31 noticias
Liquid AI ha presentado LFM3, una nueva generación de modelos de inteligencia artificial multimodal con 2.000 millones de parámetros, diseñada para ofrecer capacidades especializadas en texto, visión, audio y toma de decisiones. Este modelo, que forma parte de la familia LFM3, se basa en una arquite
TypeSafe AI ha publicado la versión 1.14.0 de su modelo de lenguaje Jev, introduciendo capacidades experimentales de multimodalidad y un nuevo tipo de datos llamado 'box'. La compañía justifica estas novedades bajo una filosofía de equilibrio entre la fiabilidad para entornos de producción y la crea
El modelo autotrust/JEV-27B-VL se posiciona como el líder en la categoría de modelos de decisión de visión en el índice comunitario JEV Decision Index 0.3, actualizado en octubre de 2026. Con 27.000 millones de parámetros, supera a modelos de referencia de 397.000 millones, como Qwen3.5-397B-A17B, o
Liquid AI ha publicado en Hugging Face dos modelos de decisión abiertos, d1-3B y d1-omni-600M, diseñados para funcionar en dispositivos de borde (edge) con capacidades multimodales. Estos modelos, basados en sus Liquid Foundation Models (LFMs), no generan tokens sino que responden en una sola pasada
OpenAI ha presentado una actualización de su interfaz de usuario para ChatGPT, denominada "Intelligent UI", que genera elementos visuales personalizados para responder preguntas. Esta nueva experiencia, impulsada por el modelo GPT-6, está disponible para usuarios de pago a partir de hoy y para los g
Un usuario de Hacker News busca soluciones comerciales para generar sonidos a partir de una descripción de texto y una referencia de audio, un problema que considera aún en desarrollo similar a la generación de imágenes en 2016. El autor, que necesita crear efectos de sonido con fuentes limitadas de
Mistral ha lanzado una previsualización pública de Mistral Large 4, un modelo de lenguaje nativamente multimodal con 1 billón de parámetros y 49.000 millones de parámetros activos. Esta versión, denominada informalmente 'le Chonk', representa el modelo más grande y capaz de la compañía hasta la fech
OmniConfess es una metodología de entrenamiento libre diseñada para mitigar las alucinaciones en los grandes modelos de lenguaje multimodales (OmniLLMs). A diferencia de los métodos existentes que operan en tiempo de inferencia, OmniConfess permite revelar qué evidencia sustenta cada generación, un
El repositorio de Hugging Face para Qwen/Qwen3.8-27B ofrece una guía integral para el despliegue y uso de este modelo de lenguaje multimodal. El documento detalla las instrucciones para integrar la herramienta mediante librerías como Transformers, vLLM y SGLang, así como la configuración de entornos
Qwen3.8-Flash-Next es un modelo de inteligencia artificial de pesos abiertos desarrollado por la china Alibaba y lanzado el 26 de agosto de 2026, evaluado por Artificial Analysis como una de las opciones más destacadas en su segmento. Obtiene 56 puntos en el Artificial Analysis Intelligence Index, e
La documentación oficial de la API de DeepSeek detalla cómo enviar imágenes al modelo deepseek-v4-flash-vision-exp, que acepta imágenes junto a texto para describir fotografías, leer texto en capturas, analizar gráficos y otras tareas. Los formatos admitidos son JPEG, PNG, GIF y WebP, identificados
Qwen3.8 27B es un modelo de inteligencia artificial de pesos abiertos desarrollado por Alibaba, con 27.000 millones de parámetros y licencia Apache 2.0, lo que permite su uso comercial y su autoalojamiento. La versión analizada en esta ficha es la variante con razonamiento (chain-of-thought), capaz
Qwen-Image-3.0-Pro es un modelo de generación de imágenes disponible en la nube de Qwen (QwenCloud) orientado a un uso productivo más allá del resultado estético. Admite entradas de hasta 4.500 tokens y permite componer en una sola pasada diseños complejos con imágenes dentro de imágenes, como perió
ByteDance ha presentado Seedance 2.5, la nueva versión de su modelo de generación de vídeo con audio, que amplía la duración máxima por toma de 15 a 30 segundos y admite extensiones sucesivas para producir piezas de varios minutos con continuidad narrativa. El modelo mantiene la coherencia de person
Black Forest Labs (BFL) ha anunciado FLUX 3, su nuevo modelo fundacional multimodal entrenado de forma conjunta con imágenes, vídeo y audio dentro de una arquitectura unificada. La compañía defiende que ninguna modalidad por sí sola describe la realidad: el sonido debe corresponderse con el impacto,
libargus es un runtime de ejecución de inteligencia artificial nativo, sin gestión de memoria automática y con cero asignaciones de memoria, que consolida en un único proceso global las canalizaciones de visión, habla y modelos de lenguaje. La biblioteca actúa como una capa fina sobre los motores de
Thinking Machines ha presentado Inkling, su primer modelo de IA entrenado desde cero con pesos abiertos, junto a una versión reducida llamada Inkling-Small. Se trata de una arquitectura mixture-of-experts con 975.000 millones de parámetros totales (41.000 millones activos), capaz de razonar de forma
Thinking Machines, la empresa fundada por Mira Murati, expone en un extenso manifiesto su visión sobre el papel de la inteligencia artificial: una tecnología diseñada para ampliar, no sustituir, la voluntad y el juicio de las personas. La compañía parte de la idea de que el conocimiento productivo e
DoorDash gestiona millones de platos en su catálogo, cada uno descrito de forma distinta por los restaurantes. Esa falta de estandarización complica la generación de metadatos fiables con métodos tradicionales, sobre todo porque un mismo plato puede describirse de muchas maneras y nombres similares
Meta Superintelligence Labs ha presentado Muse Spark 1.1, una versión actualizada de su modelo Muse Spark orientada a tareas agentivas. Se trata de un modelo multimodal de razonamiento con mejoras sustanciales en el uso de herramientas y del ordenador, en programación y en comprensión multimodal, se
claude-real-video es una herramienta de código abierto (licencia MIT) que permite a cualquier modelo de lenguaje, como Claude, ChatGPT o Gemini, "ver" de verdad el contenido de un vídeo en lugar de limitarse a leer su transcripción. Funciona en local, sin subir archivos a la nube, y admite tanto URL
claude-real-video es una herramienta de código abierto (licencia MIT) diseñada para que un modelo de lenguaje grande (LLM) pueda "ver" un vídeo de forma efectiva, trabajando en local y sin subir el contenido a la nube. A diferencia de los flujos habituales —como Gemini, que muestrea fotogramas a int
Claude Sonnet 5 (Adaptive Reasoning, Max Effort) es un modelo de inteligencia artificial desarrollado por Anthropic y lanzado el 30 de junio de 2026. Ocupa una posición destacada en capacidad intelectual y resulta competitivo en precio dentro de su segmento, según el índice de inteligencia de Artifi
Montar un agente de codificación local en macOS permite ejecutar modelos de lenguaje de última generación sin depender de la nube. Este artículo explica cómo configurar una solución completa usando llama.cpp, Gemma 4 26B-A4B y el agente terminal Pi, tras la experiencia del autor con cortes de intern
Apple ha anunciado una revisión profunda de su plataforma Apple Intelligence con una nueva arquitectura basada en modelos fundacionales desarrollados junto a Google a partir de las tecnologías de la familia Gemini. Los nuevos modelos, adaptados para ejecutarse tanto en el dispositivo como en servido
Google presenta Gemma 4 12B, un modelo multimodal unificado que se ejecuta en portátiles Google ha presentado Gemma 4 12B, un nuevo modelo de inteligencia artificial de código abierto que destaca por su arquitectura multimodal unificada y por su capacidad de ejecutarse en portátiles convencionales
Kapa.ai, empresa que construye asistentes de IA sobre documentación técnica, detalla en un extenso post cómo procesa los millones de imágenes (capturas, diagramas de arquitectura, esquemas de circuitos, tablas de especificaciones) que viven en sus bases de conocimiento. Tras varios meses de trabajo,
Un investigador ha desarrollado una nueva técnica para mejorar la precisión de texto y números en imágenes generadas por inteligencia artificial. El método, descrito por Sam Collins en su blog, permite generar imágenes con texto legible y numérico, algo que los modelos de IA actuales, como Gemini, s
Un nuevo toolkit llamado 'gemma-tuner-multimodal' permite a los usuarios afinar modelos Gemma de Google para tareas de inteligencia artificial multimodal (texto, imágenes y audio) directamente en Macs con Apple Silicon. La herramienta, desarrollada por Mattmireles y disponible en GitHub, elimina la
Microsoft ha lanzado Phi-4-Vision-Reasoning-15B, un nuevo modelo de inteligencia artificial multimodal de código abierto con 15 mil millones de parámetros. Este modelo destaca por su equilibrio entre capacidad de razonamiento, eficiencia y requisitos de datos de entrenamiento, permitiendo una intera
Google ha anunciado el lanzamiento de Gemini 3.1 Pro, su modelo de inteligencia artificial más avanzado hasta la fecha, según un comunicado publicado en febrero de 2026. Este nuevo modelo, basado en Gemini 3 Pro, es capaz de procesar y comprender una amplia gama de datos multimodales, incluyendo tex
