мультимодальность

ByteDance продвинула ИИ-видео с Seedance 2.0

ByteDance представила Seedance 2.0 — продвинутую мультимодальную модель для генерации видео длиной 4–15 секунд с аудио. Она использует референсы из видео для контроля камеры и редактирования, но пока доступна только в бета-версии. Выпуск усилил конкуренцию в Китае, подняв акции ИИ-компаний.

9 февраля 2026 г.

Kling 3.0: шаг к реальным ИИ-видео

Китайская Kling выпустила видео-модель 3.0 с улучшениями в стабильности видео, аудио и генерации 4K-изображений. Это универсальный инструмент для творчества с клипами до 15 секунд и многосценными съёмками. Ранний доступ открыт для Ultra-подписчиков, а обзор уже есть на YouTube.

1 мин

4 февраля 2026 г.

ИИ-модели проваливают задачи для малышей

Новое исследование BabyVision показывает: топовые ИИ-модели вроде Gemini-3-Pro-Preview сильно отстают от людей в базовых визуальных задачах, которые малыши осваивают первыми. Большинство ИИ уступает даже трехлеткам из-за проблем с обработкой геометрии без слов. Бенчмарк поможет отслеживать путь к настоящему визуальному мышлению.

18 января 2026 г.

UniCorn лечит «афазию» у ИИ-моделей

Китайские ученые диагностировали у мультимодальных ИИ-моделей разрыв между пониманием и генерацией изображений, похожий на афазию, и разработали фреймворк UniCorn для его устранения. Модель делится на роли предлагающего, решателя и судьи, что позволяет самоулучшаться без внешних данных. Тесты показывают рост на сложных задачах, хотя отрицания и подсчет остаются проблемой.

11 января 2026 г.

Google выпустил Gemini 3 Flash как основной в Gemini

Google выпустил быструю модель Gemini 3 Flash, сделав её основной в приложении Gemini и поиске. Она лидирует на бенчмарках вроде MMMU-Pro и Humanity’s Last Exam, подходит для мультимодальных задач. Бизнес и разработчики уже используют её, а цены остаются выгодными несмотря на рост.

17 декабря 2025 г.

OpenAI закроет API к GPT-4o в феврале 2026

OpenAI прекращает доступ к чат-версии модели GPT-4o через API 16 февраля 2026 года, давая три месяца на переход. Модель остается в ChatGPT, но пользователи все еще привязаны к ней из-за эмоциональной связи и удобства. Разработчикам рекомендуют GPT-5.1 с лучшими характеристиками и ценами.

6 мин

14 декабря 2025 г.

Fal привлекла $140 млн и утроила оценку до $4,5 млрд

Fal, платформа для мульти-модальных моделей ИИ, привлекла $140 млн в раунде серии D под руководством Sequoia, при участии Kleiner Perkins, Nvidia и других инвесторов. Оценка компании выросла до $4,5 млрд, а с учетом вторичных сделок общий объем раунда достиг примерно $250 млн; выручка Fal уже превысила $200 млн, среди клиентов — Adobe, Shopify, Canva и Quora.

1 мин

10 декабря 2025 г.

Seed2.0 от Bytedance усиливает давление на западные ИИ

Bytedance выпустила серию Seed2.0, которая конкурирует с топовыми западными ИИ-моделями по тестам, но стоит в разы дешевле. Модели сильны в мультимодальной обработке и олимпиадах, хотя уступают в некоторых задачах. API уже доступен через Doubao и Volcano Engine.

14 февраля 2026 г.

Мультимодальные ИИ не дотягивают до 50% в распознавании

Бенчмарк WorldVQA от Moonshot AI выявил, что топовые мультимодальные модели вроде Gemini 3 Pro (47,4%) и Kimi K2.5 (46,3%) не достигают 50% в точном распознавании визуальных объектов. Модели переоценивают свою уверенность и слабы в редких знаниях о природе и культуре. Это ограничивает их применение в реальных задачах и подчеркивает риски галлюцинаций.

8 февраля 2026 г.

Ernie 5.0: лучшая китайская модель в LMArena

Ernie 5.0 от Baidu с 2,4 трлн параметров возглавила рейтинг китайских моделей в LMArena, заняв 8-е место в мире и обойдя Gemini 2.5 Pro с Claude Sonnet 4.5. В математике она вторые в глобальном зачёте. Модель на mixture-of-experts доступна только на сайте Baidu без открытых весов.

2 мин

24 января 2026 г.

TranslateGemma: перевод 55 языков на устройствах

Google выпустил TranslateGemma — открытые модели для перевода 55 языков, которые работают на смартфонах, ноутбуках и серверах. Компактная 12B-версия обходит более крупные по качеству благодаря специальному обучению. Модели сохраняют мультимодальность и доступны для скачивания.

15 января 2026 г.

Lightricks открыл LTX-2 — видео с ИИ быстрее Sora

Израильская Lightricks открыла код модели LTX-2 с 19 миллиардами параметров для генерации видео со звуком по тексту. Она быстрее аналогов вроде Sora и Veo, выдаёт до 20 секунд в 4K и использует асимметричную архитектуру. Релиз включает код, адаптеры и демо, подчёркивая важность открытости против закрытых API.

11 января 2026 г.

Статьи

Обзор Hailuo AI: видео из фото и промптов

Hailuo AI — мобильное приложение для генерации коротких видео и анимаций из фото и текстовых описаний. Оно упрощено для новичков и не требует навыков редактирования. Сервис позволяет создавать качественные изображения по простым запросам.

1 мин

16 декабря 2025 г.

AI-Санта от Tavus: дети общаются часами, но есть нюансы

Стартап Tavus представил улучшенную версию AI Santa с эмоциональным интеллектом и возможностью автономных действий. Проект набирает популярность среди семей, но вызывает вопросы о безопасности взаимодействия детей с искусственным интеллектом.

10 декабря 2025 г.