AI Trackerमल्टीमोडल समाचार,
डेवलपर्स के लिए।
हर AI provider से मल्टीमोडल से जुड़ी ताज़ा ख़बरें: लॉन्च, कीमत में बदलाव और बंद होने वाली सेवाएँ, संक्षेप में और आपके लिए उनका मतलब।
Artificial Analysis: Qwen-Audio-3.1-TTS-Plus अमेरिकी अंग्रेज़ी टेक्स्ट-टू-स्पीच में सबसे आगे, HeyGen Voice ब्रिटिश अंग्रेज़ी और कुल मिलाकर शीर्ष पर
Artificial Analysis के मुताबिक, उसके Controlled Voice Arena में—जहाँ हर टेक्स्ट-टू-स्पीच मॉडल को उन्हीं आठ क्लोन की गई आवाज़ों (चार अमेरिकी, चार ब्रिटिश) पर स्कोर किया जाता है—Qwen-Audio-3.1-TTS-Plus अमेरिकी अंग्रेज़ी रैंकिंग में सबसे आगे है, जबकि HeyGen Voice ब्रिटिश अंग्रेज़ी में बेहतर प्रदर्शन करता है और कुल लीडरबोर्ड में शीर्ष पर है।OpenAI ने BioBasicsBench पेश किया, जो रोज़मर्रा के वेट-लैब विज्ञान कार्यों का बेंचमार्क है
OpenAI ने BioBasicsBench पेश किया, जो Ligo के साथ मिलकर बनाया गया 100 नियमित वेट-लैब कार्यों का बेंचमार्क है। Ligo एंज़ाइम डिज़ाइन पर केंद्रित एक बायोटेक कंपनी है। इन कार्यों में प्रोटीन विधियों, इमेजिंग और साइटोमेट्री, परिमाणीकरण और परीक्षणों, न्यूक्लिक एसिड विधियों तथा आणविक क्लोनिंग के लिए कच्चे प्रयोगात्मक साक्ष्य (जेल की छवियाँ, कॉलोनी प्लेटें, माइक्रोस्कोपी, सीक्वेंसिंग फ़ाइलें, उपकरणों से मिले डेटा और लैब-बेंच पर काम के वीडियो) का उपयोग किया जाता है। वैज्ञानिकों ने इन्हें अपने प्रयोगों के आधार पर लिखा, और विशेषज्ञों द्वारा तैयार रूब्रिक के अनुसार उत्तरों को अंक दिए जाते हैं, जिनमें आंशिक अंक भी मिलते हैं।Cursor ने एजेंट्स के साथ रियल-टाइम वॉइस कॉल शुरू किए
Cursor का कहना है कि अब आप अपने एजेंट्स से रियल-टाइम वॉइस कॉल में बात कर सकते हैं: किसी बदलाव का वर्णन बोलकर करें, पूछें कि कोई एजेंट किस काम पर लगा है, और काम आगे बढ़ने के साथ अपडेट सुनें। वॉइस चैट Agents Window, IDE, वेब और Cursor for iOS में काम करती है।Artificial Analysis ने VIALS-AA लॉन्च किया, जो जीवन-विज्ञान के दृश्य-तर्क के लिए एक लीडरबोर्ड है; इसमें Gemini 4 Carbon 64% के साथ सबसे आगे है
Artificial Analysis ने Handshake AI के VIALS बेंचमार्क के लिए एक लीडरबोर्ड VIALS-AA लॉन्च किया है। VIALS में आठ डोमेन के 161 कार्य हैं, जिनमें मॉडल को किसी वैज्ञानिक सामग्री (जेल ब्लॉट, फ़्लो साइटोमेट्री प्लॉट, प्लास्मिड मैप, फ़ाइलोजेनी) को पढ़कर एक विशिष्ट निष्कर्ष निकालना होता है।
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 ने Frameboy जारी किया, जो उसके Atlas world model का रियल-टाइम डेमो है
World Labs ने Frameboy जारी किया, जो तैयार की गई दुनिया को रियल टाइम में देखने-परखने का डेमो है। यह Atlas का अत्यधिक अनुकूलित संस्करण चलाता है—यह कैमरा नियंत्रण वाला autoregressive world model है, जिसे कंपनी ने दो महीने पहले पेश किया था—और क्लाउड GPU से प्रति सेकंड 15 फ़्रेम तक स्ट्रीम करता है। World Labs के अनुसार, Atlas का कैमरा नियंत्रण पिक्सेल-परफ़ेक्ट है; यह कंपनी का दावा है।Artificial Analysis ने FLUX 3 Image Klein को ओपन-वेट टेक्स्ट-टू-इमेज मॉडल्स में #2 स्थान दिया
Artificial Analysis के अनुसार, Black Forest Labs का FLUX 3 Image Klein—5.6B पैरामीटर वाला ओपन-वेट इमेज मॉडल, जिसे 15 अक्टूबर को जारी किया गया था—उसकी AA-Image-T2I v2.1 लीडरबोर्ड पर ओपन-वेट मॉडल्स में #2 स्थान पर है और #1 Qwen-Image-2.1 के साथ कड़ी टक्कर में है। AA-Image-Editing v2.1 पर यह ओपन-वेट मॉडल्स में #3 स्थान पर है। ये रैंकिंग Artificial Analysis की अपनी हैं।Gemini Omni 1.2 Flash अब Vercel के AI Gateway पर उपलब्ध है
Vercel का कहना है कि Google DeepMind का वीडियो मॉडल Gemini Omni 1.2 Flash उसके AI Gateway पर google/gemini-omni-1.2-flash मॉडल ID के तहत उपलब्ध है। Vercel के अनुसार, इसमें नेटिव ऑडियो के साथ 3 से 15 सेकंड की क्लिप, अधिकतम छह रेफ़रेंस इमेज के साथ एडिट, कुल 30 सेकंड तक विस्तार और लैंडस्केप या पोर्ट्रेट फ़ॉर्मैट में 360p से 4K तक के रिज़ॉल्यूशन शामिल हैं।Arena रैंकिंग में Gemini Omni 1.2 Flash टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो में #1 पर
Arena के मुताबिक, Google का Gemini Omni 1.2 Flash उसके Text-to-Video और Image-to-Video लीडरबोर्ड में #1 पर और Video Edit में #3 पर पदार्पण करता है।Gemini Omni 1.2 Flash अब OpenRouter पर उपलब्ध है
OpenRouter का कहना है कि Google का Gemini Omni 1.2 Flash वीडियो मॉडल उसके प्लेटफ़ॉर्म पर उपलब्ध है। इसमें 15 सेकंड की क्लिप, 360p से 4K तक के रिज़ॉल्यूशन, नेटिव ऑडियो और Omni 1.1 की तुलना में प्रति सेकंड लगभग 30% कम कीमत दी गई है। OpenRouter का कहना है कि कीमत सीधे Google से लेने जितनी ही है और अब एक API वीडियो तथा चैट—दोनों को कवर करती है।Ant Ling ने Ling-3.2-flash पेश किया, 560B का एक मल्टीमॉडल मॉडल, जिसके बारे में उसका कहना है कि यह तीन बेंचमार्क पर Opus 5 से बेहतर है
Ant Ling ने Ling-3.2-flash की घोषणा की। कंपनी इसे 560B कुल और 25B सक्रिय पैरामीटर वाला नेटिव मल्टीमॉडल मॉडल कहती है। उसका कहना है कि यह जटिल दृश्य समझ, लंबी अवधि के मल्टीमॉडल एजेंट, 3D समझ और परस्पर क्रिया, तथा चिकित्सा संबंधी बुद्धिमत्ता में बेहतर है।Gemini Omni 1.2 Flash की घोषणा नहीं हुई है, लेकिन कई अकाउंट और OpenRouter की कैटलॉग में इसका ज़िक्र है
Google ने Gemini Omni 1.2 Flash की घोषणा नहीं की है। यह एक वीडियो-जनरेशन मॉडल है, जो Omni 1.1 Flash के बाद आ सकता है। OpenRouter की मॉडल कैटलॉग में भी 5 नवंबर को google/gemini-omni-1.2-flash एंट्री जोड़ी गई, जिसमें 131,072 टोकन का कॉन्टेक्स्ट दिया गया है। कई अकाउंट ने मॉडल देखने की बात कही है:Google ने Gemini Omni 1.2 Flash लॉन्च किया: 15-सेकंड के वीडियो और 30% कम कीमत के साथ
Google का कहना है कि Gemini Omni 1.2 Flash, Gemini API और Google Cloud पर आम तौर पर उपलब्ध है—और यह पहली बार है कि Gemini Omni आम तौर पर उपलब्ध हुआ है। यह 15 सेकंड तक के वीडियो सीधे जनरेट और संपादित करता है (Omni 1.1 के 10 सेकंड से अधिक), और अवधि 3 से 15 सेकंड के बीच एक-एक सेकंड के अंतराल पर तय की जा सकती है।
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.OpenRouter की कैटलॉग में OpenAI: GPT-5 Image Mini की समाप्ति तिथि 1 दिसंबर दी गई है
OpenRouter की मॉडल कैटलॉग में अब "OpenAI: GPT-5 Image Mini" (openai/gpt-5-image-mini) के लिए 1 दिसंबर, 2026 की समाप्ति तिथि दिखाई गई है। यह मॉडल 16 अक्टूबर, 2025 से सूचीबद्ध है और इसकी कॉन्टेक्स्ट विंडो 400,000 टोकन की है। पहले इस प्रविष्टि में समाप्ति तिथि नहीं थी। यह केवल कैटलॉग का एक फ़ील्ड है; इसमें यह नहीं बताया गया है कि ऐसा क्यों है या उस तारीख के बाद मॉडल के साथ क्या होगा।xAI ने grok-imagine-image-quality और grok-imagine-image-pro को बंद किया, अब उनकी जगह कम कीमत वाला मॉडल इस्तेमाल हो रहा है
xAI के API रिलीज़ नोट्स के अनुसार, grok-imagine-image-quality और grok-imagine-image-pro को भेजे गए अनुरोधों को अब grok-imagine-image-2.0-low पूरा करता है। यह grok-imagine-image-2.0 है, जिसमें quality को low पर सेट किया गया है, और इसकी प्रति-छवि कीमत कम है। xAI का कहना है कि अनुरोधों में कोई बदलाव करने की ज़रूरत नहीं है।OpenRouter ने Crouton Alpha जोड़ा, 1M-टोकन संदर्भ वाला मुफ़्त स्टील्थ मॉडल
OpenRouter ने Crouton Alpha नाम का एक नया स्टील्थ मॉडल घोषित किया। कंपनी इसे "एक अत्यंत कुशल रीजनिंग मॉडल बताती है, जिसे उन कामों को बड़े पैमाने पर करने के लिए बनाया गया है जिन्हें आपके एजेंट दिन भर बार-बार करते हैं"। इसे बनाने वाले का नाम नहीं बताया गया है।ai-cli किसी भी कोडिंग एजेंट को इमेज, वीडियो और ऑडियो बनाने की सुविधा देता है
Vercel के Chris Tate ने ai-cli (npm i -g ai-cli) पेश किया—यह एक कमांड-लाइन टूल है, जो किसी एजेंट को किसी भी मॉडल से इमेज, वीडियो और ऑडियो बनाने देता है। उनकी पोस्ट में बताया गया है कि यह Claude Code, Codex, OpenCode और Vercel के fx harness के साथ काम करता है; साथ ही Opus, Flux, GPT, Gemini, DeepSeek, GLM और Grok जैसे मॉडल भी सूचीबद्ध हैं।OpenAI का कहना है कि GPT-6 Astra किसी उपकरण का बाहरी आवरण और सर्किट बोर्ड डिज़ाइन कर सकता है, और इंजीनियरिंग साझेदारों की तलाश में है
OpenAI बताता है कि उसके मॉडल मैकेनिकल और इलेक्ट्रिकल इंजीनियरिंग में कैसे मदद करते हैं: CAD मॉडल, विनिर्माण ड्रॉइंग, सिमुलेशन और PCB डिज़ाइन। ये OpenAI के अपने दावे हैं।Perplexity ने pplx-embed-v2-context जारी किया: 9B और 0.6B के ओपन-वेट विज़न-लैंग्वेज एम्बेडिंग मॉडल
Perplexity ने Hugging Face पर pplx-embed-v2-context जारी किया—दो ओपन-वेट विज़न-लैंग्वेज एम्बेडिंग मॉडल (9B और 0.6B)—और turbopuffer के साथ मिलकर एक पेपर भी लिखा। दोनों हर दस्तावेज़ के लिए एक int8 वेक्टर लौटाते हैं, या हर ऐसे chunk के लिए एक वेक्टर लौटाते हैं जो पूरा दस्तावेज़ देखता है। दोनों बिना संदर्भ वाले मोड में भी चलते हैं, जिसमें हर दस्तावेज़ के लिए एक एम्बेडिंग होती है और chunking नहीं होती।