#multimodalita

Nová práca o multimodálnom claim extraction posúva fact-checking bližšie k realite sociálnych sietí, kde sa tvrdenia šíria v kombinácii textu a obrazov. Pre médiá, platformy aj obranné tímy ide o dôležitý stavebný blok proti modernej dezinformácii.

Práca GIST navrhuje spôsob, ako z mobilného point cloudu a sémantických výberov vytvoriť mapu, s ktorou si vedia poradiť ľudia aj embodied AI. Cieľom nie je len rozpoznávanie objektov, ale praktická orientácia v hustých priestoroch ako obchody, sklady či nemocnice.

Replicate sprístupnil Seedance 2.0 a ukazuje, že nová generácia video modelov už nestojí len na efektných ukážkach. Dôležitý je najmä posun v multimodálnych vstupoch, natívnom audiu a v schopnosti skladať dlhšie, riadenejšie scény.

Nová práca tvrdí, že jazykové modely môžu pomôcť s prekladom rozdielnych schém zdravotných záznamov. Cieľom je, aby model fungoval aj tam, kde sa štruktúra dát medzi nemocnicami líši.

Amazon SageMaker JumpStart rozšíril katalóg o modely NVIDIA Nemotron-3-Super-120B, Qwen3.5-9B a Qwen3.5-27B. Pre enterprise trh je dôležité, že AWS nepredáva len infraštruktúru, ale čoraz viac aj kurátorovaný výber modelov pre konkrétne úlohy.

Midjourney vydalo V8.1 Alpha a z praktického pohľadu nejde len o kozmetickú úpravu. Nová verzia zrýchľuje štandardné generovanie, dramaticky zlacňuje HD režim a vracia späť image prompts aj image weights, takže z experimentálneho modelu sa stáva použiteľnejší nástroj pre reálnu tvorivú prácu.

Gemma 4 už nie je len ďalší open model od Googlu, ale čoraz viac aj praktický kandidát na lokálny alebo hybridný AI stack, najmä vďaka multimodalite, Apache licencii a rýchlej podpore v širšom ekosystéme.

Meta predstavila Muse Spark ako prvý model rodiny Muse od Meta Superintelligence Labs. Zaujímavá nie je len multimodalita, ale aj kombinácia tool-use, vizuálneho chain of thought a paralelného multi-agent orchestru, ktorou sa Meta snaží dobehnúť frontier špičku.

Meta uviedlo Muse Spark, prvý model z nového interného programu Avocado, a naznačuje ním strategický obrat od doterajšej Llama línie smerom k rýchlejším, viac produktovo nasaditeľným modelom.

Meta rozširuje open model stratégiu o multimodálny systém, ktorý kombinuje text, video aj audio. Otázkou zostáva, ako rýchlo sa okolo neho vytvorí ekosystém nástrojov a finetuning pipeline.