AI TrackerМультимодальность:
новости для разработчиков.
Свежие новости по теме «Мультимодальность» от всех AI-провайдеров: запуски, изменения цен и снятие с поддержки — кратко и с тем, что это значит для вас.
Artificial Analysis: Qwen-Audio-3.1-TTS-Plus лидирует в синтезе речи на американском английском, HeyGen Voice — на британском и в общем рейтинге
По данным Artificial Analysis, в Controlled Voice Arena, где каждую модель синтеза речи оценивают на одних и тех же восьми клонированных голосах (четырёх американских и четырёх британских), Qwen-Audio-3.1-TTS-Plus лидирует в рейтинге для американского английского, а HeyGen Voice показывает лучшие результаты для британского английского и возглавляет общий рейтинг.OpenAI представляет BioBasicsBench — бенчмарк повседневных задач в мокрой лаборатории
OpenAI представляет BioBasicsBench — бенчмарк из 100 типовых задач в мокрой лаборатории, созданный совместно с Ligo, биотехнологической компанией, специализирующейся на разработке ферментов. Для решения задач используются исходные экспериментальные данные: изображения гелей, чашек с колониями и микроскопии, файлы секвенирования, выгрузки с приборов и видео лабораторной работы. Задачи охватывают методы работы с белками, визуализацию и цитометрию, количественный анализ и анализы, методы работы с нуклеиновыми кислотами и молекулярное клонирование. Их составили учёные на основе собственных экспериментов, а ответы оцениваются по рубрикам, подготовленным экспертами и допускающим частичный балл.В Cursor появились голосовые звонки с агентами в реальном времени
Cursor сообщает, что теперь с агентами можно общаться голосом в реальном времени: вслух описывать изменения, спрашивать, над чем работает агент, и получать обновления по мере выполнения задачи. Голосовой чат доступен в Agents Window, IDE, веб-версии и Cursor для iOS.Artificial Analysis запускает VIALS-AA — таблицу лидеров по визуальным рассуждениям в науках о жизни, где Gemini 4 Carbon занимает первое место с результатом 64%
Artificial Analysis запустила VIALS-AA — таблицу лидеров для бенчмарка VIALS от Handshake AI. VIALS включает 161 задание в восьми областях: модели нужно изучить научный материал (гель-блоты, графики проточной цитометрии, карты плазмид, филогенетические деревья) и сделать конкретный вывод.
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 выпускает Frameboy — демонстрацию своей модели мира Atlas в реальном времени
World Labs выпустила Frameboy — демонстрацию для исследования сгенерированных миров в реальном времени. Она работает на высокооптимизированной версии Atlas — авторегрессионной модели мира с управлением камерой, которую компания представила два месяца назад, — и передаёт изображение с облачных GPU со скоростью до 15 кадров в секунду. World Labs утверждает, что управление камерой в Atlas обеспечивает точность до пикселя.Artificial Analysis ставит FLUX 3 Image Klein на 2-е место среди моделей преобразования текста в изображения с открытыми весами
По данным Artificial Analysis, FLUX 3 Image Klein от Black Forest Labs — модель генерации изображений с открытыми весами и 5,6 млрд параметров, выпущенная 15 октября, — занимает 2-е место среди моделей с открытыми весами в рейтинге AA-Image-T2I v2.1, почти не уступая лидеру Qwen-Image-2.1. В рейтинге AA-Image-Editing v2.1 модель занимает 3-е место среди моделей с открытыми весами. Рейтинги составлены самой Artificial Analysis.Gemini Omni 1.2 Flash теперь доступна в AI Gateway от Vercel
По сообщению Vercel, видеомодель Gemini Omni 1.2 Flash от Google DeepMind появилась в AI Gateway под идентификатором модели google/gemini-omni-1.2-flash. Vercel указывает, что модель поддерживает ролики длительностью от 3 до 15 секунд с нативным звуком, редактирование с использованием до шести референсных изображений, увеличение общей длительности до 30 секунд и разрешения от 360p до 4K в альбомной или портретной ориентации.Arena ставит Gemini Omni 1.2 Flash на первое место в рейтингах преобразования текста в видео и изображения в видео
По данным Arena, Gemini Omni 1.2 Flash от Google дебютирует на первом месте в рейтингах Text-to-Video и Image-to-Video, а также на третьем месте в Video Edit.Gemini Omni 1.2 Flash теперь доступна на OpenRouter
OpenRouter сообщает, что видеомодель Google Gemini Omni 1.2 Flash доступна на платформе. Она поддерживает ролики длительностью 15 секунд с разрешением от 360p до 4K и встроенным звуком; цена за секунду примерно на 30% ниже, чем у Omni 1.1. По словам OpenRouter, цена такая же, как при прямом обращении к Google, а один API теперь охватывает и видео, и чат.Ant Ling представляет Ling-3.2-flash — мультимодальную модель с 560 млрд параметров, которая, по заявлениям компании, превосходит Opus 5 в трёх бенчмарках
Ant Ling объявила о выпуске Ling-3.2-flash, которую называет нативной мультимодальной моделью с 560 млрд параметров всего и 25 млрд активных. По словам компании, модель лучше справляется со сложным визуальным пониманием, мультимодальными агентами с длительным горизонтом планирования, пониманием и взаимодействием с 3D-объектами, а также медицинскими задачами.Gemini Omni 1.2 Flash не анонсирована, но её упоминают несколько аккаунтов и каталог OpenRouter
Google не анонсировала Gemini Omni 1.2 Flash — модель для генерации видео, которая должна прийти на смену Omni 1.1 Flash. 5 ноября в каталоге моделей OpenRouter также появилась запись google/gemini-omni-1.2-flash с контекстом на 131 072 токена. Несколько аккаунтов сообщили, что видели эту модель:Google выпустила Gemini Omni 1.2 Flash: видео до 15 секунд и цены на 30% ниже
Google сообщает, что Gemini Omni 1.2 Flash стала общедоступной в Gemini API и Google Cloud. Это первый случай, когда Gemini Omni доступна всем. Модель нативно генерирует и редактирует видео длительностью до 15 секунд (против 10 секунд у Omni 1.1); длительность можно задавать с шагом в одну секунду — от 3 до 15 секунд.
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.В каталоге OpenRouter для OpenAI: GPT-5 Image Mini указана дата окончания доступности — 1 декабря
В каталоге моделей OpenRouter теперь указана дата окончания доступности 1 декабря 2026 года для «OpenAI: GPT-5 Image Mini» (openai/gpt-5-image-mini) — модели, которая числится в каталоге с 16 октября 2025 года и имеет контекстное окно на 400 000 токенов. Ранее дата окончания доступности не указывалась. Это лишь поле в каталоге; в записи не объясняется причина и не говорится, что произойдёт с моделью после этой даты.xAI выводит из эксплуатации grok-imagine-image-quality и grok-imagine-image-pro, заменяя их более дешёвой моделью
Согласно примечаниям к выпуску API xAI, запросы к grok-imagine-image-quality и grok-imagine-image-pro теперь обслуживаются моделью grok-imagine-image-2.0-low — это grok-imagine-image-2.0 с параметром quality, установленным на low, — по более низкой цене за изображение. xAI сообщает, что менять запросы не нужно.OpenRouter добавила Crouton Alpha — бесплатную скрытую модель с контекстом на 1 млн токенов
OpenRouter объявила о выпуске новой скрытой модели Crouton Alpha, которую описывает как «высокоэффективную модель рассуждений, созданную для масштабирования задач, которые ваши агенты повторяют весь день». Разработчик модели не назван.ai-cli добавляет любому агенту для программирования генерацию изображений, видео и аудио
Крис Тейт из Vercel представил ai-cli (npm i -g ai-cli) — инструмент командной строки, позволяющий агенту генерировать изображения, видео и аудио с помощью любой модели. В его публикации показана работа инструмента с Claude Code, Codex, OpenCode и fx harness от Vercel, а также с такими моделями, как Opus, Flux, GPT, Gemini, DeepSeek, GLM и Grok.OpenAI заявляет, что GPT-6 Astra может проектировать корпуса устройств и печатные платы, и ищет инженерных партнёров
OpenAI рассказывает, как её модели помогают в машиностроении и электротехнике: создают модели CAD, производственные чертежи, симуляции и проекты печатных плат. Это заявления самой OpenAI.Perplexity выпускает pplx-embed-v2-context — мультимодальные модели эмбеддингов с открытыми весами размером 9B и 0.6B
Perplexity выпустила pplx-embed-v2-context — две мультимодальные модели эмбеддингов с открытыми весами (9B и 0.6B) на Hugging Face, вместе с научной статьёй, написанной совместно с turbopuffer. Каждая модель возвращает один вектор int8 на документ либо один вектор на фрагмент, учитывающий весь документ. Обе также работают в неконтекстном режиме — с одним эмбеддингом на документ и без разбиения на фрагменты.