15 जनवरी 2025 को, बीजिंग चाँद के अंधेरे पक्ष प्रौद्योगिकी कंपनी ने नया बहु-मॉडल चित्र समझने वाला मॉडल moonshot-v1-vision-preview आधिकारिक रूप से प्रकाशित किया, जो moonshot-v1 मॉडल श्रृंखला की बहु-मॉडल क्षमताओं को पूरा करता है और Kimi को दुनिया को बेहतर समझने में मदद करता है। विज़न मॉडल में शक्तिशाली चित्र पहचानने की क्षमता है, यह चित्र में जटिल विवरणों और सूक्ष्म अंतरों को सटीक रूप से पहचान सकता है, चाहे वह खाना हो या जानवर, यह समान लेकिन भिन्न वस्तुओं में अंतर कर सकता है। उदाहरण के लिए, 16

सेब और स्विट्ज़रलैंड की लॉज़ेन फेडरल इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने 4M-21 नामक एक बड़े पैमाने के मल्टी-मोडल विज़न मॉडल को संयुक्त रूप से ओपन-सोर्स किया है। 4M-21 अन्य विशिष्ट कार्यों या डेटा प्रकारों के लिए अनुकूलित मॉडलों से अलग है, जो व्यापक सामान्यता और लचीलापन प्रदान करता है। हालांकि इसमें केवल 30 अरब पैमाने हैं, लेकिन यह छवि वर्गीकरण, वस्तु पहचान, अर्थपूर्ण विभाजन, उदाहरण विभाजन, गहराई का अनुमान, सतह सामान्य का अनुमान जैसे दर्जनों कार्यों को प्रदान कर सकता है।

ऐप्पल और स्विस फेडरल इंस्टीट्यूट ऑफ टेक्नोलॉजी (EPFL) के शोधकर्ताओं ने एक ऐसी एकल मॉडल विकसित की है जो किसी भी मोडालिटी से किसी भी मोडालिटी में जाती है, जिसे दर्जनों अत्यधिक विविध मोडालिटी पर प्रशिक्षित किया जा सकता है और बड़े पैमाने पर मल्टीमॉडल डेटा सेट और पाठ कॉर्पस के साथ सह-प्रशिक्षण किया जा सकता है। इस मॉडल का नाम 4M-21 रखा गया है, जो 21 विभिन्न मोडालिटी पर प्रशिक्षित है, जो मौजूदा मॉडलों की तुलना में कम से कम 3 गुना अधिक कार्य पूरा करता है और प्रदर्शन को भी नहीं खोता है।