/
Hark完成7亿美元A轮融资，打造"通用"AI个人助手
AI初创公司Hark宣布完成7亿美元A轮融资，融资后估值达60亿美元。本轮由Parkway Venture Capital领投，AMD、英特尔、高通、Salesforce等多家知名机构参与。Hark由连续创业者Brett Adcock创立，致力于开发多模态AI模型及配套硬件，打造面向普通用户的通用AI交互界面。公司计划今夏发布首批多模态模型，并随后推出专属硬件设备，现有员工70人，配备英伟达B200 GPU数据中心。
IBM Granite 4.1 系列模型正式发布，覆盖语言、视觉、语音等多模态能力
IBM正式发布Granite 4.1系列模型，涵盖小型语言模型（3B、8B、30B参数）、语音、视觉、嵌入及Guardian安全模型。新一代语言模型在指令遵循和工具调用方面表现突出，Granite Speech 4.1达到5.33%词错误率，Granite Vision 4.1专注表格与图表提取，Guardian 4.1提供校准不确定性评分用于风险检测。全系模型基于Apache 2.0协议开源，可在watsonx、Hugging Face等平台使用。
Lyria 3全面解析：谷歌AI音乐生成器的功能与未来
谷歌DeepMind推出最新多模态音乐AI模型Lyria 3及更高级的Lyria 3 Pro，支持文字、音频、图像多种输入方式，可生成高保真音乐，涵盖旋律、节奏与歌词，支持八种语言。该工具面向内容创作者、教育用途及专业开发者，已集成于Gemini、Vertex AI等平台。然而，独立音乐人已就版权问题对谷歌提起诉讼，AI生成内容的版权归属与商业化风险仍存争议。
Moonshot发布Kimi K2.5：可从视频生成代码的AI模型
阿里巴巴支持的中国AI初创公司月之暗面发布Kimi K2.5模型，号称是迄今为止最强大的开源模型。该模型基于15万亿文本和视觉令牌预训练，具备原生多模态能力，可从上传的图像或视频生成Web界面。在编程基准测试中表现与OpenAI、谷歌和Anthropic的前沿模型相当。其"视觉编程"功能能够直接从视频创建前端界面，降低了用户的技术门槛。
Meta发布Llama 4，新一代旗舰AI模型
Meta发布了Llama家族的新一代AI模型Llama 4，包括Scout、Maverick和Behemoth三个模型。这些模型在大量未标记的文本、图像和视频数据上进行训练，具备广泛的视觉理解能力。Llama 4采用混合专家架构，提高了计算效率。Meta表示，这标志着Llama生态系统新时代的开始，将为用户带来更强大的AI能力。
Google 的 Gemma 3：一款支持 128K 上下文窗口的开源单 GPU AI 模型
Google最新的人工智能模型Gemma 3在参数和上下文窗口方面都有显著提升，旨在为开发者提供高效的单GPU或AI加速器解决方案。它支持多种数据类型的处理，并且可以在不同环境中运行。Gemma 3的上下文窗口扩展至128,000个token，适合各种硬件使用，且开源可供下载。
Microsoft 的 Magma AI 可以操控和控制机器人
微软推出了新型AI模型Magma，旨在提升机器人的视觉、理解和行动能力。Magma能同时处理多种类型的数据，是朝着"代理AI"迈出的重要一步。该模型结合了视觉和语言处理技术，经过多模态训练，可以执行操控机器人和导航用户界面等任务，为AI自动化日常生活开辟了新的可能性。
Mira Murati 离开 OpenAI 后创立 Thinking Machines Lab
前OpenAI首席技术官Mira Murati今天推出了一家新的人工智能初创公司——思维机器实验室，专注于开发多模态模型。该公司在竞争激烈的AI市场中崭露头角，Murati曾在四个月前与投资者洽谈筹集超过1亿美元的资金。思维机器实验室的初始团队包括前OpenAI研究高管Barret Zoph，Murati担任首席执行官，Zoph担任首席技术官。该实验室计划训练能够处理文本和多媒体文件的模型，并将基础设施质量作为首要任务，致力于提高研究生产力。
第一个开源的具有实时对话能力的多模态模型：Mini-Omni
Mini-Omni是清华大学启元实验室开源的多模态模型，具备实时语音到语音的对话能力，无需额外的ASR或TTS模型。它能够边思考边说话，支持流式音频输出，并能通过'Any Model Can Talk'方法为其他模型添加语音交互能力。
马斯克展示Grok-1.5 Vision：多模态，能理解真实世界
马斯克旗下AI公司x.ai推出Grok-1.5 Vision，具备视觉功能，能深度理解真实世界并进行数据解读、转换。Grok-1.5 V在多模态模型测试中超过GPT-4V等竞品，展示了强大的理解、数据转换和检索能力，如将图片翻译成Python代码。即将向早期测试者和现有用户推出。
DeepSeek-VL：深度求索的多模态大模型
DeepSeekVL是一款开源多模态模型，通过对训练数据、模型架构和训练策略的联合拓展，构建了7B与1.3B规模的强大模型。相关资源可通过论文链接、模型下载页面和GitHub主页获取。
京公网安备 11010802021500号
