ओविस2 अलीबाबा के अंतरराष्ट्रीयकरण टीम द्वारा प्रस्तुत ओविस सीरीज़ मॉडल का नवीनतम संस्करण है। पूर्व के 1.6 संस्करण की तुलना में, ओविस2 डेटा निर्माण और प्रशिक्षण विधियों में महत्वपूर्ण सुधार करता है। यह न केवल छोटे पैमाने के मॉडल की क्षमता घनत्व को मजबूत करता है, बल्कि निर्देश सूक्ष्मता और प्राथमिकता अध्ययन के माध्यम से सोच श्रृंखला (CoT) तर्क क्षमता में भी काफी वृद्धि प्रदान करता है। इसके अतिरिक्त, ओविस2 वीडियो और बहु-चित्र प्रसंस्करण की क्षमताओं को पेश करता है और बहुभाषी क्षमताओं एवं जटिल परिदृश्यों में OCR क्षमताओं को बढ़ाता है, जो मॉडल की व्यावहारिकता को महत्वपूर्ण रूप से बढ़ाता है।

हाल ही में, माइक्रोसॉफ्ट रिसर्च ने वाशिंगटन विश्वविद्यालय, स्टैनफोर्ड विश्वविद्यालय, दक्षिणी कैलिफोर्निया विश्वविद्यालय, कैलिफोर्निया विश्वविद्यालय डेविस कैंपस और कैलिफोर्निया विश्वविद्यालय सैन फ्रांसिस्को के शोधकर्ताओं के साथ मिलकर LLaVA-Rad का शुभारंभ किया, जो एक नए प्रकार का छोटा मल्टी-मोडल मॉडल (SMM) है। इसका उद्देश्य नैदानिक रेडियोलॉजी रिपोर्ट बनाने की दक्षता को बढ़ाना है। इस मॉडल का लॉन्च न केवल चिकित्सा छवि प्रसंस्करण तकनीक में एक बड़ी प्रगति का प्रतीक है, बल्कि रेडियोलॉजी के नैदानिक अनुप्रयोगों के लिए और अधिक संभावनाओं को लाता है। बायोमेडिकल क्षेत्र में, बड़े पैमाने पर आधारभूत मॉडल पर आधारित शोध पहले से ही विकसित हो चुका है।

हाल ही में, अलीबाबा ने एआई क्षेत्र में एक महत्वपूर्ण व्यक्ति का स्वागत किया है। उद्योग के सूत्रों के अनुसार, एक विश्व स्तरीय प्रमुख कृत्रिम बुद्धिमत्ता वैज्ञानिक हाल ही में अलीबाबा में आधिकारिक तौर पर शामिल हुए हैं, जो भविष्य में एआई टू सी व्यवसाय के लिए बुनियादी बड़े मॉडल के विकास और अनुप्रयोग पर ध्यान केंद्रित कर सकते हैं। इस वैज्ञानिक के पास उद्योग और अकादमी दोनों में 20 से अधिक वर्षों का अनुभव है, विशेष रूप से मल्टी-मोडल एआई क्षेत्र में उनके कई सफलताएँ हैं, और उन्होंने सैकड़ों शीर्ष बड़े मॉडल पेपर प्रकाशित करने में नेतृत्व किया है।

हाल ही में, बीजिंग युएज़ि दार्क साइड टेक्नोलॉजी कं, लि. ने घोषणा की कि इसके स्मार्ट सहायक Kimi को एक महत्वपूर्ण तकनीकी उन्नति मिली है, जो कि नए k1.5 मल्टी-मोडल सोच मॉडल का विमोचन कर रहा है। यह मॉडल मल्टी-मोडल निष्कर्षण और सामान्य निष्कर्षण क्षमताओं में उद्योग स्तर पर अग्रणी है, जो Kimi के लिए आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक और महत्वपूर्ण विकास का प्रतीक है।

हाल ही में, झेजियांग विश्वविद्यालय और अलीबाबा दमोउ院 ने एक उल्लेखनीय अध्ययन जारी किया है, जिसका उद्देश्य शिक्षण वीडियो के माध्यम से उच्च गुणवत्ता वाली मल्टी-मोडल पाठ्यपुस्तक बनाना है। यह नवोन्मेषी अनुसंधान परिणाम न केवल विशाल भाषा मॉडल (VLMs) के प्रशिक्षण के लिए नई दृष्टियां प्रदान करता है, बल्कि यह शैक्षिक संसाधनों के उपयोग के तरीके को भी बदल सकता है। आर्टिफिशियल इंटेलिजेंस तकनीक के तेजी से विकास के साथ, VLMs का पूर्व-प्रशिक्षण डेटा मुख्य रूप से चित्र-लेख डेटा और चित्र-लेख मिश्रित डेटा पर निर्भर करता है। हालाँकि, वर्तमान डेटा ज्यादातर वेब से आता है, जिसमें पाठ और चित्रों के बीच संबंध कम होता है, और ज्ञान घनत्व भी अपेक्षाकृत कम है।

हाल के वर्षों में, कृत्रिम बुद्धिमत्ता तकनीक में उल्लेखनीय प्रगति हुई है, लेकिन कंप्यूटेशनल दक्षता और बहुआयामीता के बीच समसामयिक चुनौतियाँ अभी भी मौजूद हैं। कई उन्नत मल्टी-मोडल मॉडल, जैसे GPT-4, आमतौर पर बड़े पैमाने पर कंप्यूटेशनल संसाधनों की आवश्यकता होती है, जिससे उनका उच्च अंत सर्वरों पर उपयोग सीमित हो जाता है, और स्मार्ट तकनीकों को स्मार्टफोन और टैबलेट जैसे किनारे के उपकरणों पर प्रभावी ढंग से उपयोग में लाने में कठिनाइयाँ उत्पन्न होती हैं। इसके अलावा, रीयल-टाइम वीडियो विश्लेषण या वॉयस-टू-टेक्स्ट जैसे कार्यों को संसाधित करना तकनीकी बाधाओं का सामना कर रहा है, जिससे सीमित हार्डवेयर परिस्थितियों में निर्बाध रूप से काम करने के लिए प्रभावी और लचीले एआई मॉडल की आवश्यकता को रेखांकित किया गया है।

शंघाई स्टेप-स्टार इंटेलिजेंट टेक्नोलॉजी कंपनी लिमिटेड और चीन की प्रसिद्ध चाय पेय ब्रांड चायबाईडाओ ने 14 जनवरी 2025 को गहरे सहयोग की घोषणा की। इस सहयोग का उद्देश्य स्टेप-स्टार के बड़े मॉडल तकनीक का उपयोग करके स्मार्ट निरीक्षण और AIGC विपणन के नए मॉडल का सामूहिक अन्वेषण करना है, ताकि नए डिजिटल स्टोर उत्पादन संचालन के तरीके को विकसित किया जा सके, उपभोक्ताओं को एक सुरक्षित, स्मार्ट और दिलचस्प चाय के अनुभव प्रदान किया जा सके।

मल्टी-मोडल बड़े भाषा मॉडल (MLLMs) के प्रोत्साहन के तहत, चित्र और वीडियो से संबंधित कार्यों में क्रांतिकारी प्रगति हुई है, जिसमें दृश्य प्रश्न उत्तर, वर्णन उत्पन्न करना और इंटरएक्टिव संपादन शामिल हैं। हालांकि, बारीकी से वीडियो सामग्री की समझ प्राप्त करना अभी भी महत्वपूर्ण चुनौतियों का सामना करता है। यह चुनौती पिक्सेल स्तर पर विभाजन, भाषा वर्णन के साथ ट्रैकिंग, और विशेष वीडियो संकेतों पर दृश्य प्रश्न उत्तर जैसे कार्यों को शामिल करती है। वर्तमान में सबसे उन्नत वीडियो संवेदन मॉडल विभाजन और ट्रैकिंग कार्यों में उत्कृष्टता प्रदर्शित करते हैं, लेकिन वे खुले भाषा समझ और संवाद क्षमताओं में अभी भी पिछड़ते हैं।

हाल ही में, पूर्व माइक्रोसॉफ्ट एशिया अनुसंधान संस्थान के दृष्टि गणना समूह के मुख्य शोधकर्ता हू हान ने आधिकारिक रूप से टेन cents में शामिल होकर होंग्वान मल्टी-मोडल बड़े मॉडल के विकास कार्य की जिम्मेदारी ली है। यह खबर उद्योग में व्यापक ध्यान आकर्षित कर रही है, और हू हान का योगदान टेन cents के कृत्रिम बुद्धिमत्ता के事业 में नए प्राण डालने की उम्मीद की जा रही है। हू हान ने 2008 में तिन्हुआ विश्वविद्यालय से स्नातक की डिग्री प्राप्त की, 2014 में डॉक्टरेट की डिग्री हासिल की, और प्रसिद्ध प्रोफेसर झोउ जिए से मार्गदर्शन लिया। उनकी डॉक्टरेट थीसिस ने 2016 में चीन कृत्रिम बुद्धिमत्ता समाज का उत्कृष्ट डॉक्टरेट थीसिस पुरस्कार जीता, जो उनकी शैक्षणिक योग्यता को दर्शाता है। 2012 में, हू हान

पूर्व माइक्रोसॉफ्ट एशिया रिसर्च इंस्टीट्यूट के विज़न कंप्यूटिंग ग्रुप के प्रमुख शोधकर्ता हु हान ने आधिकारिक रूप से टेनसेंट में शामिल होकर पूर्व टेनसेंट हाइब्रिड बड़े मॉडल तकनीकी प्रमुख लियू वेई का स्थान लिया है, और मल्टी-मोडल बड़े मॉडल के विकास का कार्य संभाला है। यह समाचार उद्योग में व्यापक ध्यान आकर्षित कर रहा है। हु हान की शैक्षणिक पृष्ठभूमि बहुत मजबूत है। 2008 में, उन्होंने त्सिंगhua विश्वविद्यालय से स्नातक डिग्री प्राप्त की, और 2014 में उन्होंने प्रसिद्ध प्रोफेसर झोउ जिया के अधीन डॉक्टरेट की डिग्री प्राप्त की। उनके डॉक्टरेट अनुसंधान पत्र को 2016 में चीनी कृत्रिम बुद्धिमत्ता संघ द्वारा उत्कृष्ट डॉक्टरेट शोध पत्र पुरस्कार से सम्मानित किया गया था। 2012 में, हु हान ने पेंसिल्वेनिया विश्वविद्यालय में इंटरनशिप की।

पेशेवर वातावरण में, ग्राफिकल यूज़र इंटरफ़ेस (GUI) एजेंट तीन प्रमुख चुनौतियों का सामना करते हैं। पहले, पेशेवर अनुप्रयोगों की जटिलता सामान्य सॉफ़्टवेयर से कहीं अधिक होती है, जो जटिल लेआउट की गहरी समझ की मांग करती है; दूसरे, पेशेवर उपकरण अक्सर उच्च रिज़ॉल्यूशन में होते हैं, जिससे लक्ष्यों का आकार छोटा होता है, जिससे स्थान निर्धारण की सटीकता घटती है; अंततः, कार्यप्रवाह अक्सर अतिरिक्त उपकरणों और दस्तावेज़ों पर निर्भर करता है, जिससे संचालन की जटिलता बढ़ जाती है। ये चुनौतियाँ इन कठोर परिदृश्यों में GUI एजेंटों के प्रदर्शन को बढ़ाने के लिए अधिक उन्नत मानक और समाधान विकसित करने की आवश्यकता को उजागर करती हैं। वर्तमान में

30 दिसंबर को, अलीबाबा ने नई पीढ़ी का एआई दृष्टि खोज उत्पाद 'एक बार देखो' प्रस्तुत किया, जो स्व-विकसित मल्टी-मोडल बड़े मॉडल तकनीक पर आधारित है, जो 'एआई की आंखों से सभी चीजों की खोज' करने की क्षमता प्रदान करता है। यह तेज, उपयोगी और मनोरंजक जनरेटिव खोज सेवाएं प्रदान करता है। जब उपयोगकर्ता किसी चीज़ में रुचि रखते हैं, तो वे अपने कैमरे के माध्यम से एआई को फूलों, पौधों, पालतू जानवरों और ट्रेंडिंग खिलौनों की पहचान करने, यात्रा करते समय निजी व्याख्या करने, और उत्पादों और दवाओं की जानकारी की जांच करने के लिए कह सकते हैं। यह प्यारे पालतू फोटोज़ और बेबी फोटोज़ की मजेदार व्याख्या भी कर सकता है, इसलिए उपयोगकर्ता तस्वीरों के साथ सामग्री बनाने की चिंता नहीं करेंगे। यह उत्पाद अब अलीबाबा पर लॉन्च किया गया है, और होमपेज पर 'स्कैन करने' के बाद बाईं ओर स्वाइप करके इसे पाया जा सकता है।

Qwen टीम ने हाल ही में अपने नवीनतम विकसित मल्टी-मोडल इंफरेंस मॉडल QVQ को ओपन-सोर्स करने की घोषणा की है, जो कृत्रिम बुद्धिमत्ता के दृश्य समझ और जटिल समस्या-समाधान क्षमताओं में महत्वपूर्ण कदम के रूप में काम करता है। यह मॉडल Qwen2-VL-72B पर आधारित है, जिसका उद्देश्य भाषा और दृश्य जानकारी को जोड़कर AI की विवेचनात्मक क्षमताओं को बढ़ाना है। MMMU परीक्षण में, QVQ ने 70.3 का उच्च स्कोर प्राप्त किया, और कई गणितीय संबंधित मानक परीक्षणों में Qwen2-VL-72B-Instruct की तुलना में महत्वपूर्ण प्रदर्शन में सुधार दिखाया।

'AI की माता' के रूप में मशहूर स्टैनफोर्ड विश्वविद्यालय की प्रोफेसर ली फेई फेई और उनकी टीम ने हाल ही में मल्टी-मोडल बड़े मॉडल 'स्पेस इंटेलिजेंस' पर एक शोध प्रकाशित किया, जो दिखाती है कि ये मॉडल स्थलों की स्मृति और अनुभव की दृष्टि में प्राथमिक क्षमताएं दिखाते हैं, और स्थानीय विश्व मॉडल बनाने की क्षमता प्रकट करते हैं। शोध टीम ने दृश्य स्थान बुद्धिमत्ता क्षमताओं का मूल्यांकन करने के लिए वीएसआई-बेंच नामक टूल विकसित किया है, जिसमें 288 वास्तविक वीडियो पर आधारित 5000 से अधिक उच्च गुणवत्ता वाले प्रश्न-उत्तर युग्म शामिल हैं। परीक्षण वीडियो में निवास स्थान, पेशेवर स्थल और औद्योगिक परिदृश्य शामिल हैं, जो कई भूगोलों को छूते हैं।

स्मार्ट इमरजेंस की रिपोर्ट के अनुसार, चीन के बड़े मॉडल यूनिकॉर्न स्टेप स्टार ने हाल ही में अरबों डॉलर की सीरीज़ बी फंडिंग पूरी की है, जिसकी मुख्य निवेशक शंघाई राज्य स्वामित्व वाली पूंजी निवेश कंपनी और इसके अधीनस्थ फंड हैं। टेनसेंट इन्वेस्टमेंट, वुयुआन कैपिटल, और क्यूमिंग वेंचर कैपिटल जैसे रणनीतिक और वित्तीय निवेशक भी इसमें शामिल हैं। ये धन मुख्य रूप से बुनियादी मॉडल विकास में उपयोग किया जाएगा, मल्टी-मोडल और जटिल तर्क क्षमताओं को और बढ़ाने के लिए, और कंज्यूमर-एंड एप्लिकेशन दृश्यों का विस्तार करने के लिए। घरेलू बड़े मॉडल 'छह छोटे बाघों' में से एक के रूप में, स्टेप स्टार तकनीकी मजबूती और उच्च कुशल उत्पादन के लिए जाना जाता है। इसकी स्व-विकसित स्टेप सीरीज मॉडल भाषा, चित्र आदि को शामिल करती है।

अलीबाबा क्लाउड बैरलियन बड़े मॉडल सेवा मंच ने हाल ही में "ऑडियो-वीडियो रियल-टाइम इंटरैक्शन" सुविधा शुरू की है, जिससे उपयोगकर्ता बिना किसी प्रोग्रामिंग ज्ञान के मल्टी-मोडल AI अनुप्रयोग आसानी से बना सकते हैं। यह नई सुविधा उपयोगकर्ताओं को वेब, iOS और एंड्रॉइड अनुप्रयोगों में तेजी से AI मॉडलों को एकीकृत करने और दूसरों के साथ साझा करने की अनुमति देती है। उपयोगकर्ता स्मार्ट एजेंट अनुप्रयोग बनाने के लिए साधारण चरणों का पालन कर सकते हैं: सबसे पहले एक नया स्मार्ट एजेंट अनुप्रयोग बनाएं, फिर अलीबाबा क्लाउड बैरलियन मंच पर आवश्यक पाठ, आवाज या दृश्य समझ के बड़े मॉडलों को चुनें और कॉन्फ़िगर करें। मंच 200 से अधिक बड़े मॉडलों की पेशकश करता है, जिसमें

गूगल क्लाउड ने हाल ही में एक ट्रेंड रिपोर्ट जारी की, जिसमें कहा गया कि 2025 में कॉर्पोरेशन एआई के व्यापक उपयोग के नए युग में प्रवेश करेंगे, एआई एजेंट, मल्टी-मोडल एआई और कॉर्पोरेट सर्च मुख्य धारा के रुझान बनेंगे। रिपोर्ट में उल्लेख किया गया है कि 2024 एआई प्रयोग की अवधि है, जबकि 2025 एआई के बड़े पैमाने पर उपयोग का महत्वपूर्ण वर्ष होगा। चित्र स्रोत नोट: चित्र एआई द्वारा उत्पन्न, चित्र अधिकार सेवा प्रदाता मिडजर्नी द्वारा। भविष्य में, एआई एजेंट व्यापक रूप से कॉर्पोरेट वातावरण में शामिल होंगे, जटिल बहु-चरणीय कार्यों को निष्पादित करने के लिए जिम्मेदार होंगे।

एआई एप्लिकेशन निर्माण मंच बटन कोज़ ने ज्वालामुखी इंजन FORCE शक्ति सम्मेलन में अपने नए संस्करण——बटन 1.5 का अनावरण किया। यह अपडेट बटन मंच को एआई एप्लिकेशन विकास के क्षेत्र में एक महत्वपूर्ण कदम के रूप में दर्शाता है, जिसका लक्ष्य उपयोगकर्ताओं को एक और अधिक शक्तिशाली और सुविधाजनक विकास वातावरण प्रदान करना है। बटन 1.5 संस्करण की मुख्य खासियत इसकी जीयूआई (ग्राफिकल यूज़र इंटरफेस) निर्माण इंटरफ़ेस का समर्थन करना है, और यह एक क्लिक के साथ लघु कार्यक्रम, एच5, एपीआई आदि जैसे कई एप्लिकेशन रूपों में प्रकाशित कर सकता है। यह सुविधा सुनिश्चित करती है कि चाहे उपयोगकर्ता के पास प्रोग्रामिंग का ज्ञान हो या न हो, वे तेज़ी से बड़े डेटा पर आधारित अनुप्रयोग बना सकें।

कृत्रिम बुद्धिमत्ता के तेजी से विकास के साथ, दृश्य और भाषा क्षमताओं का एकीकरण दृश्य भाषा मॉडलों (VLMs) में महत्वपूर्ण प्रगति का कारण बना है। ये मॉडल दृश्य और पाठ डेटा को एक साथ संसाधित और समझने के लिए डिज़ाइन किए गए हैं, और छवि विवरण, दृश्य प्रश्नोत्तर, ऑप्टिकल कैरेक्टर पहचान और मल्टी-मोडल सामग्री विश्लेषण जैसे क्षेत्रों में व्यापक रूप से उपयोग किए जाते हैं। VLMs स्वतंत्र प्रणालियों के विकास, मानव-मशीन इंटरैक्शन को बढ़ावा देने और कुशल दस्तावेज़ प्रसंस्करण उपकरणों में महत्वपूर्ण भूमिका निभाते हैं, और सफलतापूर्वक इन दो डेटा मोड के बीच की खाई को पाटते हैं। हालाँकि, उच्च-रिज़ॉल्यूशन दृश्य डेटा और विविध पाठ इनपुट के प्रसंस्करण में

Twelve Labs ने एक नवोन्मेषी AI प्रौद्योगिकी का विकास किया है, जो वीडियो सामग्री का विश्लेषण और खोज कर सकती है। उपयोगकर्ता विशेष सामग्री के माध्यम से खोज कर सकते हैं, जैसे "लाल शर्ट पहनने वाला व्यक्ति कब रेस्तरां में प्रवेश करता है", और वीडियो क्लिप का स्वचालित सारांश भी प्राप्त कर सकते हैं। यह तकनीक Nvidia, Samsung और Intel जैसे प्रमुख निवेशकों का ध्यान आकर्षित कर चुकी है। मौजूदा प्रौद्योगिकियों जैसे Google के Gemini की तुलना में, Twelve Labs का सबसे बड़ा लाभ इसकी अत्यधिक अनुकूलनशीलता है, जहां ग्राहक अपने डेटा का उपयोग करके मॉडल को प्रशिक्षित कर सकते हैं।