हाल ही में, मॉडलर्स समुदाय (Modelers) ने आधिकारिक तौर पर स्टेप स्टार द्वारा विकसित Step-Video और Step-Audio दो ओपन सोर्स मल्टी-मॉडल मॉडल लॉन्च किए हैं। ये दो मॉडल क्रमशः वीडियो जेनरेशन और वॉयस इंटरैक्शन के लिए हैं, जिनका उद्देश्य डेवलपर्स और व्यावसायिक उपयोगकर्ताओं को अधिक शक्तिशाली AI उपकरण प्रदान करना है। Step-Video मॉडल का पूरा नाम Step-Video-T2V है, जो 300 बिलियन पैरामीटर्स वाला दुनिया का सबसे बड़ा ओपन सोर्स वीडियो जेनरेशन मॉडल है। यह मॉडल सीधे 20

फ्लाईपीग ने हाल ही में एक नया AI-पावर्ड ट्रैवल असिस्टेंट लॉन्च किया है जो ऑनलाइन ट्रैवल इंडस्ट्री में अपनी तरह का पहला मल्टी-मॉडल इंटेलिजेंट प्रोडक्ट है। यह असिस्टेंट उपयोगकर्ताओं को उनकी यात्रा की योजना बनाने में मदद करता है, जिसमें उड़ानें, होटल और गतिविधियाँ शामिल हैं।

माइक्रोसॉफ्ट ने हाल ही में अपना ओपन-सोर्स मल्टी-मॉडल एआई एजेंट, मैग्मा, जारी किया है। यह एजेंट खरीदारी और रोबोटिक्स ऑपरेशन जैसे क्षेत्रों में नए अनुभव प्रदान करने के लिए डिज़ाइन किया गया है। यह उपयोगकर्ताओं को अधिक सहज और प्रभावी तरीके से इन कार्यों को करने में मदद करता है।

वैश्विक डेवलपर्स का ध्यान फिर से चीन की ओर आकर्षित हुआ! अत्यधिक प्रतीक्षित वैश्विक डेवलपर सम्मेलन (जीडीसी) में, अली क्लाउड मोड समुदाय ने महत्वपूर्ण घोषणा की, कक्षास्कीन का नवीनतम ओपन-सोर्स मल्टी-मॉडल मॉडल पेश किया, जिसमें वैश्विक स्तर पर सबसे बड़े ओपन-सोर्स वीडियो जनरेशन मॉडल स्टेप-वीडियो-टी2वी, और उद्योग का पहला प्रोडक्ट-लेवल ओपन-सोर्स वॉयस इंटरएक्शन मॉडल स्टेप-ऑडियो शामिल है। यह समाचार तुरंत वैश्विक एआई ओपन-सोर्स समुदाय की हलचल पैदा कर दिया, जिससे यह फिर से चीन की कृत्रिम बुद्धिमत्ता क्षेत्र में मजबूत नवाचार क्षमता को उजागर करता है। चीन का सबसे बड़ा एआई

स्थानीय बड़े मॉडल DeepSeek ने पूरी तरह से नए Janus-Pro मल्टी-मॉडल बड़े मॉडल का अनावरण किया है, जो औपचारिक रूप से चित्र निर्माण के क्षेत्र में प्रवेश कर रहा है। यह कदम DeepSeek के मल्टी-मॉडल एआई तकनीक में एक महत्वपूर्ण प्रगति का प्रतीक है। GenEval और DPG-Bench मानक परीक्षणों में, Janus-Pro-7B ने न केवल OpenAI के DALL-E3 को हराया बल्कि Stable Diffusion, Emu3-Gen जैसे लोकप्रिय मॉडलों को भी पीछे छोड़ दिया। Janus-Pro MIT का उपयोग करता है।

चाँद की अंधी तरफ कंपनी ने अपने नए SOTA (state-of-the-art) मॉडल - k1.5 मल्टी-मॉडल सोच मॉडल का भव्य विमोचन किया, जो मल्टी-मॉडल रीजनिंग और सामान्य रीजनिंग क्षेत्र में महत्वपूर्ण प्रगति का प्रतीक है। यह मॉडल न केवल उत्कृष्ट मल्टी-मॉडल प्रोसेसिंग क्षमताओं से लैस है, बल्कि यह उत्कृष्ट सामान्य रीजनिंग क्षमताओं का प्रदर्शन भी करता है, जिससे यह विभिन्न जटिल कार्यों का सामना करने में सक्षम है। k1.5 मॉडल की सबसे बड़ी विशेषता इसकी मल्टी-मॉडल रीजनिंग क्षमता है। यह टेक्स्ट, इमेज, साउंड आदि अलग-अलग मॉडल से जानकारी को एक साथ प्रोसेस कर सकता है, जिससे यह अधिक व्यापक और सटीक जानकारी प्रदान करता है।

अलीबाबा दमो इन ने हाल ही में वैली2 नामक एक मल्टी-मॉडल बड़े भाषा मॉडल लॉन्च किया है, जो ई-कॉमर्स परिदृश्य के लिए डिजाइन किया गया है। इसका उद्देश्य दृश्य-भाषा आर्किटेक्चर के माध्यम से विभिन्न क्षेत्रों की कार्यक्षमता को बढ़ाना और ई-कॉमर्स तथा शॉर्ट वीडियो परिदृश्यों के अनुप्रयोग सीमाओं का विस्तार करना है। वैली2 ने LLM मुख्यधारा के रूप में क्वेन2.5 को अपनाया है, जिसमें SigLIP-384 दृश्य एन्कोडर के साथ MLP परत और संकुचन का मिलान कर प्रभावशाली विशेषताओं का परिवर्तन किया गया है।

राष्ट्रीय विद्युत ग्रिड कंपनी ने हाल ही में हमारे देश की बिजली उद्योग का पहला 100 बिलियन स्तर का कृत्रिम बुद्धिमत्ता बड़ा मॉडल - "ग्लोरीस पॉवर बड़ा मॉडल" पेश करने की घोषणा की, और बायडू समूह और अलीबाबा समूह के साथ रणनीतिक सहयोग फ्रेमवर्क समझौते पर हस्ताक्षर किए। अधिकारी ने कहा कि वे हस्ताक्षर करने वाले सभी पक्षों के साथ मिलकर ग्लोरीस पॉवर बड़े मॉडल का विकास करेंगे, और ऊर्जा बिजली प्रौद्योगिकी नवाचार और औद्योगिक नवाचार के एकीकरण विकास को बढ़ावा देंगे।

हाल ही में, इलिनोइस विश्वविद्यालय उर्बाना-शैंपेन, Sony AI और Sony समूह की शोध टीम ने MMAudio नामक एक नई तकनीक पेश की है, जिसका उद्देश्य मल्टी-मॉडल संयुक्त प्रशिक्षण के माध्यम से उच्च गुणवत्ता वाले वीडियो से ऑडियो सिंथेसिस को प्राप्त करना है। MMAudio का核心创新 इस क्षमता में निहित है कि यह वीडियो और टेक्स्ट इनपुट का उपयोग करके समन्वित ऑडियो उत्पन्न कर सकता है, जिससे ऑडियो जनरेशन के अनुप्रयोग परिदृश्य का विस्तार होता है, वीडियो या टेक्स्ट इनपुट का समर्थन किया जाता है, वीडियो सामग्री के अनुसार ऑडियो प्रभाव उत्पन्न करने के लिए। MMAudio का डिज़ाइन इसे

मार्केट रिसर्च फर्म Omdia की नवीनतम रिपोर्ट के अनुसार, वैश्विक जनरेटिव आर्टिफिशियल इंटेलिजेंस (एआई) बाजार अभी भी प्रारंभिक चरण में है, और आगामी पांच वर्षों में यह पांच गुना वृद्धि करने की उम्मीद है, 2024 में 14.6 अरब डॉलर से बढ़कर 2029 में 72.8 अरब डॉलर तक पहुँचेगा। इस बाजार की वृद्धि मुख्य रूप से उपभोक्ता, व्यावसायिक सेवाओं, खुदरा, मीडिया मनोरंजन और स्वास्थ्य देखभाल जैसे क्षेत्रों द्वारा प्रेरित है। चित्र स्रोत नोट: चित्र एआई द्वारा उत्पन्न किया गया, चित्र अधिकार सेवा प्रदाता Midjourney द्वारा उत्पन्न जनरेटिव एआई के अनुप्रयोग क्षेत्रों का निरंतर विस्तार हो रहा है, जिसमें मल्टी-मॉ

ऐमजॉन ने हाल ही में अपनी AWS re:Invent सम्मेलन में नई एआई बेस मॉडल की एक श्रृंखला की घोषणा की है, जो नई “नोवा” ब्रांड के तहत है। ये मॉडल ऐमजॉन बेडरॉक मॉडल लाइब्रेरी के हिस्से के रूप में उपलब्ध होंगे, जो कृत्रिम बुद्धिमत्ता के क्षेत्र में ऐमजॉन के और विकास का प्रतीक है। ऐमजॉन ने एक ब्लॉग पोस्ट में कहा कि अब तीन प्रकार के “समझने” वाले मॉडल उपलब्ध हैं: नोवा माइक्रो, जो गति और लागत अनुकूलन के लिए विशेष रूप से डिज़ाइन किया गया टेक्स्ट मॉडल है। नोवा लाइट, यह

आईएफेई कंपनी ने हाल ही में घोषणा की कि इसका नवीनतम विकसित आईएफेई स्टार फायर मल्टी-मॉडल इंटरएक्टिव बड़े मॉडल औपचारिक रूप से परिचालन में है। यह तकनीकी突破 आईएफेई के लिए एक नए चरण का प्रतीक है, जो एकल वॉयस इंटरैक्शन तकनीक से ऑडियो-वीडियो स्ट्रीम रीयल-टाइम मल्टी-मॉडल इंटरएक्शन की ओर बढ़ता है। नया मॉडल वॉयस, विज़न और डिजिटल इंसान इंटरएक्शन कार्यक्षमताओं का एकीकरण करता है, जिससे उपयोगकर्ता एक-बटन के माध्यम से तीनों का निर्बाध संयोजन कर सकते हैं।

जिज्ञान अनुसंधान संस्थान ने अपने नवीनतम मल्टी-मॉडल वर्ल्ड मॉडल Emu3 का आधिकारिक रूप से विमोचन किया, जिसमें इसकी सबसे बड़ी विशेषता यह है कि यह केवल अगले टोकन की भविष्यवाणी की क्षमता पर आधारित है, जो टेक्स्ट, इमेज और वीडियो जैसे तीन विभिन्न मोड में समझने और उत्पन्न करने में सक्षम है। इमेज जनरेशन के क्षेत्र में, Emu3 दृश्य टोकन की भविष्यवाणी के अनुसार उच्च गुणवत्ता वाली छवियों का निर्माण कर सकता है। इसका मतलब है कि उपयोगकर्ता लचीली रिज़ॉल्यूशन और विविध शैलियों की उम्मीद कर सकते हैं। जबकि वीडियो जनरेशन के मामले में, Emu3 पूरी तरह से नए तरीके से काम करता है, जो अन्य मॉडलों से भिन्न है।

Meta AI द्वारा प्रस्तुत नवीनतम SPIRIT-LM एक क्रांतिकारी मल्टी-मॉडल आधारभूत भाषा मॉडल है, जो टेक्स्ट और आवाज को स्वतंत्र रूप से मिश्रित कर सकता है और मानव की तरह भावनाओं को समझ और व्यक्त कर सकता है। SPIRIT-LM को पूर्व-प्रशिक्षित टेक्स्ट भाषा मॉडल के आधार पर बनाया गया है, जो टेक्स्ट और आवाज यूनिट पर लगातार प्रशिक्षण करके आवाज मोड में विस्तार करता है। यह मॉडल आवाज और टेक्स्ट अनुक्रमों को एकल टैग सेट में जोड़ता है, और एक छोटे स्वचालित प्रबंधित आवाज-टेक्स्ट समानांतर कॉर्पस का उपयोग करता है, जिसमें शब्द स्तर पर इंटरलेविंग विधि द्वारा किया जाता है।

हाल ही में जापान के टोक्यो में स्थित स्टार्टअप Rhymes AI ने अपना पहला आर्टिफिशियल इंटेलिजेंस मॉडल - Aria लॉन्च किया। कंपनी का दावा है कि Aria दुनिया का पहला ओपन-सोर्स मल्टी-मॉडल हाइब्रिड एक्सपर्ट (MoE) मॉडल है। यह मॉडल न केवल विभिन्न इनपुट मॉडलों को संभालने की क्षमता रखता है, बल्कि यह कुछ प्रख्यात व्यावसायिक मॉडलों के साथ प्रतिस्पर्धा कर सकता है, यहां तक कि उनसे बेहतर भी है। Aria का डिज़ाइन विचार यह है कि यह टेक्स्ट, कोड, चित्र और वीडियो जैसे विभिन्न इनपुट रूपों पर उत्कृष्ट समझ और संचालन क्षमता प्रदान कर सके। पारंपरिक

vivo ने आज 2024 vivo डेवलपर कconference के उद्घाटन भाषण में आधिकारिक रूप से नया ब्लू हार्ट बड़े मॉडल मैट्रिक्स लॉन्च किया। यह मैट्रिक्स भाषा बड़े मॉडल और एंड-साइड बड़े मॉडल क्षमताओं में व्यापक सुधार करता है, और vivo द्वारा विकसित आवाज बड़े मॉडल, इमेज बड़े मॉडल और मल्टी-मॉडल बड़े मॉडल को पेश करता है। जानकारी के अनुसार, नया ब्लू हार्ट बड़े मॉडल मैट्रिक्स भाषा बड़े मॉडल, एंड-साइड बड़े मॉडल, आवाज बड़े मॉडल, इमेज बड़े मॉडल और मल्टी-मॉडल बड़े मॉडल को शामिल करता है। इसमें, vivo ने नया 30 अरब ब्लू हार्ट एंड-साइड बड़े मॉडल 3B पेश किया है, जिसे आधिकारिक रूप से संवाद लेखन, सारांश सहित कहा जाता है,

आज, आईफ्लाईट ने घोषणा की कि 2024 आईफ्लाईट वैश्विक 1024 डेवेलपर महोत्सव 24 अक्टूबर को शुरू होने वाला है। इस सम्मेलन में, आईफ्लाईट अपने स्टारफायर बड़े मॉडल में गणित, कोड और लंबे पाठ प्रसंस्करण क्षमताओं में महत्वपूर्ण सुधार की घोषणा करेगा, जबकि चीनी और अंग्रेजी भाषा की समग्र क्षमताओं में भी अपना नेतृत्त्व बनाए रखेगा। साथ ही, आईफ्लाईट पहली बार मल्टी-मॉडल विजुअल इंटरएक्शन तकनीक और सुपर-मानव वर्चुअल इंटरएक्शन क्षमताओं को सार्वजनिक रूप से प्रदर्शित करेगा, ये नवीन तकनीकें और अधिक बुद्धिमान और मानव-केंद्रित मानव-मशीन इंटरएक्शन अनुभव बनाने के लिए डिज़ाइन की गई हैं, जिससे समस्त उपकरणों का बुद्धिमान नेटवर्क आगे बढ़ेगा।

कृत्रिम बुद्धिमत्ता के विशाल महासागर में, Emu3 नामक एक नवोन्मेषी जहाज लहरों को काटते हुए हमारे समक्ष मल्टी-मॉडल एआई की अनंत संभावनाओं को प्रस्तुत कर रहा है। यह मॉडल, जिसे Meta AI अनुसंधान टीम ने विकसित किया है, साधारण लेकिन चतुर अगला शब्द पूर्वानुमान तंत्र के माध्यम से पाठ, चित्र और वीडियो के एकीकृत प्रसंस्करण को संभव बनाता है। Emu3 का मुख्य विचार विभिन्न सामग्रियों को विषम प्रतीकों में परिवर्तित करना है, और फिर एकल Transformer मॉडल का उपयोग करके अगले प्रतीक की भविष्यवाणी करना है। यह विधि न केवल मॉडल संरचना को सरल बनाती है, बल्कि Emu3 को कई

चीन की आर्टिफिशियल इंटेलिजेंस क्षेत्र की प्रसिद्ध कंपनी यूनज़िशेंग ने 2024 के 23 अगस्त को बीजिंग में अपने नवीनतम अनुसंधान成果 - शानहाई मल्टी-मॉडल बड़ा मॉडल की घोषणा की। शानहाई मल्टी-मॉडल बड़ा मॉडल यूनज़िशेंग एटलस आर्टिफिशियल इंटेलिजेंस बुनियादी ढांचे का एक हिस्सा है, जो पाठ, ऑडियो, चित्र आदि जैसे कई मॉडलों के इनपुट को प्राप्त और संसाधित कर सकता है, और वास्तविक समय में टेक्स्ट, ऑडियो और चित्रों के किसी भी संयोजन का आउटपुट उत्पन्न कर सकता है। यह क्षमता शानहाई मॉडल को न केवल कुशल वॉयस इंटरएक्शन करने में सक्षम बनाती है, बल्कि यह मानव स्वाभाविक संवाद के करीब एक निर्बाध अनुभव भी प्रदान करती है।

Salesforce ने xGen-MM नामक ओपन-सोर्स मल्टी-मॉडल AI मॉडल जारी किया, जिसका उद्देश्य एक साथ टेक्स्ट, इमेज और अन्य प्रकार के डेटा को समझना और उत्पन्न करना है, जो AI अनुसंधान और अनुप्रयोग के तरीकों को महत्वपूर्ण रूप से बदलता है। यह मॉडल कई बेंचमार्क परीक्षणों में उत्कृष्ट प्रदर्शन करता है और समान ओपन-सोर्स मॉडलों की तुलना में संतोषजनक प्रदर्शन करता है, जिसमें प्री-ट्रेन्ड मॉडल, डेटा सेट और फाइन-ट्यूनिंग कोड शामिल हैं। सबसे बड़े मॉडल में 40 अरब पैरामीटर हैं, जो 'क्रॉस डेटा' को संसाधित करने में सक्षम है, और एक साथ कई कार्यों को निष्पादित करता है, जैसे कई छवियों के विषय में प्रश्नों का उत्तर देना। मॉडल का विविधीकरण AI की संभावनाओं को दर्शाता है।