Søgning
2 research-rapport(er) for »multimodal«
Qwen 3.6 27b undersøg hvorfor den er så god til lokal kogning og hold den op med nogle af de nye Feks Gemma 4 og Laguna 2.1
… Gemma 4-modellerne fra Google DeepMind, udgivet april 2026, præsenteres i [3] og [4] som multimodal med tekst-, billede- og lydstøtte (på de mindre …
Qwen 3.8 27b
… Qwen3.6-27B er en multimodal model, der accepterer tekst, billeder og video [2], og den er udgivet under Apache 2.0-licensen [2 …
19 briefing-resultat(er) for »multimodal«
Opfølgning: Google lancerer Gemini Decisions API med multimodale beslutningsmodeller
Gemini Decision 1 understøtter tekst, billeder, lyd og video til 10 cent per million tokens. [briefingen 6. november](/archive/2026-11-06)
Drex Max v1.1 slår SOTA for beslutningsmodeller – open weights
Nace's Drex Max v1.1 er #1 på Artificial Analysis for multimodale beslutningsmodeller. Modellen har 256K kontekst, kører på Mac og er 8x …
Qoduck (Qwen4?) testes med native billed- og videogenerering
En bruger på Qoder-platformen bemærker, at Qoduck har indbygget multimodal generering.
Meituan LongCat-2.5: 1,6 billioner parametre og kun indenlandske chips
Meituan LongCat-2.5 er en multimodal model med 1,6 billioner parametre, avanceret kodning, visuel forståelse og agentkapacitet. Den kører angiveligt udelukkende på …
Opfølgning: Mistral åbner vægtene til 1T-modellen Le Chonk
… Mistral har frigivet vægtene til Large 4 (Le Chonk), en multimodal 1T-model trænet i Europa. Det giver et åbent alternativ til kinesiske og …
Opfølgning: EmbeddingGemma 2 – Googles åbne multimodale embeddingsmodel
Google DeepMind har udgivet EmbeddingGemma 2, en letvægtsmodel der kan indlejre tekst, billeder, video og lyd i samme rum. Se [briefingen 7. oktober](/archive …
EmbeddingGemma 2 samler tekst, billeder, video og lyd i ét rum
Googles åbne 740-millioner-model kortlægger fire modaliteter i samme 768-dimensionelle vektorrum og kører på forbrugerhardware. Matryoshka-nedskæringer ned til 128 dimensioner giver …
Opfølgning: Google DeepMind lancerer Gemini 3.8 Live og Live Extended Thinking
Google DeepMind udruller Gemini 3.8 Live med en animeret "Live Avatar" som ansigtet for modellen. Det følger op på lanceringen af Live Extended …
Opfølgning: 14 nye papirer kortlægger jailbreak-landskabet – fra multi-turn til forsvar
En række nye forskningsartikler systematiserer multi-turn jailbreak-angreb mod multimodale LLM'er og præsenterer forsvar som TRYLOCK og Attention Slipping. Angrebene udnytter, at …
Sjov model med 20 "sanser" – men den virker
… Eksperimentet illustrerer, hvor hurtigt open-source-fællesskabet kan lege med ekstrem multimodalitet.
Opfølgning: Zhipu afslører Ox Alpha som GLM-5.3-Flash og udgiver vægte
… aktive) – den første native multimodale model i GLM-5-serien. Vægtene er nu frit tilgængelige. [briefingen 14. august](/archive/2026-08-14)
Opfølgning: Gemini Omni 1.1 Flash giver udviklere mere kontrol
Google har opdateret Gemini Omni Flash med bedre styring af multimodal inferens. Opdateringen giver udviklere finere kontrol over modellens adfærd. [briefingen 20. august](/archive …
Opfølgning: Alibaba udgiver Qwen3.8-Flash-Next som forhåndsvisning af Qwen4-arkitekturen
Den nye 125B MoE-model med 6B aktive parametre er multimodal og giver et tidligt indblik i Qwen4. Modellen bygger videre på Qwen3.8 …
DeepSeek Harness v0.1.1 ude – understøtter nu vision og billedanalyse
Den nye adapter til DeepSeek-V4-Flash-Vision-Exp gør det muligt at sende billeder i /goal og /plan, samt vedhæfte filer via MCP …
dots3-note preview: første open-weight model i familien – 280B parametre
En MoE-model med 16B aktive parametre, 512K kontekst og forståelse af tekst, billeder, video og lyd. Pull request indsendt til llama.cpp.
Debat: Google bør udgive 120B multimodalt Gemma for at presse OpenAI og Anthropic
Debatten peger på, at vestlige virksomheder ikke vil bruge kinesiske modeller – et åbent, næsten-frontier Gemma ville presse OpenAI og Anthropic før deres børsnoteringer …
Nvidias Nemotron Omni kører nu i ren MLX på Mac
En udvikler har porteret vision- og lydtårnene til MLX, så den åbne multimodale model kører lokalt med op til 152 tokens/s på M5 …
Synsmodel trænes til at se som en menneskelig annotator – og afsløres når den lyver
Microsofts pipeline udtrækker struktureret metadata fra visuelle aktiver, begrænser output til foruddefinerede værdier og bruger en ground-truth-evaluering til at måle kvalitet.
Thinking Machines Lab frigiver Inkling open-weights model
Mira Muratis nye laboratorium lancerer Inkling med 975B totale parametre (41B aktive) som Apache-2.0 licenseret multimodal model. Modellen er ikke frontier-niveau …