Teams von Alibaba. Im Vergleich zur Vorgängerversion 1.6 wurden bei Ovis2 sowohl die Datenkonstruktion als auch die Trainingsmethoden deutlich verbessert. Es wurde nicht nur die Leistungsdichte kleiner Modelle verstärkt, sondern auch die Fähigkeit zum Chain-of-Thought (CoT)-Schlussfolgern durch Instruktionsfeinabstimmung und Präferenzlernen erheblich gesteigert. Darüber hinaus wurde Ovis2 um die Verarbeitung von Videos und mehreren Bildern erweitert und die Mehrsprachigkeit sowie die OCR-Fähigkeiten in komplexen Szenarien verbessert, wodurch die Praktikabilität des Modells deutlich gesteigert wurde.

Die Aufmerksamkeit der Entwickler weltweit richtet sich erneut auf China! Auf der vielbeachteten Global Developer Conference (GDC) gab die Alibaba Cloud ModelScope Community die Veröffentlichung von zwei neuen, quelloffenen multimodalen Modellen von Step-by-Step Stars bekannt: das weltweit größte quelloffene Video-Generierungsmodell Step-Video-T2V und das branchenweit erste quelloffene Sprachinteraktionsmodell in Produktqualität, Step-Audio. Diese Nachricht hat die globale Open-Source-AI-Community im Sturm erobert und unterstreicht einmal mehr die starke Innovationskraft Chinas im Bereich der künstlichen Intelligenz. Als Chinas größtes KI-

Das Kernstück des jüngsten Tencent Yuanbao-Upgrades ist die Kombination der „Hun Yuan“- und DeepSeek-Technologien. DeepSeek diente bisher hauptsächlich der Informationsgewinnung, vergleichbar mit einem „Scanner“. Dank der Integration der Tencent Hun Yuan Multimodalen Technologie kann DeepSeek nun jedoch die Details, die Atmosphäre und sogar die impliziten Bedeutungen von Bildern verstehen. Diese Weiterentwicklung ermöglicht es Tencent Yuanbao, Bilder zu „verstehen“ und eigene Analysen und Interpretationen abzugeben.