ERNIE 5.0

Новая версия мультимодальной модели от Baidu, 2400B параметров, активируются менее 3% из них.

работает с текстом, изображениями, аудио и видео в единой архитектуре, может обрабатывать все это одновременно, а не через отдельные энкодеры

Опережает GPT-5 High в понимании документов и графиков

Но уступает GPT-5 на бенчмарке LiveCodeBench

Лучше конкурентов понимает звуковые сцены и распознаёт речь

попоробовать

#multimodal #assistant #vlm #reasoning #imageediting #text2video

Kimi K2.5

Новая версия китайской мультимодалки от Moonshot AI

Обучена сразу на тексте и картинках/видео без костылей вроде внешних энкодеров.

Глобальная #SOTA по агентам: HLE full set (50.2%), BrowseComp (74.9%)
SOTA по визуалке и кодингу: MMMU Pro (78.5%), VideoMMMU (86.6%), SWE-bench Verified (76.8%)

Не просто отвечает на вопросы, а сама управляет агентами для реальной работы:

— пишет код по скриншоту, парсит документы, строит таблицы.
— работает с кодом и визуалом одновременно: смотрит на скриншот сайта или видео и сразу генерирует рабочий фронтенд с анимациями
— Agent Swarm: запускает агентный рой из до 100 субагентов без ручной настройки, распараллеливает задачи и сокращает время выполнения до 4.5 раз
— обучена через параллельное агентное рл (PARL), где оркестратор сам решает, кого и когда запускать, а не следует жёсткому сценарию
— парсит офисные документы на уровне эксперта: строит сводные таблицы с формулами, вставляет уравнения в латех, работает с 100-страничными файлами
— отлаживает свой же код через визуальный фидбек: смотрит на результат в браузере и сам правит стили или логику без человека
— обрабатывает видео целиком для анализа или генерации кода, а не только отдельные кадры
— экономит память за счёт нативной мультимодальности — нет отдельного визуального энкодера, всё в одном теле

HF
Чат

#assistant #mllm #mlm #reasoning #vlm #coding