Nowe badania ujawniają, jak sztuczna inteligencja „widzi” świat inaczej niż ludzie, co prowadzi do powstawania jaskrawych i przesadzonych obrazów. Czy generatywna AI może zastąpić ludzką percepcję w świecie wizualnym?
Read More
Zhipu AI prezentuje Glyph, innowacyjny framework wykorzystujący kompresję wizualno-tekstową, by znacząco zwiększyć długość przetwarzanych kontekstów w modelach językowych. Ta metoda może zrewolucjonizować sposób, w jaki sztuczna inteligencja radzi sobie z obszernymi dokumentami, zmieniając tekst w obrazy i przetwarzając je za pomocą modeli wizualno-językowych.
Read More
Baidu udostępniło PaddleOCR‑VL — 0,9‑miliardowy model wizja‑język przeznaczony do wydobywania tekstu, tabel, wzorów, wykresów i pisma ręcznego z wielojęzycznych dokumentów, łącząc podejście NaViT‑style z dekoderem ERNIE‑4.5‑0.3B i architekturą dwustopniową zoptymalizowaną pod kątem niskiej latencji.
Read More
Liquid AI zaprezentowało LFM2-VL-3B, model językowo-wizyjny z 3 miliardami parametrów, zaprojektowany z myślą o efektywnej pracy na urządzeniach brzegowych. Zapewnia on wysoką dokładność przy zachowaniu szybkości, kluczowe dla zastosowań mobilnych i przemysłowych.
Read More
Snap po raz pierwszy otwiera dostęp do Imagine Lens, narzędzia generującego obrazy na podstawie tekstowych promptów. Dotąd funkcja była zarezerwowana dla płacących subskrybentów; teraz ograniczona liczba generacji trafi do użytkowników w USA, a wkrótce również do kolejnych rynków.
Read More
DeepSeek-AI udostępnia 3‑miliardowy model VLM do OCR i parsowania dokumentów, który kompresuje stronę do niewielkiej puli tokenów wizualnych, a następnie dekoduje je językowym modelem MoE.
Read More
Laurent Del Rey, projektant produktu związany z Meta’s Superintelligence Lab, wypuścił Endless Summer — iPhone’ową aplikację, która tworzy AI‑generated zdjęcia z wakacji z twoim wizerunkiem. Prostota interfejsu i retro estetyka maskują pytania o prywatność, autentyczność i ekonomię tworzenia obrazów przez zewnętrzne modele.
Read More
Naukowcy z MIT opracowali nowatorską metodę treningu, która pozwala modelom wizyjno-językowym identyfikować konkretne obiekty, takie jak zwierzęta domowe, w złożonych scenach. Odkrycie to otwiera nowe możliwości dla zastosowań AI, od monitoringu po technologie asystujące.
Read More
Google wprowadza model Nano Banana, oparty na Gemini 2.5 Flash, do swoich kluczowych platform, takich jak Google Search, NotebookLM i Google Photos. Technologia ta ma ułatwić tworzenie i modyfikowanie wizualizacji za pomocą języka naturalnego, sugerując potencjalne zmiany w krajobrazie edycji zdjęć.
Read More
Laboratorium Microsoft AI zaprezentowało MAI-Image-1, swój pierwszy autorski model do generowania obrazów. System zadebiutował w rankingu LMArena Text-to-Image w pierwszej dziesiątce, obiecując wysoką jakość i szybkość generowania.
Read More