マルチモーダル

NVIDIAが公開した「PixelUMM」は、テキスト・画像・動画の理解と生成を単一モデルで行うマルチモーダルモデルです。外部の視覚エンコーダを使わないエンコーダフリー構造の特徴や仕様、入手方法を解説します。

CloudflareがQwen3.8-27Bをベースとした27Bパラメータのマルチモーダル意思決定モデル「Clef」を公開しました。テキスト、JSON、画像、動画を入力として受け取り、構造化された意思決定を行います。

XiaomiからスパースMoEマルチモーダルモデル「MiMo-V2.6-Flash-MOPD」「MiMo-V2.6-Pro-MOPD」が公開されました。エージェントタスクに特化した特徴やスペックを解説します。

Xiaomiが約1兆パラメータの混合強化学習モデル「XiaomiMiMo/MiMo-V2.6-Pro-RL」を公開。テキスト・画像・動画・音声を扱える1Mコンテキストの最上位MoEモデルを解説。

inclusionAIが公開した全二重音声・動画マルチモーダル対話モデル「Realtime-Venus」のスペックや導入方法、特徴を解説します。

Vction Labs開発のSalience-27B-R6のGGUF量子化版が公開。思考効率化と100万トークン対応を備えたマルチモーダル27Bモデルのスペックと動作環境を解説。

上海AIラボのマルチモーダル基盤モデル「Intern-S2-397B」のGGUF量子化版が公開。llama.cppやLM Studio等でのローカル実行手順やスペックを解説。

bartowski氏によるマルチモーダル対応モデル「Orion-26B-A4B-v1.1」のGGUF量子化版公開について、ファイルサイズや必要メモリ、対応環境を解説します。

Nex-AGIがコンピュータ操作やウェブブラウジングなどの長期タスク向けに開発したマルチモーダルオープンウェイトモデル「Nex-N2.5-mini」のスペック、性能、動作環境を解説します。