AI TrackerNews zu Multimodal,
für Entwickler.
Die neuesten News zu Multimodal von allen AI-Anbietern: Launches, Preisänderungen und Abkündigungen, zusammengefasst mit dem, was sie für dich bedeuten.
Artificial Analysis: Qwen-Audio-3.1-TTS-Plus führt bei US-englischer Sprachsynthese, HeyGen Voice bei britischem Englisch und insgesamt
Laut Artificial Analysis liegt Qwen-Audio-3.1-TTS-Plus in der Controlled Voice Arena bei US-Englisch vorn. Dort werden alle Text-to-Speech-Modelle mit denselben acht geklonten Stimmen bewertet (vier US-amerikanische, vier britische). Bei britischem Englisch schneidet HeyGen Voice besser ab und führt die Gesamtwertung an.OpenAI stellt BioBasicsBench vor, einen Benchmark für alltägliche Aufgaben in der Nasslaborforschung
OpenAI stellt BioBasicsBench vor, einen Benchmark mit 100 routinemäßigen Aufgaben im Nasslabor, der gemeinsam mit Ligo entwickelt wurde, einem auf Enzymdesign spezialisierten Biotech-Unternehmen. Die Aufgaben basieren auf unverarbeiteten experimentellen Daten (Gelbildern, Kolonieplatten, Mikroskopie, Sequenzierungsdateien, Geräteexporten und Videos von Laborarbeiten) und decken Proteinmethoden, Bildgebung und Zytometrie, Quantifizierung und Assays, Nukleinsäuremethoden sowie molekulares Klonieren ab. Wissenschaftler entwickelten sie auf Grundlage ihrer eigenen Experimente; die Antworten werden anhand von von Experten verfassten Bewertungsrastern beurteilt, die Teilpunkte vergeben.Cursor bringt Echtzeit-Sprachanrufe mit Agents
Cursor zufolge können Sie jetzt in Echtzeit per Sprachanruf mit Ihren Agents sprechen: Beschreiben Sie eine Änderung laut, fragen Sie, woran ein Agent gerade arbeitet, und lassen Sie sich über den Fortschritt auf dem Laufenden halten. Voice Chat funktioniert im Agents Window, in der IDE, im Web und in Cursor für iOS.Artificial Analysis startet VIALS-AA, ein Leaderboard für visuelles Schlussfolgern in den Biowissenschaften, auf dem Gemini 4 Carbon mit 64 % führt
Artificial Analysis hat VIALS-AA gestartet, ein Leaderboard für Handshake AIs VIALS-Benchmark. VIALS umfasst 161 Aufgaben aus acht Bereichen. Dabei muss ein Modell ein wissenschaftliches Artefakt (Gel-Blots, Durchflusszytometrie-Diagramme, Plasmidkarten, Phylogenien) auswerten und eine konkrete Schlussfolgerung ziehen.
OpenAI brings GPT-Image-2.6 Flare and Sunburst to the API and Codex
OpenAI released Images 2.6 on November 4 in ChatGPT, Codex and the API, available globally in ChatGPT and Codex on all subscription tiers. In the API it comes as two models, GPT-Image-2.6 Flare and Sunburst. OpenAI says both generate images 50% faster than before. Flare, at low quality, can produce an image in as little as six seconds and improves layout for posters and product imagery. At medium or high quality, Sunburst gives higher-quality images and keeps details more consistent from one edit to the next. ChatGPT Images 2.6 adds GIF output and reference images. OpenAI says people now create 4 billion images per week across ChatGPT, Codex and the API.World Labs veröffentlicht Frameboy, eine Echtzeit-Demo seines Weltmodells Atlas
World Labs hat Frameboy veröffentlicht, eine Demo zum Erkunden generierter Welten in Echtzeit. Sie führt eine stark optimierte Version von Atlas aus, dem autoregressiven Weltmodell mit Kamerasteuerung, das das Unternehmen vor zwei Monaten vorgestellt hat, und streamt von Cloud-GPUs mit bis zu 15 Bildern pro Sekunde. World Labs bezeichnet die Kamerasteuerung von Atlas als pixelgenau; das ist die Behauptung des Unternehmens.Artificial Analysis stuft FLUX 3 Image Klein als Nummer 2 unter den Open-Weight-Text-zu-Bild-Modellen ein
Laut Artificial Analysis ist FLUX 3 Image Klein von Black Forest Labs, ein Open-Weight-Bildmodell mit 5,6 Milliarden Parametern, das am 15. Oktober veröffentlicht wurde, das zweitplatzierte Open-Weight-Modell auf der AA-Image-T2I-v2.1-Bestenliste und liegt knapp hinter dem erstplatzierten Qwen-Image-2.1. Auf der AA-Image-Editing-v2.1-Bestenliste belegt es unter den Open-Weight-Modellen Platz 3. Die Rankings stammen von Artificial Analysis selbst.Gemini Omni 1.2 Flash ist jetzt auf dem AI Gateway von Vercel verfügbar
Vercel zufolge ist das Videomodell Gemini Omni 1.2 Flash von Google DeepMind auf dem AI Gateway verfügbar – unter der Modell-ID google/gemini-omni-1.2-flash. Vercel nennt Clips mit nativem Audio von 3 bis 15 Sekunden, Bearbeitungen mit bis zu sechs Referenzbildern, Erweiterungen auf insgesamt 30 Sekunden sowie Auflösungen von 360p bis 4K im Quer- oder Hochformat.Arena setzt Gemini Omni 1.2 Flash bei Text-to-Video und Image-to-Video auf Platz 1
Laut Arena steigt Googles Gemini Omni 1.2 Flash bei den Ranglisten für Text-to-Video und Image-to-Video auf Platz 1 ein und belegt bei Video Edit Platz 3.Gemini Omni 1.2 Flash ist jetzt auf OpenRouter verfügbar
OpenRouter zufolge ist Googles Videomodell Gemini Omni 1.2 Flash auf der Plattform verfügbar. Es unterstützt Clips mit einer Länge von 15 Sekunden, Auflösungen von 360p bis 4K und natives Audio und ist pro Sekunde etwa 30 % günstiger als Omni 1.1. OpenRouter zufolge entspricht der Preis dem bei direktem Bezug von Google, und eine API deckt nun Video und Chat ab.Ant Ling stellt Ling-3.2-flash vor, ein multimodales Modell mit 560B Parametern, das laut Unternehmen Opus 5 bei drei Benchmarks übertrifft
Ant Ling hat Ling-3.2-flash angekündigt, ein nach eigenen Angaben nativ multimodales Modell mit insgesamt 560B und 25B aktiven Parametern. Das Modell sei besonders stark beim komplexen visuellen Verständnis, bei multimodalen Agenten mit langem Planungshorizont, beim 3D-Verständnis und bei Interaktionen sowie bei medizinischen Aufgaben.Gemini Omni 1.2 Flash wurde nicht angekündigt, wird aber in mehreren Berichten und im Katalog von OpenRouter aufgeführt
Google hat Gemini Omni 1.2 Flash, ein Videogenerierungsmodell als Nachfolger von Omni 1.1 Flash, nicht angekündigt. Auch der Modellkatalog von OpenRouter enthält seit dem 5. November einen Eintrag für google/gemini-omni-1.2-flash mit einem Kontextfenster von 131.072 Tokens. Mehrere Accounts berichten, das Modell gesehen zu haben:Google veröffentlicht Gemini Omni 1.2 Flash mit 15-Sekunden-Videos und 30 % niedrigeren Preisen
Google zufolge ist Gemini Omni 1.2 Flash allgemein über die Gemini API und Google Cloud verfügbar. Außerdem sei dies die erste allgemeine Verfügbarkeit von Gemini Omni. Das Modell generiert und bearbeitet Videos nativ mit einer Länge von bis zu 15 Sekunden (gegenüber 10 Sekunden bei Omni 1.1). Die Dauer lässt sich in Ein-Sekunden-Schritten auf 3 bis 15 Sekunden einstellen.
OpenAI's GPT-Live outbound telephony API is generally available
Justin Uberti, an OpenAI engineer, said on X on November 4 that the GPT-Live outbound telephony API has been promoted to general availability. Developers can now have a GPT-Live voice agent place phone calls through any SIP trunk provider, such as Telnyx or Twilio.OpenRouters Katalog nennt für OpenAI: GPT-5 Image Mini den 1. Dezember als Ablaufdatum
OpenRouters Modellkatalog zeigt für „OpenAI: GPT-5 Image Mini“ (openai/gpt-5-image-mini) jetzt den 1. Dezember 2026 als Ablaufdatum an. Das Modell ist seit dem 16. Oktober 2025 gelistet und verfügt über ein Kontextfenster von 400.000 Tokens. Zuvor war für den Eintrag kein Ablaufdatum angegeben. Dabei handelt es sich lediglich um ein Katalogfeld; der Eintrag erklärt weder den Grund noch, was nach diesem Datum mit dem Modell geschieht.xAI stellt grok-imagine-image-quality und grok-imagine-image-pro ein und bedient Anfragen mit einem günstigeren Modell
Laut den API-Versionshinweisen von xAI werden Anfragen an grok-imagine-image-quality und grok-imagine-image-pro jetzt mit grok-imagine-image-2.0-low bedient. Dabei handelt es sich um grok-imagine-image-2.0 mit der Einstellung quality auf low – zu einem niedrigeren Preis pro Bild. Laut xAI sind keine Änderungen an den Anfragen erforderlich.OpenRouter ergänzt Crouton Alpha, ein kostenloses Stealth-Modell mit einem Kontextfenster von 1 Mio. Tokens
OpenRouter hat ein neues Stealth-Modell angekündigt: Crouton Alpha, das es als „ein hocheffizientes Reasoning-Modell beschreibt, das darauf ausgelegt ist, die Arbeit zu skalieren, die Ihre Agents den ganzen Tag wiederholen“. Der Entwickler wird nicht genannt.ai-cli ermöglicht jedem Coding-Agenten die Generierung von Bildern, Videos und Audio
Chris Tate von Vercel stellte ai-cli (npm i -g ai-cli) vor, ein Kommandozeilen-Tool, mit dem ein Agent mithilfe beliebiger Modelle Bilder, Videos und Audio generieren kann. In seinem Beitrag zeigt er, dass es mit Claude Code, Codex, OpenCode und Vercels fx-Harness funktioniert und Modelle wie Opus, Flux, GPT, Gemini, DeepSeek, GLM und Grok unterstützt.OpenAI sagt, GPT-6 Astra könne das Gehäuse und die Leiterplatte eines Geräts entwerfen, und sucht Engineering-Partner
OpenAI beschreibt, wie seine Modelle bei der mechanischen und elektrischen Entwicklung helfen: mit CAD-Modellen, Fertigungszeichnungen, Simulationen und Leiterplattendesign. Dies sind eigene Angaben von OpenAI.Perplexity veröffentlicht pplx-embed-v2-context: Open-Weight-Modelle für Vision-Language-Embeddings mit 9B und 0,6B
Perplexity hat pplx-embed-v2-context veröffentlicht, zwei Open-Weight-Modelle für Vision-Language-Embeddings (9B und 0,6B) auf Hugging Face, zusammen mit einem Paper, das mit turbopuffer verfasst wurde. Beide geben pro Dokument einen int8-Vektor zurück oder einen pro Chunk, der das gesamte Dokument berücksichtigt. Außerdem laufen beide in einem nicht-kontextuellen Modus mit einem Embedding pro Dokument und ohne Chunking.