IA
MIT entrena una IA que lee la estructura 3D de los cristales
El modelo une estructuras atómicas con descripciones en lenguaje natural y encontró candidatos para electrolitos de baterías de litio de estado sólido.
MIT CSAIL
Etiqueta
#multimodal
19 notas publicadas
IA
Gemini 3.8 Live suma un avatar en video que habla 97 idiomas
Google DeepMind lanzó Live Avatar para Gemini Enterprise, un rostro animado que sincroniza labios y gestos con la voz del modelo y llama herramientas sin cortar la conversación.
Google DeepMind
IA
Qwen3.8-Omni-Flash elige qué mirar dentro de un video largo
Alibaba lo dejó disponible por API con contexto de 1 millón de tokens y sin pesos abiertos, y liberó aparte los complementos Qwen-MM-Plugins bajo Apache-2.0.
MarkTechPost
IA
Google lanza Gemini 3.8 Live y una variante que razona más
Extended Thinking encabeza el índice de voz de Artificial Analysis con 82,6 puntos, y la versión base cuesta US$0,84 por hora de audio.
Google DeepMind
IA
NVIDIA acelera hasta 5 veces el primer token al aislar el encoder
La desagregación encode-prefill-decode separa el encoder de visión del resto de la inferencia y rinde en cargas con muchas imágenes, pero se vuelve contraproducente con salidas largas.
NVIDIA Developer
IA
Qwen-Drive 1.0 explica por qué frena, pero no siempre acierta
El modelo de Alibaba unifica percepción espacial, preguntas de tránsito y planificación de ruta, y bajó del 24% al 12% las salidas de calzada en simulación.
The Decoder
IA
NeoMME: Encoders multimodales eficientes sin visión tower
H Company presenta NeoMME, una familia de encoders multimodales que elimina la visión tower y el decoder causal para mejorar la eficiencia en tareas de recuperación.
MarkTechPost
IA
Gemini navega el video y recorta hasta 88% de los tokens
Google habilitó el modo agéntico de comprensión de video en sus modelos Flash: en vez de tragarse la línea de tiempo completa a un cuadro por segundo, el modelo decide qué mirar.
MarkTechPost
IA
Gemini analiza video por segmentos y recorta 88% de tokens
La nueva función agéntica deja que el modelo decida qué tramos del video revisar, en vez de ingerir el archivo completo, y baja los costos hasta 66% según Google.
Google DeepMind
IA
Gemini Omni 1.1 Flash: extiende escenas hasta 40 segundos
La actualización lee 10 segundos de contexto previo en vez de un solo cuadro final, permite fijar primer y último fotograma, y deja hacer borradores en 360p a un tercio del costo.
MarkTechPost
IA
NVIDIA FLARE baja el tráfico federado de 28,6 GB a 94 MB
El truco es intercambiar solo adaptadores LoRA sobre un modelo base congelado. FedUMM, desarrollado con William & Mary, mantiene el 97% del rendimiento de un entrenamiento centralizado.
NVIDIA Developer
IA
FLUX 3 de Black Forest Labs: IA multimodal y robótica
BFL presenta FLUX 3, un modelo multimodal capaz de generar video con audio, texto y controlar robots, superando a competidores como Gemini Omni y Grok Imagine.
Latent Space
IA
Flux 3 genera videos con audio nativo de hasta 20 segundos
Black Forest Labs presenta un modelo multimodal que aprende de imágenes, video y audio, y que la empresa alemana ya prueba en robótica junto a Audi.
The Decoder
IA
Qwen 3.8: Alibaba planta cara a Kimi K3 con pesos abiertos
El modelo multimodal de 2,4 billones de parámetros llega en versión preview y busca frenar el impulso de Kimi K3 antes de que Moonshot AI salga a bolsa.
The Decoder
IA
Inkling, el mejor modelo abierto de EE.UU. bajo licencia Apache 2.0
Thinking Machines Lab, la empresa de Mira Murati, presenta su primer modelo entrenado desde cero: 975.000 millones de parámetros, multimodal y con pesos abiertos de uso comercial libre.
Latent Space
IA
Kimi K3: el mayor modelo abierto jamás liberado
Moonshot AI presenta un modelo de 2,8 billones de parámetros con contexto de 1 millón de tokens y pesos abiertos prometidos para el 27 de julio, que ya lidera el ranking de código frontend.
Latent Space
IA
Thinking Machines Lab lanza Inkling, su primer modelo abierto
Inkling es un modelo open-weight de 975.000 millones de parámetros entrenado desde cero para entender texto, audio y video, y podría posicionar a la startup de Mira Murati frente a OpenAI y Anthropic.
Wired
IA
Cohere libera un modelo abierto para transcribir árabe difícil
El sistema de reconocimiento de voz tiene 2.000 millones de parámetros, se publica bajo licencia Apache 2.0 y ataca dialectos, mezcla árabe-inglés y vocabulario especializado.
The Decoder
IA
Gemma 4 12B: el nuevo modelo multimodal sin encoder de Google
Google DeepMind presenta Gemma 4 12B, un modelo de 12 mil millones de parámetros diseñado para ejecutar inteligencia multimodal avanzada directamente en tu laptop.
Google DeepMind
Etiquetas relacionadas
Otros temas que aparecen junto a #multimodal en nuestra cobertura editorial.