Un projet permet aux LLM de « visionner » et comprendre des vidéos
Un projet open-source démontre comment n’importe quel grand modèle linguistique (LLM) peut être doté de la capacité de « visionner » et de comprendre le contenu de vidéos.
multimodal
Google DeepMind dévoile Gemma 4 12B, un modèle multimodal unifié
Google DeepMind présente Gemma 4 12B, un modèle multimodal unifié traitant texte et images sans encodeur dédié.
Google Gemma 4 12B : un modèle IA multimodal sur votre ordinateur
Google Gemma 4 12B, modèle IA multimodal, est désormais utilisable sur des ordinateurs personnels sans cloud.
Google dévoile 11 démos de Gemini Omni et Gemini 3.5 en action
Google a récemment publié onze démonstrations vidéo détaillées, mettant en scène les capacités avancées de ses modèles d’intelligence artificielle Gemini Omni et Gemini 3.5.
Google Gemini Omni : la vidéo générée par texte, image et audio
Google a dévoilé Gemini Omni, un nouveau modèle multimodal capable de transformer texte, images et audio en vidéo, marquant une avancée significative dans la génération de contenu assistée par IA.
Wirestock lève 23 M$ pour alimenter les laboratoires d’IA en données multimodales
Wirestock a levé 23 millions de dollars pour continuer à fournir des photos, vidéos et contenus 3D de ses 700 000 créateurs aux laboratoires d’intelligence artificielle.
NVIDIA Nemotron 3 Nano Omni : l’IA multimodale longue portée pour les documents
NVIDIA Nemotron 3 Nano Omni : une IA multimodale pour analyser documents, audio et vidéo sur de longues séquences.
Hugging Face simplifie l’entraînement de modèles multimodaux
Hugging Face facilite l’entraînement de modèles d’IA multimodaux avec Sentence Transformers.