लॉस एंजिल्स टाइम्स द्वारा एआई तकनीक का उपयोग करके लेखों के विचारों का विश्लेषण करने के अपने नए प्रयास से मीडिया में भरोसे को लेकर चिंताएँ बढ़ गई हैं। यह कदम पत्रकारिता के भविष्य और तकनीक के प्रभाव पर बहस को और तेज कर सकता है।

अलीबाबा के टोंगयी प्रयोगशाला ने हाल ही में ViDoRAG नामक एक खुला स्रोत दृश्य दस्तावेज़ RAG प्रणाली जारी की है। इस प्रणाली की सटीकता 79.4% तक पहुँच गई है, जो इसे इस क्षेत्र में एक अग्रणी प्रणाली बनाती है।

आज के डेटा विज़ुअलाइज़ेशन के क्षेत्र में, जटिल डेटा को सही ढंग से दर्शाने वाले चार्ट बनाना अभी भी एक बड़ी चुनौती है। चार्ट को न केवल सटीक लेआउट, रंग और टेक्स्ट प्लेसमेंट को कैप्चर करने की आवश्यकता होती है, बल्कि इन दृश्य विवरणों को कोड में बदलने की भी आवश्यकता होती है ताकि अपेक्षित डिज़ाइन को फिर से बनाया जा सके। हालाँकि, पारंपरिक तरीके आमतौर पर सीधे विज़ुअल-भाषा मॉडल (VLM) जैसे GPT-4V को निर्देशित करने पर निर्भर करते हैं, जिन्हें जटिल दृश्य तत्वों को सिंटैक्टिक रूप से सही पाइथन कोड में बदलने में कठिनाई होती है। छोटी सी गलती भी चार्ट को डिज़ाइन लक्ष्य तक पहुँचने से रोक सकती है।

एलेक्सा में एक बड़ा अपडेट आया है जिसमें बड़े भाषा मॉडल को जोड़ा गया है जिससे AI सहायकों के क्षेत्र में एक नया मुकाम हासिल हुआ है। यह अपडेट एलेक्सा की क्षमताओं को बढ़ाता है और उपयोगकर्ताओं को बेहतर अनुभव प्रदान करता है।

हाल ही में, वैश्विक डेवलपर अग्रणी सम्मेलन (GDC) में, बाहर जाने के प्रश्न कंपनी ने अपने नवीनतम उत्पाद - छोटे प्रश्न मोबाइल डिजिटल व्यक्ति को आधिकारिक रूप से प्रस्तुत किया। इस उत्पाद ने अपनी लचीली और गतिशील शरीर, उच्च बुद्धिमत्ता के प्रश्न-उत्तर क्षमता और सुगम इंटरैक्टिव अनुभव के साथ,现场参观者 का ध्यान खींचा, जो सम्मेलन का एक बड़ा आकर्षण बन गया।

Daring Fireball की रिपोर्ट के अनुसार, iPhone15Pro उपयोगकर्ताओं के लिए एक अच्छी खबर आ रही है: ऐप्पल की दृश्य बुद्धिमत्ता (Visual Intelligence) सुविधा 2023 में लॉन्च होने वाले Pro श्रृंखला के फ्लैगशिप मॉडल में आएगी। इसका मतलब यह है कि iPhone15Pro उपयोगकर्ताओं के लिए iPhone16 श्रृंखला में अपग्रेड करने का कारण और भी कम हो गया है। दृश्य बुद्धिमत्ता गूगल के Google Lens के समान है, यह ऐप्पल बुद्धिमत्ता (Apple Intel)

रोबोट प्रौद्योगिकी के क्षेत्र में, अमेरिकी स्टार्टअप Figure AI ने हाल ही में Helix नामक एक एंटर-साइड बड़े मॉडल को लॉन्च किया, जो मानव-आकृति रोबोट नियंत्रण तकनीक में एक महत्वपूर्ण प्रगति का प्रतीक है। Helix पहला दृश्य-भाषा-क्रिया (VLA) मॉडल है जो संपूर्ण मानव-आकृति रोबोट के ऊपरी शरीर (जिसमें सिर, धड़, कलाई और उंगलियाँ शामिल हैं) का उच्च-आवृत्ति, निरंतर नियंत्रण करने में सक्षम है। इसका अर्थ है कि रोबोट बिना बड़े प्रशिक्षण के, सीधे प्राकृतिक भाषा के निर्देशों के आधार पर कार्य कर सकते हैं। Figure

हाल ही में, गूगल ने एक नई दृश्य-भाषा मॉडल (Vision-Language Model, VLM) पेश की है, जिसका नाम PaliGemma2Mix है। यह मॉडल छवि प्रसंस्करण और प्राकृतिक भाषा प्रसंस्करण की क्षमताओं को मिलाता है, जिससे यह दृश्य जानकारी और पाठ इनपुट दोनों को साथ में समझ सकता है और आवश्यकता के अनुसार संबंधित आउटपुट उत्पन्न कर सकता है, जो मल्टी-टास्किंग में कृत्रिम बुद्धिमत्ता तकनीक की एक और प्रगति का प्रतीक है। PaliGemma2Mix की क्षमताएँ बहुत मजबूत हैं, इसमें छवि वर्णन और ऑप्टिकल वर्ण पहचान शामिल हैं।

हाल ही में, माइक्रोसॉफ्ट रिसर्च टीम ने कई विश्वविद्यालयों के शोधकर्ताओं के साथ मिलकर 'मैग्मा' नामक एक मल्टीमॉडल एआई मॉडल लॉन्च किया है। इस मॉडल का डिज़ाइन छवियाँ, पाठ और वीडियो जैसे विभिन्न डेटा प्रकारों को संसाधित और एकत्रित करने के लिए किया गया है, ताकि डिजिटल और भौतिक वातावरण में जटिल कार्यों को निष्पादित किया जा सके। तकनीक में निरंतर प्रगति के साथ, मल्टीमॉडल एआई एजेंटों का व्यापक रूप से रोबोटिक्स, वर्चुअल सहायकों और उपयोगकर्ता इंटरफ़ेस स्वचालन जैसे क्षेत्रों में उपयोग किया जा रहा है। पहले के एआई सिस्टम आमतौर पर दृष्टि-भाषा समझ या रोबोट संचालन पर केंद्रित होते थे, इन दोनों को एकीकृत करना कठिन होता था।

हाल ही में, शेन्ज़ेन शहर के फु्टियन जिले और गुआंगझू ने DeepSeek बड़े मॉडल पर आधारित "AI लोक सेवा कर्मचारी" (स्मार्ट कर्मचारी) के लॉन्च की घोषणा की, जो स्मार्ट प्रशासन के निर्माण में दोनों स्थानों के लिए एक महत्वपूर्ण कदम का प्रतीक है। "幸福福田" सार्वजनिक खाता समाचार के अनुसार, फु्टियन ने DeepSeek द्वारा विकसित AI स्मार्ट कर्मचारी लॉन्च किया है और फु्टियन प्रशासनिक बड़े मॉडल को संस्करण 2.0 में अपग्रेड किया है। ये "स्मार्ट कर्मचारी" न केवल DeepSeek की सामान्य क्षमताओं से लैस हैं, बल्कि विभिन्न विभागों के वास्तविक व्यावसायिक प्रक्रियाओं को भी व्यक्तिगत रूप से समायोजित किया गया है।

हाल ही में, मेटा रियलिटी लैब्स की शोध टीम ने 'पिप्पो' नामक एक अभिनव उत्पादन मॉडल का सफलतापूर्वक प्रस्तुतीकरण किया, जो किसी भी स्वच्छ रूप से खींची गई तस्वीर से 1K रिज़ॉल्यूशन का घनत्व पूर्ण वीडियो उत्पन्न कर सकता है। यह अत्याधुनिक तकनीक कंप्यूटर दृष्टि और छवि उत्पादन के क्षेत्र में एक और महत्वपूर्ण प्रगति को चिन्हित करती है। पिप्पो मॉडल का核心 इसके बहु-दृश्य फैलाव परिवर्तक की डिज़ाइन में है। पारंपरिक उत्पादन मॉडलों के विपरीत, पिप्पो को किसी भी अतिरिक्त इनपुट की आवश्यकता नहीं होती है, जैसे कि फिटिंग पैरामीटर।

गूगल DeepMind टीम ने आधिकारिक रूप से WebLI-100B डेटा सेट लॉन्च किया है, जो 1000 अरब चित्र - पाठ युग्मों का एक विशाल डेटा सेट है, जिसका उद्देश्य कृत्रिम बुद्धिमत्ता दृश्य भाषा मॉडल की सांस्कृतिक विविधता और बहुभाषिकता को बढ़ाना है। इस डेटा सेट के माध्यम से, शोधकर्ता विभिन्न संस्कृतियों और भाषा पर्यावरण में दृश्य भाषा मॉडल के प्रदर्शन में सुधार करने की आशा करते हैं, साथ ही विभिन्न उपसमूहों के बीच प्रदर्शन के अंतर को कम करने का प्रयास करते हैं, ताकि कृत्रिम बुद्धिमत्ता की समावेशिता बढ़ाई जा सके। दृश्य भाषा मॉडल (VLMs) को यह सीखने के लिए बड़े पैमाने पर डेटा सेट पर निर्भर रहना पड़ता है कि कैसे जोड़ना है।

कुनपुलन वानवे ने आज आधिकारिक रूप से अपना Matrix-Zero विश्व मॉडल लॉन्च किया, जो देश की पहली AI कंपनी है जो एक साथ 3D दृश्य उत्पादन और इंटरएक्टिव वीडियो निर्माण की क्षमता रखती है, जिससे यह स्पatial इंटेलिजेंस के क्षेत्र में महत्वपूर्ण प्रगति का प्रतीक बनता है। Matrix-Zero की मुख्य विशेषताओं में इसकी शक्तिशाली 3D दृश्य निर्माण क्षमता है। यह क्षमता उपयोगकर्ता द्वारा प्रदान की गई छवियों को वैश्विक सुसंगतता के साथ, स्वतंत्र रूप से अन्वेषण योग्य वास्तविक 3D दृश्य में परिवर्तित कर सकती है। यह अपार संभावनाओं वाली तकनीक निम्नलिखित प्रमुख विशेषताओं के साथ आती है: वैश्विक सुसंगतता: Matri

14 फ़रवरी 2025, कुनलुन वानवे समूह ने आधिकारिक रूप से Matrix-Zero विश्व मॉडल लॉन्च किया, जो चीन की स्पatial intelligence क्षेत्र में एक महत्वपूर्ण कदम का प्रतीक है। Matrix-Zero में दो उप-मॉडल शामिल हैं: 3D दृश्य जनरेशन बड़ा मॉडल और इंटरैक्टिव वीडियो जनरेशन बड़ा मॉडल, जिसका उद्देश्य AI तकनीक के माध्यम से डिजिटल कंटेंट निर्माण के तरीके को पुनः आकार देना और फिल्म निर्माण, गेम विकास, एम्बॉडेड इंटेलिजेंस जैसे उद्योगों में नवाचार को बढ़ावा देना है।

डौबाओ बड़े मॉडल टीम की आधिकारिक सार्वजनिक खाता जानकारी के अनुसार, बीजिंग जियाओटॉन्ग विश्वविद्यालय और चीन विज्ञान और प्रौद्योगिकी विश्वविद्यालय के संयुक्त अनुसंधान में, डौबाओ बड़े मॉडल टीम द्वारा पेश किया गया “VideoWorld” वीडियो जनरेशन प्रयोगात्मक मॉडल हाल ही में औपचारिक रूप से ओपन-सोर्स किया गया है। इस मॉडल की सबसे बड़ी विशेषता यह है कि यह पारंपरिक भाषा मॉडल पर निर्भर नहीं करता है, बल्कि केवल दृश्य जानकारी के माध्यम से दुनिया को पहचान और समझ सकता है। यह ब्रेकथ्रू अनुसंधान प्रेरणा प्रोफेसर ली फेई फेई के TED व्याख्यान में उल्लेखित “बच्चे बिना भाषा के असली दुनिया को समझ सकते हैं” के सिद्धांत से मिली है।

हाल ही में, Hugging Face ने Physical Intelligence के साथ मिलकर 'Pi0' (Pi-Zero) लॉन्च किया, यह प्राकृतिक भाषा के आदेशों को सीधे शारीरिक क्रियाओं में बदलने वाला पहला मौलिक मॉडल है। इस नवाचार ने व्यापक ध्यान आकर्षित किया, Hugging Face के मुख्य शोध वैज्ञानिक Remi Cadene ने सोशल मीडिया पर घोषणा की, 'Pi0 सबसे उन्नत दृश्य भाषा क्रिया मॉडल है, जो प्राकृतिक भाषा आदेशों को स्वायत्त व्यवहार में बदल सकता है।'

हाल ही में, OpenAI ने घोषणा की कि उसके कृत्रिम बुद्धिमत्ता चैट सहायक ChatGPT और WhatsApp का एकीकरण और अधिक विस्तारित किया गया है, जिसमें कई नई सुविधाएँ जोड़ी गई हैं, जिससे WhatsApp पर उपयोगकर्ताओं का अनुभव और भी समृद्ध हो गया है। अब, उपयोगकर्ता WhatsApp चैट के माध्यम से चित्र भेज सकते हैं, जिससे ChatGPT के उत्तरों को दृश्य संदर्भ प्रदान किया जा सकता है। यह सुविधा कई परिदृश्यों के लिए उपयोग की जा सकती है, जैसे पौधों की पहचान, चिह्नों का अनुवाद या फ्रिज में सामग्री की तस्वीर के आधार पर व्यंजनों की सिफारिश करना। इसके अलावा, Wha