アリババは最近、QVQ-72Bという新しい多モーダル推論モデルを発表しました。このモデルはQwen2-VL-72Bをベースに構築されており、強力な言語能力と視覚能力を融合することで、より複雑な推論と分析タスクを処理できます。これは、アリババが多モーダルAI分野で新たなブレークスルーを達成したことを意味します。QVQ-72Bは、視覚推論、数学、科学の問題において顕著な性能向上を示しており、特に複数ステップの推論タスクにおいてその能力を発揮します。つまり、このモデルはテキスト情報だけでなく、画像情報も理解し、複数ステップを経て処理できるということです。

「AIの母」として知られるスタンフォード大学の李飛飛教授と彼女のチームは、多モーダル大規模モデルの「空間知能」に関する研究を発表しました。この研究は、これらのモデルが空間に関する記憶と想起において初期段階の能力を備えており、局所的な世界モデルを形成する可能性を示しています。研究チームは、視覚空間知能を評価するためのツールであるVSI-Benchを開発しました。VSI-Benchには、288本の現実世界のビデオに基づいた5000以上の高品質な質疑応答ペアが含まれています。テストビデオは、居住空間、専門的な場所、工業現場など、複数の地理的な場所を網羅しています。

9月26日、インテリジェントロボット企業の蔚蓝科技は、新しい4足歩行ロボットBabyAlpha A2を発表しました。その多モーダルインタラクション機能と手頃な価格で、中国のスマートホーム市場に旋風を巻き起こしています。BabyAlpha A2は、愛らしいデザインのスマートパートナーであるだけでなく、家庭用スマート化の先駆けでもあります。中国で初めて多モーダルインタラクション機能を搭載したAI搭載4足歩行ロボットとして、1万元を切る価格で、一般家庭にスマートな生活への扉を開きました。このロボットは、パーソナライズされた機能など、多くの先進機能を搭載しています。

最近、Molmoというオープンソースの多モーダルAIモデルが業界で大きな注目を集めています。OpenAIのCLIPをビジョン処理エンジンとして使用し、Qwen2-72BをベースとしたこのAIシステムは、その優れた性能と革新的な機能で、従来の商用モデルの覇権に挑戦しています。Molmoの顕著な特徴はその高い性能です。比較的サイズが小さいにもかかわらず、処理能力は10倍規模の競合他社に匹敵します。この小さくても強力な設計思想は、モデルの効率性を高めることに貢献しています。