AI TrackerMultimodalność: wiadomości
dla twórców.
Najnowsze wiadomości z kategorii „Multimodalność” od każdego dostawcy AI: premiery, zmiany cen i wycofania, w skrócie i z tym, co oznaczają dla Ciebie.
Artificial Analysis: Qwen-Audio-3.1-TTS-Plus prowadzi w syntezie mowy po amerykańsku, a HeyGen Voice — po brytyjsku i w klasyfikacji ogólnej
Artificial Analysis informuje, że w jego Controlled Voice Arena, gdzie każdy model syntezy mowy jest oceniany na podstawie tych samych ośmiu sklonowanych głosów (czterech amerykańskich i czterech brytyjskich), Qwen-Audio-3.1-TTS-Plus prowadzi w rankingu dla amerykańskiej odmiany angielskiego, a HeyGen Voice wypada lepiej w brytyjskiej odmianie i prowadzi w klasyfikacji ogólnej.OpenAI przedstawia BioBasicsBench — benchmark codziennych zadań z pracy w laboratorium biologicznym
OpenAI przedstawia BioBasicsBench — benchmark obejmujący 100 rutynowych zadań laboratoryjnych, opracowany we współpracy z Ligo, firmą biotechnologiczną zajmującą się projektowaniem enzymów. Zadania opierają się na surowych danych eksperymentalnych (zdjęciach żeli, płytkach z koloniami, obrazach mikroskopowych, plikach z sekwencjonowania, eksportach z urządzeń i nagraniach pracy przy stole laboratoryjnym) i dotyczą metod badania białek, obrazowania i cytometrii, ilościowego oznaczania i testów, metod pracy z kwasami nukleinowymi oraz klonowania molekularnego. Naukowcy opracowali je na podstawie własnych eksperymentów, a odpowiedzi ocenia się według kryteriów przygotowanych przez ekspertów, które przyznają również punkty częściowe.Cursor wprowadza rozmowy głosowe z agentami w czasie rzeczywistym
Cursor informuje, że możesz teraz rozmawiać ze swoimi agentami w czasie rzeczywistym: opisać na głos zmianę, zapytać, nad czym pracuje agent, i słuchać aktualizacji w miarę postępów. Czat głosowy działa w oknie Agents, w IDE, w przeglądarce oraz w Cursor na iOS.Artificial Analysis uruchamia VIALS-AA — ranking modeli rozumowania wizualnego w naukach przyrodniczych, w którym prowadzi Gemini 4 Carbon z wynikiem 64%
Artificial Analysis uruchomiło VIALS-AA — ranking oparty na benchmarku VIALS firmy Handshake AI. VIALS obejmuje 161 zadań z ośmiu dziedzin. Model musi odczytać artefakt naukowy (blot żelowy, wykres cytometrii przepływowej, mapę plazmidu, drzewo filogenetyczne) i wyciągnąć konkretny wniosek.
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 udostępnia Frameboy — demonstrację modelu świata Atlas działającą w czasie rzeczywistym
World Labs udostępniło Frameboy, demonstrację umożliwiającą eksplorowanie generowanych światów w czasie rzeczywistym. Działa ona na wysoce zoptymalizowanej wersji Atlas, autoregresyjnego modelu świata z kontrolą kamery, który firma zaprezentowała dwa miesiące temu, i przesyła obraz z chmurowych GPU z szybkością do 15 klatek na sekundę. World Labs opisuje kontrolę kamery w Atlas jako precyzyjną co do piksela — to twierdzenie firmy.Artificial Analysis plasuje FLUX 3 Image Klein na 2. miejscu wśród modeli text-to-image z otwartymi wagami
Według Artificial Analysis FLUX 3 Image Klein firmy Black Forest Labs, model do generowania obrazów z otwartymi wagami i 5,6 mld parametrów, wydany 15 października, zajmuje 2. miejsce w rankingu AA-Image-T2I v2.1, tuż za liderem Qwen-Image-2.1. W rankingu AA-Image-Editing v2.1 zajmuje 3. miejsce wśród modeli z otwartymi wagami. Rankingi są opracowaniem Artificial Analysis.Gemini Omni 1.2 Flash jest już dostępny w AI Gateway od Vercel
Vercel informuje, że model wideo Gemini Omni 1.2 Flash od Google DeepMind jest już dostępny w AI Gateway pod identyfikatorem modelu google/gemini-omni-1.2-flash. Vercel wymienia klipy o długości od 3 do 15 sekund z natywnym dźwiękiem, edycje z użyciem maksymalnie sześciu obrazów referencyjnych, możliwość przedłużenia do łącznie 30 sekund oraz rozdzielczości od 360p do 4K w orientacji poziomej lub pionowej.Arena plasuje Gemini Omni 1.2 Flash na 1. miejscu w kategoriach text-to-video i image-to-video
Według Arena model Gemini Omni 1.2 Flash od Google debiutuje na 1. miejscu w rankingach Text-to-Video i Image-to-Video oraz na 3. miejscu w Video Edit.Gemini Omni 1.2 Flash jest już dostępny w OpenRouter
OpenRouter informuje, że wideo model Google Gemini Omni 1.2 Flash jest już dostępny na jego platformie. Oferuje klipy o długości 15 sekund, rozdzielczości od 360p do 4K, natywny dźwięk i cenę za sekundę niższą o około 30% niż w przypadku Omni 1.1. Według OpenRouter cena jest taka sama jak przy bezpośrednim korzystaniu z usług Google, a jedno API obsługuje teraz zarówno wideo, jak i czat.Ant Ling przedstawia Ling-3.2-flash, multimodalny model o 560B parametrów, który według firmy przewyższa Opus 5 w trzech benchmarkach
Ant Ling ogłosiło Ling-3.2-flash, określany przez firmę jako natywny model multimodalny z 560B parametrów łącznie i 25B aktywnych parametrów. Według firmy model lepiej radzi sobie ze złożonym rozumieniem obrazu, agentami multimodalnymi działającymi w długim horyzoncie, rozumieniem i interakcją w 3D oraz inteligencją medyczną.Gemini Omni 1.2 Flash nie zostało ogłoszone, ale wskazują na nie wzmianki w kilku kontach i katalogu OpenRouter
Google nie ogłosiło Gemini Omni 1.2 Flash, modelu do generowania wideo, który miałby być następcą Omni 1.1 Flash. 5 listopada w katalogu modeli OpenRouter pojawił się też wpis google/gemini-omni-1.2-flash, z kontekstem o długości 131,072 tokenów. Kilka kont twierdzi, że widziało ten model:Google wprowadza Gemini Omni 1.2 Flash: 15-sekundowe wideo i ceny niższe o 30%
Google informuje, że Gemini Omni 1.2 Flash jest już ogólnie dostępny w Gemini API i Google Cloud, a Gemini Omni po raz pierwszy trafia do powszechnej dostępności. Model natywnie generuje i edytuje wideo o długości do 15 sekund (w porównaniu z 10 sekundami w Omni 1.1), a długość można ustawiać co sekundę, od 3 do 15 sekund.
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.Katalog OpenRouter podaje datę wygaśnięcia dla OpenAI: GPT-5 Image Mini — 1 grudnia
Katalog modeli OpenRouter pokazuje teraz datę wygaśnięcia 1 grudnia 2026 r. dla „OpenAI: GPT-5 Image Mini” (openai/gpt-5-image-mini), modelu dostępnego w katalogu od 16 października 2025 r. z kontekstem o długości 400 000 tokenów. Wcześniej wpis nie zawierał daty wygaśnięcia. To tylko pole w katalogu; wpis nie podaje przyczyny ani tego, co stanie się z modelem po tej dacie.xAI wycofuje grok-imagine-image-quality i grok-imagine-image-pro, obsługując je za pomocą tańszego modelu
Zgodnie z informacjami o wydaniu API xAI żądania kierowane do grok-imagine-image-quality i grok-imagine-image-pro są teraz obsługiwane przez grok-imagine-image-2.0-low, czyli grok-imagine-image-2.0 z parametrem quality ustawionym na low, w niższej cenie za obraz. xAI informuje, że nie trzeba zmieniać żądań.OpenRouter dodaje Crouton Alpha, darmowy, nieujawniony model z kontekstem o długości 1 mln tokenów
OpenRouter ogłosił nowy, nieujawniony model Crouton Alpha, który opisuje jako „wysoce wydajny model rozumujący, stworzony z myślą o skalowaniu zadań, które agenci wykonują wielokrotnie przez cały dzień”. Twórca modelu nie został ujawniony.ai-cli umożliwia dowolnemu agentowi programistycznemu generowanie obrazów, wideo i audio
Chris Tate z Vercel zaprezentował ai-cli (npm i -g ai-cli), narzędzie wiersza poleceń, które pozwala agentowi generować obrazy, wideo i audio przy użyciu dowolnego modelu. W swoim poście pokazuje działanie z Claude Code, Codex, OpenCode i fx harness od Vercel, z modelami takimi jak Opus, Flux, GPT, Gemini, DeepSeek, GLM i Grok.OpenAI twierdzi, że GPT-6 Astra potrafi zaprojektować obudowę i płytkę drukowaną urządzenia; szuka partnerów inżynieryjnych
OpenAI opisuje, jak jego modele wspierają inżynierię mechaniczną i elektryczną: tworzenie modeli CAD, rysunków technicznych, symulacji i projektowanie PCB. To twierdzenia samego OpenAI.Perplexity udostępnia pplx-embed-v2-context — modele embeddingowe vision-language z otwartymi wagami w rozmiarach 9B i 0.6B
Perplexity udostępniło na Hugging Face pplx-embed-v2-context — dwa modele embeddingowe vision-language z otwartymi wagami (9B i 0.6B), wraz z artykułem napisanym we współpracy z turbopuffer. Każdy z nich zwraca jeden wektor int8 na dokument albo jeden na fragment, który uwzględnia cały dokument. Oba działają też w trybie bez kontekstu, zwracając jeden embedding na dokument i nie dzieląc go na fragmenty.